Σύγκριση των διαφορετικών μεθόδων ταξινόμησης δορυφορικών εικόνων: Μια εφαρμογή στην επαρχία Αϊβαλί, Δυτική Τουρκία

Από RemoteSensing Wiki

Αναθεώρηση της 13:35, 1 Φεβρουαρίου 2012

Σύγκριση των διαφορετικών μεθόδων ταξινόμησης δορυφορικών εικόνων: Μια εφαρμογή στην επαρχία Αϊβαλί, Δυτική Τουρκία

Comparing different satellite image classification methods: An application in Ayvalik district, Western Turkey
Aykut AKGÜN, A.Hüsnü ERONAT and Necdet TÜRK, SciencesNew York (2004), Publisher: ISPRS, Pages: 1091-1096 [5]

Περίληψη

Οι διαφορετικές μέθοδοι ταξινόμησης δορυφορικών εικόνων συγκρίθηκαν χρησιμοποιώντας τις δορυφορικές εικόνες της περιοχής Αϊβαλί που βρίσκεται στην δυτική ακτή της Τουρκίας. Για το σκοπό αυτό, η ταξινόμηση της χρήσης γης της περιοχής έρευνας έγινε με διαφορετικές διαδικασίες επιβλεπόμενης ταξινόμησης εικόνας και τα αποτελέσματα συγκρίθηκαν μεταξύ τους. Μια δορυφορική εικόνα Landsat 7 ETM+, η IDRISI klimanjaro επεξεργασία εικόνας και το πακέτο GIS χρησιμοποιήθηκαν σε αυτή τη μελέτη. Από τις ταξινομημένες εικόνες, η μέθοδος της Μεγίστης Πιθανοφάνειας βρίσκεται να είναι πιο εφαρμόσιμη και αξιόπιστη για τους σκοπούς της ταξινόμησης δορυφορικής εικόνας. Ενώ, η μέθοδος της Ελάχιστης Απόστασης έχει δώσει πιο αξιόπιστα αποτελέσματα από ότι οι διαδικασίες γραμμικής διακρίνουσας, η μέθοδος του Παραλληλεπιπέδου βρίσκεται να δίνει τα λιγότερο αξιόπιστα αποτελέσματα σε σύγκριση με τις άλλες μεθόδους.

Εισαγωγή

Η ταξινόμηση εικόνας είναι ένα σημαντικό κομμάτι της τηλεπισκόπησης, της ανάλυσης εικόνας και της αναγνώρισης προτύπων. Σε ορισμένες περιπτώσεις, η ίδια η ταξινόμηση μπορεί να είναι το αντικείμενο της ανάλυσης. Υπάρχουν διάφορες διαδικασίες ταξινόμησης εικόνας που χρησιμοποιούνται για διαφορετικούς σκοπούς. Αυτές οι τεχνικές διακρίνονται σε δυο βασικούς τρόπους, ως επιβλεπόμενες και ως μη επιβλεπόμενες ταξινομήσεις. Επιπλέον, η επιβλεπόμενη ταξινόμηση έχει διάφορες υπό μεθόδους που ονομάζονται μέθοδοι Παραλληλεπιπέδου, Μεγίστης Πιθανοφάνειας, Ελάχιστης Απόστασης και ταξινομητή Fisher. Αυτές οι μέθοδοι αναφέρονται ως σκληροί ταξινομητές.
Σε αυτή τη μελέτη, το IDRISI klimanjaro χρησιμοποιήθηκε για τη διαφορετική ταξινόμηση εικόνας που επιλέχτηκε: οι ταξινομητές του Παραλληλεπιπέδου, της Μεγίστης Πιθανοφάνειας, της Ελάχιστης Απόστασης από τα μέσα και του Fisher χρησιμοποιήθηκαν για να καθορίσουν ποιος ταξινομητής είναι πιο αποτελεσματικός και χρήσιμος για το σκοπό αυτής της μελέτης. Για να δοκιμαστούν αυτοί οι ταξινομητές, μια εφαρμογή χρήσης γης έγινε στην περιοχή μελέτης. Σε αυτό το πλαίσιο, η μέθοδος του CORINE χρησιμοποιήθηκε για την ταξινόμηση της χρήσης γης. Επτά τάξεις επιλέχτηκαν. Τεχνητές επιφάνειες (Αστικές περιοχές), Γεωργικές εκτάσεις, Δάσος και ελιές, υγρότοποι και συγκεντρώσεις νερού ( θάλασσα, λίμνη) είναι οι επιλεγμένες τάξεις εδάφους σύμφωνα με τη μέθοδο χρήσης γης του CORINE. Η τάξη του άγονου εδάφους προστέθηκε στις επιλεγμένες κατηγορίες. Για το σκοπό αυτό, μια PCA (Ανάλυση Κυρίων Συνιστωσών) σύνθετη εικόνα που αποτελείται από τον συνδυασμό καναλιών PC2, PC4 και PC5 συγκροτήθηκε. Τέσσερις ταξινομητές εικόνας ο Παραλληλεπιπέδου, ο Ελάχιστης Απόστασης, ο Μεγίστης Πιθανοφάνειας και ο Fisher εφαρμόστηκαν για να ταξινομήσουν τη σύνθετη εικόνα, αντίστοιχα.

