Αξιολόγηση δορυφορικής απεικόνισης υψηλής ανάλυσης του δορυφορικού συστήματος SPOT 5 για ταυτοποίηση καλλιεργειών

Από RemoteSensing Wiki

Αναθεώρηση της 06:31, 11 Ιανουαρίου 2013

Αξιολόγηση δορυφορικής απεικόνισης υψηλής ανάλυσης του δορυφορικού συστήματος SPOT 5 για ταυτοποίηση καλλιεργειών

Πρωτότυπος τίτλος : Εvaluating high resolution spot 5 satellite imagery for crop classification

Συγγραφείς : Chenghai Yang, James H. Everitt, Dale Murden

Πηγή : Science Direct

Στην παρούσα εργασία παρουσιάζεται και αξιολογείται μια μέθοδος ταυτοποίησης των καλλιεργειών μιας δοθείσας περιοχής χρησιμοποιώντας μια δορυφορική εικόνα υψηλής ανάλυσης του δορυφορικού συστήματος SPOT 5.

1. Εισαγωγή

Οι διάφοροι τύποι καλλιεργειών καθώς και οι ζώνες καλλιέργειας που υπάρχουν σε μια περιοχή αποτελούν σημαντική πληροφορία για την διαχείριση των καλλιεργειών και την ανάπτυξη ενός καλού σχεδιασμού για την γεωργία. Οι τεχνολογίες της τηλεπισκόπησης, από απλές αεροφωτογραφίες μέχρι πολυφασματικές δορυφορικές απεικονίσεις χρησιμοποιούνται εδώ και δεκαετίες για ταυτοποίηση των καλλιεργειών και εκτίμηση της γεωργικής περιοχής, με την δορυφορική απεικόνιση να χρησιμοποιείται στην πλειοψηφία των εφαρμογών λόγω των συγκριτικών πλεονεκτημάτων που προσφέρει (synoptic overview, repetitive large coverage). Η βάση για τον διαχωρισμό των διαφόρων ειδών καλλιέργειας είναι η υπόθεση πως κάθε είδος καλλιέργειας έχει μια μοναδική(διαφορετική) εμφάνιση ή φασματική υπογραφή στην εικόνα, αλλά ο διαχωρισμός μπορεί να είναι δύσκολος λόγω μεταβολών των ιδιοτήτων του εδάφους, ύπαρξης παρασίτων, κ.α. Σημαντικούς περιορισμούς σχετικά με τον προσδιορισμό των καλλιεργειών με δορυφορικές εικόνες εισάγουν επίσης παράμετροι όπως η ανακλαστικότητα των φυτών των διαφόρων καλλιεργειών, ο συνδυασμός καλλιεργειών σε μια περιοχή κ.α. Σημαντικά βήματα για την ταυτοποίηση των διαφόρων καλλιεργειών και την παράκαμψη των παραπάνω εμποδίων έγιναν με την πρόοδο της ψηφιακής επεξεργασίας εικόνων και των γεωγραφικών συστημάτων πληροφοριών , καθώς και την χρήση προηγμένων τεχνικών ταξινόμησης(νευρωνικά δίκτυα, support vector machines κ.α.).Τα τελευταία χρόνια, εικόνες προερχόμενες από υψηλής χωρικής ανάλυσης δορυφορικά συστήματα, όπως το IKONOS, το QuickBird και το SPOT 5 έγιναν διαθέσιμες, συμβάλλοντας στην ακριβέστερη ταυτοποίηση των γεωργικών καλλιεργειών. Το δορυφορικό σύστημα IKONOS προσφέρει δεδομένα σε τρία ορατά κανάλια και σε ένα εγγύς υπέρυθρο, με δυνατότητα ανάλυσης 4m. Αντίστοιχα, το QuickBird προσφέρει πολυφασματικές εικόνες σε ανάλυση 2,4m ή 2,8m σε 4 φασματικά κανάλια όμοια με αυτά του IKONOS. Το SPOT 5, δεδομένα του οποίου χρησιμοποιήθηκαν στην παρούσα εργασία, προσφέρει πολυφασματικά δεδομένα σε δύο ορατά κανάλια (green, red) ένα εγγύς υπέρυθρο κανάλι με ανάλυση 10m και ένα βραχύ υπέρυθρο (short wave infrared, SWIR) κανάλι με ανάλυση 20m.Οι εικόνες λοιπόν που προέρχονται από τον SPOT 5 περιέχουν 4 φασματικές ζώνες : green(500-590nm), red(610-680nm), NIR(780-890nm), SWIR(1580-1750nm).Τα δεδομένα έχουν 8 bits εύρος.

