Σύγκριση Τεχνικών Επεξεργασίας Εικόνων Τηλεπισκόπησης για την Ταυτοποίηση Πληγεισών Περιοχών από τα Δεδομένα του Landsat TM

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 21:05, 11 Φεβρουαρίου 2020

Εικόνα 1: (α) Χάρτης τοποθεσίας της περιοχής μελέτης. (β) Ένα ψευδοχρωματικό σύνθετο της περιοχής μελέτης (26 Ιουνίου 1998) που δείχνει το κανάλι 4 (0,76-0,90 μm) σε κόκκινο το κανάλι 3 (0,63-0,69 μm) στο πράσινο και στο κανάλι 2 (0,52 - 0,60 μm) με μπλε χρώμα.

Εικόνα 2: Σύνθετο των καναλιών 2,3,4 .

Εικόνα 3: Η διαφορά στο κανάλι 7 .

Εικόνα 4: Η διαφορά στα κανάλια 3,5,7.

Εικόνα 5: Χάρτης αποτελεσμάτων της διαφοράς των καναλιών 1, 2, 3, 4, 5 και 7 χρησιμοποιώντας μη επιβλεπόμενη ταξινόμηση (δηλαδή ISODATA). Σημείωση: Το μπλε χρώμα αντιπροσωπεύει μη κατεστραμμένες περιοχές και το κόκκινο χρώμα αντιπροσωπεύει ζημιές .

Εικόνα 6: Χάρτης αποτελεσμάτων της διαφοράς των καναλιών 1, 2, 3, 4, 5 και 7 χρησιμοποιώντας επιβλεπόμενη ταξινόμηση (δηλαδή μέγιστη πιθανοφάνεια). Σημείωση: Το μπλε χρώμα αντιπροσωπεύει μη κατεστραμμένες περιοχές και το κόκκινο χρώμα αντιπροσωπεύει ζημιές.

Εικόνα 7: Σύνθετη εικόνα των PC-ζωνών 3 και 4 με αντικειμενοστραφή προσέγγιση.

Σύγκριση Τεχνικών Επεξεργασίας Εικόνων Τηλεπισκόπησης για την Ταυτοποίηση Πληγεισών Περιοχών από τα Δεδομένα του Landsat TM.

Συγγραφείς: Soe W. Myint, May Yuan, Randall S. Cerveny and Chandra P. Giri

Σχολή γεωγραφικών επιστημών, Πανεπιστήμιο της πολιτείας της Arizona, Τμήμα γεωγραφίας, Πανεπιστήμιο της Oklahoma, USGS Center for Earth Resources Observation and Science (EROS)

Πηγή: Myint, Soe & Yuan, May & Cerveny, R.s & Chandra, Giri. (2008). Comparison of Remote Sensing Image Processing Techniques to Identify Tornado Damage Areas from Landsat TM Data. Sensors. 8. 10.3390/s8021128. [1]

Λέξεις κλειδιά: ανίχνευση αλλαγής, καταστροφή, ανάλυση κύριων συνιστωσών, ανίχνευση αλλαγής εικόνας, αντικειμενοστραφής

Σύνοψη

Οι τεχνικές τηλεπισκόπησης έχουν αποδειχτεί αποτελεσματικές για μεγάλης κλίμακας έρευνες μετά από κάποιο καταστροφικό γεγονός, τόσο σε σχεδόν πραγματικό χρόνο, όσο και σε εκ των υστέρων αναλύσεις. Το δοκίμιο αυτό στοχεύει στην σύγκριση της ακρίβειας των συνηθισμένων τεχνικών επεξεργασίας εικόνας που χρησιμοποιούνται στον εντοπισμό των τροχιών καταστροφής των κυκλώνων, από δεδομένα του Landsat TM. Χρησιμοποιήσαμε τον άμεσο εντοπισμό αλλαγής χρησιμοποιώντας δύο σετ εικόνων τα οποία έχουν ληφθεί πριν και μετά τον κυκλώνα, για να παράξουμε σύνθετες εικόνες PCA (Ανάλυση Κύριων Συνιστωσών) και ένα σετ ζωνών διαφοράς . Στις τεχνικές σύγκρισης συμπεριλαμβάνονται η εποπτευόμενη ταξινόμηση, η μη εποπτευόμενη ταξινόμηση, και η αντικειμενοστραφής ταξινόμηση με κύριο ταξινομητή τον πλησιέστερο γείτονα. Η αξιολόγηση ακρίβειας βασίζεται στον συντελεστή Κάππα, ο οποίος υπολογίζεται από πίνακες σφάλματος που διασταυρώνουν τα σωστά ταυτοποιημένα κελιά στην εικόνα ΤΜ και τα σφάλματα παράλειψης και καταγραφής στο αποτέλεσμα. Συνολικά, η αντικειμενοστραφής προσέγγιση παρουσιάζει τον υψηλότερο βαθμό ακρίβειας στον εντοπισμό καταστροφών από τυφώνες. Οι μέθοδοι PCA και ανίχνευσης αλλαγών εικόνας παράγει συγκρίσιμα αποτελέσματα. Αν και συγκεκριμένες μέθοδοι PCA μπορούν να βελτιώσουν την ακρίβεια κατά 5 έως 10%, η αντικειμενοστραφής προσέγγιση αποδίδει αισθητά καλύτερα με 15-20% υψηλότερη ακρίβεια από τις άλλες δύο τεχνικές.