Περιοχή Μελέτης - Μέθοδοι

Σε αυτή τη μελέτη, η περιοχή Αϊβαλί που βρίσκεται στη δυτική ακτή της Τουρκίας (εικόνα 1) επιλέχθηκε ως η περιοχή μελέτης, που καλύπτει περίπου 560 km2. Επίσης, χρησιμοποιήθηκαν στην παρούσα μελέτη μια δορυφορική εικόνα Landsat 7 ETM+ που αποκτήθηκε στις 16/11/2001, η IDRISI klimanjaro επεξεργασία εικόνας και το πακέτο GIS.

Εικόνα 1 : Ο χάρτης με την τοποθεσία της περιοχής μελέτης.[http://www.isprs.org/proceedings/XXXV/congress/comm4/papers/505.pdf ]πηγή

Η διαδικασία του Παραλληλεπιπέδου (PIPED) χρησιμοποιείται για ειδικούς παιδαγωγικούς λόγους μόνο. Όταν οι περιοχές κατάρτισης είναι γνωστό ότι είναι έντονες χρησιμοποιείται η διαδικασία της Μεγίστης Πιθανοφάνειας. Ωστόσο, εάν υπάρχουν ανησυχίες για την ποιότητα των περιοχών κατάρτισης, η διαδικασία της Ελάχιστης Απόστασης με τυποποιημένες αποστάσεις θα πρέπει να χρησιμοποιηθεί. Ο ταξινομητής Fisher μπορεί να αποδώσει εξαιρετικά καλά όταν δεν υπάρχουν ουσιαστικές περιοχές αγνώστων τάξεων και όταν οι περιοχές κατάρτισης είναι έντονα αντιπροσωπευτικές των ενημερωτικών τάξεων.
Στην παρούσα μελέτη, ταξινομητές επιβλεπόμενης ταξινόμησης χρησιμοποιήθηκαν για να ταξινομήσουν την εικόνα της περιοχής μελέτης. Ο ταξινομητής του Παραλληλεπιπέδου είναι ένας πολύ απλός επιβλεπόμενος ταξινομητής που λειτουργεί με τον έλεγχο των ιστογραμμάτων των επιμέρους φασματικών συνιστωσών των διαθέσιμων στοιχείων κατάρτισης. Ενώ είναι ένας απλός ταξινομητής έχει κάποια μειονεκτήματα. Ένα είναι ότι μπορεί να υπάρχουν σημαντικά κενά μεταξύ των παραλληλεπιπέδων και τα pixels σε αυτές τις περιοχές δεν θα ταξινομηθούν. Ένας άλλος περιορισμός είναι ότι οι εκ των προτέρων πιθανότητες της συμμετοχής τάξης δεν λαμβάνονται υπόψη. Τέλος, για τα συσχετισμένα στοιχεία μπορεί να υπάρξει επικάλυψη των παραλληλεπιπέδων όταν οι πλευρές τους είναι παράλληλες προς τους φασματικούς άξονες.
Ο ταξινομητής της Ελάχιστης Απόστασης βασίζεται στα στοιχεία της περιοχής κατάρτισης. Ο ταξινομητής χαρακτηρίζει κάθε τάξη από τη μέση θέση της στο κάθε κανάλι. Ο ταξινομητής της Ελάχιστης Απόστασης συνίσταται ιδιαίτερα σε όλες τις εφαρμογές ταξινόμησης εικόνας. Η ταξινόμηση εκτελείται με την τοποθέτηση ενός pixel στην τάξη του πλησιέστερου μέσου. Επίσης είναι μια τεχνική γρηγορότερη από την ταξινόμηση της Μεγίστης Πιθανοφάνειας. Η ταξινόμηση της Μεγίστης Πιθανοφάνειας είναι η πιο συχνή μέθοδος επιβλεπόμενης ταξινόμησης που χρησιμοποιείται με τηλεπισκοπικά δεδομένα εικόνας. Ο ταξινομητής αυτός, βασίζεται στην Bayesian θεωρία πιθανοτήτων.
Ο ταξινομητής Fisher διενεργεί μια γραμμική ανάλυση διακρίνουσας των στοιχείων της περιοχής κατάρτισης για να διαμορφώσει ένα σύνολο γραμμικών συναρτήσεων που εκφράζουν το βαθμό της στήριξης για κάθε τάξη.