Σκοπός λοιπόν της συγκεκριμένης εργασίας είναι

• η αξιολόγηση των πολυφασματικών εικόνων που προέρχονται από το SPOT 5 για ταυτοποίηση των αγροτικών καλλιεργειών σε δύο έντονα καλλιεργημένες περιοχές του Texas, χρησιμοποιώντας πέντε επιβλεπόμενες τεχνικές ταξινόμησης(minimum distance, Mahalanobis distance, maximum likelihood, SAM, SVM)
• η σύγκριση βαθμού ακρίβειας των ταξινομήσεων
• η μελέτη επίδρασης του βραχέως υπέρυθρου (SWIR) καναλιού στα αποτελέσματα της ταξινόμησης

2. Μεθοδολογία

2.1 Δεδομένα και περιοχή μελέτης

Χρησιμοποιήθηκε μια πολυφασματική εικόνα που απεικονίζει μια περιοχή 60kmX60km στην περιοχή Rio Grande Valley στο νότιο Τέξας. Η χωρική της ανάλυση ήταν 10m για το πράσινο, το κόκκινο και το εγγύς υπέρυθρο κανάλι και 20m για το SWIR κανάλι, το οποίο μετατράπηκε (με αναδειγματοληψία) σε 10m πριν παραδοθεί η εικόνα. Δύο περιοχές της παραπάνω εικόνας επιλέχθηκαν ως περιοχές μελέτης, η μια κοντά στην περιοχή Alamo, καλύπτοντας μια περιοχή 11,2kmΧ8,5km, και μια κοντά στην περιοχή Elsa, καλύπτοντας μια περιοχή 12,2kmX8,5km. Τα κέντρα των δύο περιοχών απείχαν μεταξύ τους περίπου 24km.

2.2 Επεξεργασία εικόνας και τεχνικές ταξινόμησης

Η αρχική εικόνα ανάλυσης 10m επεξεργάστηκε κατάλληλα για να παραχθούν δύο εικόνες 20m και 30m προκειμένου να προσομοιωθούν απεικονίσεις των SPOT 4 και LANDSAT ETM+ αντίστοιχα. Για να παραχθούν αυτές οι καινούριες εικόνες, η τιμή του κάθε νέου pixel προκύπτει από τον μέσο όρο των τιμών των γειτονικών pixel αυτού στην αρχική εικόνα. Και για τις δύο περιοχές που προκύπτουν από την εικόνα μας (Alamo and Elsa) δημιουργήθηκαν ίδιες κατηγορίες κάλυψης γης, είτε πρόκειται για καλλιεργήσιμες(4 κατηγορίες) είτε για μη καλλιεργήσιμες εκτάσεις(5 κατηγορίες).Επιπρόσθετα, κάθε μια από τις 9 κύριες κατηγορίες διαιρέθηκε σε 2-6 υπό-κατηγορίες, με αποτέλεσμα ένα σύνολο 38 υποκατηγοριών για την περιοχή Alamo και 32 υποκατηγοριών για την περιοχή Elsa. Για την εκπαίδευση των δειγμάτων, χρησιμοποιήθηκαν τμήματα περιοχών για τα οποία γνωρίζαμε εξ αρχής την κάλυψης γης. Ο αριθμός των pixel για την περιοχή Alamo ήταν 948.090, και για την περιοχή Elsa 1.038.954. Ο αριθμός των εκπαιδευόμενων δειγμάτων για τις εικόνες ανάλυσης 10m κυμαίνονται από 348 ως 4702(0,04-0,5% του συνόλου των pixel) για την περιοχή Alamo και από 433ως 5669(0,04-0,55% του συνόλου των pixel) για την περιοχή Elsa. Πέντε supervised τεχνικές ταξινόμησης (minimum distance, Mahalanobis distance, maximum likelihood, SAM, SVM) εφαρμόστηκαν τόσο στις εικόνες με τα 4 κανάλια όσο και σε αυτές με τα 3(χωρίς το βραχύ υπέρυθρο κανάλι).Δημιουργήθηκαν λοιπόν 30 χάρτες ταξινόμησης για κάθε περιοχή.

3. Αποτελέσματα

Η σύνθεση έγχρωμης IR εικόνας (color infrared composites) που εξήχθη από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 για τις δύο περιοχές μελέτης αποκαλύπτει σαφείς διαφορές μεταξύ των καλλιεργήσιμων εκτάσεων και των άλλων καλύψεων γης, όπως μπορούμε να δούμε και από την εικόνα 1.

Στις εικόνες αυτές, οι καλλιέργειες και τα άλλα είδη βλάστησης έχουν γενικά ένα κοκκινωπό χρώμα, το έδαφος έχει ένα γκριζωπό και κυανό τόνο, και το νερό έχει ένα σκοτεινό ή μπλε χώμα. Στην επόμενη εικόνα(εικόνα 2) παρουσιάζεται ένας ταξινομημένος σε 5 κατηγορίες χάρτης προερχόμενος από την εικόνα ανάλυσης 10m του SPOT 5 (και τα 4 διαθέσιμα κανάλια )βασιζόμενος στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας (maximum likelihood).