Οι τεχνικές που συγκρίνονται είναι η PCA (Ανάλυση Κύριων Συνιστωσών), η ανίχνευση αλλαγής εικόνας και η αντικειμενοστραφής ταξινόμηση. Ουσιαστικά, η ανίχνευση κατεστραμμένων περιοχών είναι ένα πρόβλημα ταξινόμησης. Ο στόχος είναι να να ταξινομηθεί όλη η εκτάση των εικόνων σε δύο κλάσεις: κατεστραμμένη περιοχή και μη κατεστραμμένη. Όλες οι τεχνικές επεξεργασίας εικόνας για τον εντοπισμό κατεστραμμένης περιοχής υποθέτουν ότι οι κατεστραμμένες και μη περιοχές συσχετίζονται με διακρίσιμες διαφορές της φασματικής ανακλαστικότητας των εικόνων. Γι' αυτό, η ταξινόμηση της ανακλαστικότητας των εικόνων αποκαλύπτει κλάσεις κατεστραμμένων και μη κατεστραμμένων περιοχών.

Εκτίμηση καταστροφών με χρήση Ανάλυσης Κύριων συνιστωσών

Σε αυτήν τη μελέτη χρησιμοποιούμε την προσέγγιση άμεσου εντοπισμού αλλαγής με την χρήση ανάλυσης κύριας συνιστώσας (PCA) χρησιμοποιώντας δύο σύνολα εικόνων που λήφθηκαν πριν και μετά τον κυκλώνα για να παράγουμε μια κύρια σύνθετη εικόνα. Αυτό μπορεί να επιτευχθεί υπερθέτοντας δύο Ν-ζωνικές εικόνες για να παραχθεί μία 2Ν-ζωνική εικόνα ακολουθούμενη από μια ανάλυση κύριας συνιστώσας για να παραχθούν 2Ν ζώνες κύριας συνιστώσας. Ακολουθώντας την ίδια διαδικασία, δύο εικόνες Landsat TM με 6 ζώνες, εκτός της θερμικής, λαμβάνονται πριν και μετά το ξέσπασμα του κυκλώνα της 3ης Μαΐου του 1999 στην περιοχή μελέτης, υφίστανται συσσώρευση στρωμάτων εικόνας για να παράγουν μια 12-ζωνική εικόνα. Έπειτα μια ανάλυση κύριων συνιστωσών εκτελείται για να προκύψουν 12 ζώνες κυρίων συνιστωσών.