Αποτελέσματα

Από αυτούς τους σκληρούς επιβλεπόμενους ταξινομητές που χρησιμοποιήθηκαν στην παρούσα μελέτη, ο Μεγίστης Πιθανοφάνειας και ο Fisher είναι σαφώς οι πιο ισχυροί, καθώς κάνουν πιο αξιόπιστη ταξινόμηση. Όπως προαναφέραμε η μέθοδος του CORINE χρησιμοποιήθηκε για τη δημιουργία χάρτη χρήσης γης. Έτσι, επτά τάξεις χρήσης γης καθορίστηκαν. Συγκεντρώσεις νερού (θάλασσα, λίμνη), υγρότοποι, δάσος, αστικές περιοχές, γεωργικές εκτάσεις, άγονο έδαφος επιλέχθηκαν αρχικά. Καθώς όμως τα ελαιόδεντρα καλύπτουν την περιοχή μελέτης εκτενώς, μια έβδομη τάξη προστέθηκε στις παραπάνω τάξεις. Τα αποτελέσματα που λήφθηκαν από τις ταξινομημένες εικόνες συγκρίθηκαν και κάθε μια από τις εικόνες ελέγχθηκε με επιβεβαίωση πεδίου. Τα αποτελέσματα της ταξινόμησης του Παραλληλεπιπέδου (εικόνα 2) ήταν απλά και δεν ανταποκρίνονταν στα πραγματικά χαρακτηριστικά του εδάφους. Για παράδειγμα, οι αστικές περιοχές στον χάρτη δεν μπορούν να αναγνωριστούν, το άγονο έδαφος και τα ελαιόδεντρα δεν μπορούσαν να διακριθούν το ένα από το άλλο. Σε ορισμένες περιοχές η βλάστηση φαίνεται με μαύρο χρώμα. Εξαιτίας αυτών των ανωμαλιών, αυτός ο ταξινομητής δεν βρέθηκε αρκετά κατάλληλος για τη χαρτογράφηση της χρήσης γης.
Ο χάρτης που προέκυψε με τη χρήση του ταξινομητή των Ελαχίστων Αποστάσεων (εικόνα 3) φάνηκε πιο αξιόπιστος από τον χάρτη που παράχθηκε με τη μέθοδο του Παραλληλεπιπέδου. Σε αυτόν τον χάρτη, οι περιοχές οικισμού ήταν επιλέξιμες, τα όρια της κάλυψης από βλάστηση, οι γεωργικές εκτάσεις και τα ελαιόδεντρα ήταν πιο σαφή από ότι στον χάρτη του ταξινομητή του Παραλληλεπιπέδου.
Το αποτέλεσμα της ταξινόμησης της Μεγίστης Πιθανοφάνειας ήταν πολύ καλύτερο από τους προηγούμενους δυο χάρτες. Στον χάρτη της Μεγίστης Πιθανοφάνειας η διάκριση άγονο έδαφος-ελαιόδεντρα φαινόταν καθαρά, τα όρια των γεωργικών εκτάσεων και του δάσους ήταν περισσότερο εμφανή από ότι στους χάρτες της Ελάχιστης Απόστασης και του Παραλληλεπιπέδου (εικόνα 4). Σε αυτόν τον χάρτη, ορισμένες περιοχές υγροτόπων υποδείχθηκαν με πορτοκαλί χρώμα. Αυτό ήταν εξαιτίας της καθίζησης σε εκείνες τις τοποθεσίες.
Ο χάρτης που έχει παραχθεί από την εφαρμογή του ταξινομητή της γραμμικής διακρίνουσας (εικόνα 5) ήταν πιο κατάλληλος από τον χάρτη των Ελαχίστων Αποστάσεων και ήταν λιγότερο ορθός από τον χάρτη της Μεγίστης Πιθανοφάνειας. Σε αυτόν τον χάρτη, οι αστικές περιοχές ήταν πιο σαφείς και από τους τρεις προηγούμενους χάρτες. Τα όρια του άγονου εδάφους και των ελαιοδέντρων ήταν επίσης αναγνωρίσιμα. Ωστόσο, τα όρια του δάσους και των ελαιοδέντρων δεν ήταν σαφή σύμφωνα με τις μελέτες του επίγειου ελέγχου.