Εικόνα 2 : Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5.

Συγκρίνοντας τον ταξινομημένο χάρτη με αυτόν της εικόνας 2 παρατηρούμε ότι ο ταξινομημένος χάρτης μας παρέχει μια καλή διάκριση ανάμεσα στις καλλιεργήσιμες και τις μη καλλιεργήσιμες περιοχές. Λόγω των διαφορετικών σταδίων ανάπτυξης των καλλιεργειών και των συνθηκών διαχείρισής τους δεν είναι απόλυτα ξεκάθαρο σε πόσο μεγάλο βαθμό διαχωρίστηκαν οι καλλιέργειες. Όσον αφορά την ακρίβεια των τεχνικών ταξινόμησης για την εικόνα ανάλυσης 10m των τεσσάρων καναλιών, τα ποσοστά κυμαίνονται από 72,2% (για την τεχνική ταξινόμησης SAM) ως 91% (για την τεχνική maximum likelihood ) για την περιοχή Alamo, και από 68,6%(SAM) ως 87,4(max. likelihood) για την περιοχή Elsa. Ανάμεσα λοιπόν στις 5 τεχνικές ταξινόμησης που χρησιμοποιήθηκαν, οι τεχνικές SVM και Μεγίστης Πιθανοφάνειας ήταν αυτές που έδωσαν τα καλύτερα αποτελέσματα- 90,6% και 91% αντίστοιχα για την περιοχή Alamo, 86,4% και 87,4% αντίστοιχα για την περιοχή Elsa- χωρίς να υπάρχουν σημαντικές διαφορές ανάμεσα σε αυτές τις δύο. Η εικόνα 3 παρουσιάζει έναν ταξινομημένο σε 5 κατηγορίες χάρτη προερχόμενο από την εικόνα ανάλυσης 20m(η οποία αναλύσαμε παραπάνω πως προέκυψε) του SPOT 5 (και τα 4 διαθέσιμα κανάλια)βασιζόμενο στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας.

Εικόνα 3 : Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 20m του SPOT 5.

Παρατηρούμε ότι οι εικόνες 2 και 3 είναι αρκετά όμοιες μεταξύ τους, γεγονός που μας οδηγεί στο συμπέρασμα ότι η μεγαλύτερη ανάλυση (μεγαλύτερο μέγεθος pixel) δεν έχει σημαντική επίδραση στην ακρίβεια της ταξινόμησης. Η εικόνα 4 στην συνέχεια παρουσιάζει την ίδια εικόνα ανάλυσης 10m, χρησιμοποιώντας 3 από τα 4 διαθέσιμα κανάλια, αποκλείοντας το βραχύ υπέρυθρο(SWIR) κανάλι. Παρατηρούμε ότι οι ταξινομημένοι χάρτες για τις δύο περιοχές εξέτασης δεν αποτυπώνονται τόσο καθαρά όσο χρησιμοποιώντας και τα 4 κανάλια, οδηγώντας στο συμπέρασμα ότι συμπεριλαμβάνοντας και το βραχύ υπέρυθρο κανάλι έχουμε καλύτερα αποτελέσματα.

Εικόνα 4 : Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 αποκλείωντας το SWIR κανάλι και χρησιμοποιώντας τα υπόλοιπα τρία κανάλια.

4. Συμπεράσματα

Από τα αποτελέσματα της μελέτης προκύπτει ότι :

• Οι πολυφασματικές δορυφορικές εικόνες του SPOT 5 μπορούν να χρησιμοποιηθούν για ταυτοποίηση καλλιεργειών υπό την προϋπόθεση ότι η εικόνα αναφέρεται σε περίοδο όπου η διάκριση των καλλιεργειών είναι βέλτιστη
• Ανάμεσα στις 5 διαφορετικές τεχνικές ταξινόμησης που εξετάστηκαν, οι τεχνικές μεγίστης πιθανοφάνειας και SVM δίνουν καλύτερα αποτελέσματα συγκρινόμενες με τις άλλες 3
• Η αύξηση του μεγέθους του pixel από 10m στα 30m δεν επηρέασε σημαντικά την ακρίβεια της ταξινόμησης
• Συμπεριλαμβάνοντας και το βραχύ υπέρυθρο κανάλι στην πολυφασματική εικόνα του SPOT 5 βελτιώνεται αισθητά το αποτέλεσμα όσον αφορά την ταυτοποίηση καλλιεργειών, αναδεικνύοντας την σπουδαιότητα του συγκεκριμένου καναλιού στην όλη διαδικασία