Χρησιμοποιήσαμε επίσης και έναν μη επιβλεπόμενο αλγόριθμο ταξινόμησης, συγκεκριμένα επαναληπτική ανάλυση αυτο-οργανωμένων δεδομένων (ISODATA), για να ταυτοποιήσουμε 50 συστάδες. Προσδιορίσαμε τις συστάδες που ανήκουν στις πληγείσες περιοχές, όπως μπορούμε να τις διακρίνουμε οπτικά, απεικονίζοντας μία συστάδα κάθε φορά στην οθόνη. Το ISODATA επαναλαμβάνει την συσταδοποίηση της εικόνα μέχρις ότου είτε εκτελεστεί ένας μέγιστος αριθμός επαναλήψεων είτε έχει επιτευχθεί το μέγιστο ποσοστό απαράλλακτων pixels μεταξύ δύο επαναλήψεων. Το μέγιστο ποσοστό απαράλλακτων pixels ονομάζεται κατώφλι σύγκλισης. Σε αυτήν την μελέτη, χρησιμοποιήσαμε 20 επαναλήψεις και κατώφλι σύγκλισης 0.97 στην περιοχή μελέτης. Το κατώφλι σύγκλισης 0.97 σημαίνει οι όταν το 97% ή παραπάνω από τα pixel μένουν στην ίδια συστάδα μεταξύ δύο επαναλήψεων, το πρόγραμμα σταματά.

Εκτίμηση καταστροφών με Προσέγγιση Ανίχνευσης Αλλαγής Εικόνας

Στην ανίχνευση αλλαγής εικόνας, εικόνες διαφορετικών ημερομηνιών που έχουν αναχθεί σε κοινό σύστημα συντεταγμένων αφαιρούνται, και αφού εφαρμοστεί μια τιμή κατωφλίου παράγεται μια εικόνα που δείχνει αλλαγές στην χρήση γης και στην εδαφοκάλυψη. Όπως αναφέραμε παραπάνω, οι τιμές κατωφλίου ορίζονται βάσει της τυπικής απόκλισης. Χαμηλότερη τυπική απόκλιση μπορεί να οδηγήσει σε μεγαλύτερη συμπερίληψη απαράλλακτων pixels. Ιδανικά, η επιλογή του κατάλληλου κατωφλίου πρέπει να βασίζεται στην ακρίβεια της κατηγοριοποιήσης των pixel ως μεταβληθέντων η αμετάβλητων. Οι τιμές κατωφλίου για μεταβολή/μη μεταβολή μπορούν να προσδιοριστούν από την μέση τιμή συν την τυπική απόκλιση ή διαδραστικά εκτελώντας ελεγχόμενη από τον χειριστή επεξεργασία μέσω οθόνης. Παρότι είναι μια απλή διαδικασία προσδιορίζει μόνο τις μεταβληθείσες περιοχές αντί να ταυτοποιεί τον τύπο των αλλαγών από μια κλάση σε μια άλλη. Xρησιμοποιήσαμε διαφορές εικόνων των δεδομένων ανακλαστικότητας του Landsat TM που λήφθησαν στις 26 Ιουνίου 1998 και στις 12 Μαΐου 2000. Επιλέξαμε όλες τις ζώνες διαφοράς εικόνας σας το πρώτο σετ ζωνών διαφοράς εικόνας για την ταυτοποίηση των πληγεισών περιοχών. Χρησιμοποιήσαμε επίσης και έναν μη εποπτευόμενο αλγόριθμο ταξινόμησης, ( επαναληπτική ανάλυση αυτο-οργανωμένων δεδομένων ISODATA), χρησιμοποιώντας 20 επαναλήψεις και τιμή κατωφλίου 0.97 για να προσδιορίσουμε 50 συστάδες για την εκτίμηση των πληγεισών περιοχών από τον κυκλώνα στα τρία παραπάνω σετ δεδομένων του of Landsat TM. Ακολουθώντας την ίδια διαδικασία, Προσδιορίσαμε τις συστάδες που ανήκουν σε πληγείσες περιοχές όπως αυτές ταυτοποιούνται οπτικά στις εικόνες απεικονίζοντάς διαδραστικά μία συστάδα την φορά στην οθόνη.

Πίνακας 1: Συνολική ακρίβεια, ακρίβεια παραγωγής, ακρίβεια χρήστη, και συντελεστής Κάππα, που προκύπτουν από την σύνθετη διαφορά εικόνας των αρχικών ζωνών ανακλαστικότητας 1,2,3,4,5 με μη επιβλεπόμενη ταξινόμηση (ISODATA).

Πίνακας 2: Συνολική ακρίβεια, ακρίβεια παραγωγής, ακρίβεια χρήστη, και συντελεστής Κάππα, που προκύπτουν από την σύνθετη διαφορά εικόνας των αρχικών ζωνών ανακλαστικότητας 1,2,3,4,5 με επιβλεπόμενη ταξινόμηση (μέγιστη πιθανότητα).