Εικόνα 2 : Χάρτης του ταξινομητή του Παραλληλεπιπέδου.[1]πηγή

Εικόνα 3 : Χάρτης του ταξινομητή της Ελάχιστης Απόστασης.[2]πηγή

Εικόνα 4 : Χάρτης του ταξινομητή της Μεγίστης Πιθανοφάνειας.[3]πηγή

Εικόνα 5 : Χάρτης του ταξινομητή Fisher.[4]πηγή

Τα αποτελέσματα της ταξινόμησης συγκρίθηκαν μεταξύ τους και έγινε ανάλυση παλινδρόμησης. Η καλύτερη συσχέτιση λήφθηκε ανάμεσα στους χάρτες της Μεγίστης Πιθανοφάνειας και της Ελάχιστης Απόστασης (r=0,79). Άλλα αποτελέσματα παλινδρόμησης είναι r=0,69, r=0,52 και r=0,76 για τους ταξινομητές της Μεγίστης Πιθανοφάνειας-γραμμικής διακρίνουσας, Ελάχιστης Απόστασης-γραμμικής διακρίνουσας και Μεγίστης Πιθανοφάνειας- Παραλληλεπιπέδου, αντίστοιχα.

Συμπεράσματα

Για την πιο αποτελεσματική χρήση της δορυφορικής τηλεπισκόπησης, οι διαχειριστές της χρήσης γης πρέπει να γνωρίζουν τους περιορισμούς και τα πλεονεκτήματα των δορυφορικών δεδομένων. Οι τεχνικές για τη βελτίωση της ταξινόμησης της χρήσης γης με δορυφορικά δεδομένα τηλεπισκόπησης περιλαμβάνουν τη χρήση των κατάλληλων ψηφιακών δεδομένων. Σε αυτή τη μελέτη διαπιστώθηκε ότι ο ταξινομητής της Μεγίστης Πιθανοφάνειας ήταν η πιο κατάλληλη μέθοδος ταξινόμησης για την χαρτογράφηση της χρήσης γης. Ο ταξινομητής της Ελάχιστης Απόστασης επίσης καθορίστηκε τόσο κατάλληλος όσο ο Μεγίστης Πιθανοφάνειας.