Εκτίμηση καταστροφών με την χρήση αντικειμενοστραφούς προσέγγισης

Ένα αντικείμενο ορίζεται ως μια ομάδα pixel που έχουν κοινές φασματικές και χωρικές ιδιότητες στην αντικειμενοστραφή προσέγγιση της ταξινόμησης εικόνων. Μια αντικειμενοστραφής προσέγγιση ταξινόμησής χρησιμοποιεί γενικά κατατμημένα αντικείμενα σε σχέση με διαφορετικά επίπεδα κλιμάκων σαν δομικές μονάδες αντί να προσδιορίζει σε κλίμακα pixel την ταξινόμηση εικόνας.

Η κατάτμηση εικόνας είναι ένας πρωταρχικός στόχος, κατά τον οποίο χωρίζουμε την εικόνα σε διαχωρισμένες ομάδες κελιών ή αντικειμένων ανάλογα με τις παραμέτρους που καθορίζονται στο πρώτο στάδιο που προηγείται της ταξινόμησης. Χρησιμοποιήσαμε το πρόγραμμα eCognition professional 4.0 για να εκτελέσουμε μια αντικειμενοστραφή προσέγγιση ταξινόμησής. Υπάρχουν τρεις παράμετροι που πρέπει να ταυτοποιηθούν στην λειτουργία κατάτμησης του eCognition, συγκεκριμένα το σχήμα (Ssh), η συμπάγεια (Scm) και η κλίμακα (Ssc). Η επιλογή Τυπικού Πλησιέστερου Γείτονα επιλέγει αυτόματα μέσες τιμές των αντικειμένων για όλες τις αρχικές ζώνες της επιλεγμένης εικόνας ενώ η επιλογή Πλησιέστερου Γείτονα απαιτεί από τον χρήστη να επιλέξει τις μεταβλητές (δηλ. σχήμα, υφή, ιεραρχία) στα χαρακτηριστικά του αντικειμένου, στα χαρακτηριστικά της κλάσης ή στα καθολικά χαρακτηριστικά.

Χρησιμοποιήσαμε την προσέγγιση πλησιέστερου γείτονα αφότου εκτελέσαμε κατάτμηση εικόνας σε στο απαιτούμενο επίπεδο κλίμακας.

Αξιολόγηση Ακρίβειας

Για την αξιολόγηση της ακρίβειας ταξινόμησης, δημιουργήθηκαν και αναλύθηκαν πίνακες σφάλματος για κάθε σύνθεση ζωνών και κάθε μέθοδο. Οι πίνακες σφάλματος δείχνουν την πιθανότητα της κλάσης στην οποία κάθε pixel πραγματικά ανήκει (στήλες) στον χάρτη, στην οποία καταχωρείται από την επιλεγμένη προσέγγιση (γραμμές). Από τον πίνακα σφάλματος προκύπτει η συνολική ακρίβεια, η ακρίβεια παραγωγής, η ακρίβεια χρήστη και ο συντελεστής Κάππα. Υποτίθεται ότι χρειάζονται κατ'ελάχιστον 50 δειγματικά σημεία για κάθε κατηγορία χρήσης γης και εδαφοκάλυψης στον πίνακα σφάλματος, ούτως ώστε να γίνει αξιολόγηση της ακρίβειας της ταξινόμησης. Χρησιμοποιήσαμε μια στρωματοποιημένη τυχαία δειγματοληπτική προσέγγιση για να επιλέξουμε 120 δειγματικά σημεία κάτι που οδηγεί σε περίπου 60 σημεία ανά κλάση. Για να είναι συνεπής και ακριβής η σύγκριση, χρησιμοποιήσαμε α ίδια δειγματικά σημεία τόσο για τον αντικειμενοστραφή ταξινομητή, όσο για την εποπτευόμενη προσέγγιση (δηλ. μέγιστη πιθανότητα) και την μη εποπτευόμενη (ISODATA). Για καλύτερη εκτίμηση, εκτελέσαμε την αξιολόγηση στους χάρτες όπως προέκυψαν από την επεξεργασία χωρίς περαιτέρω διόρθωση τους από τον χρήστη.

Συμπεράσματα

Καταλήξαμε ότι η σύνθεση PCA ζωνών 3 και 4 χρησιμοποιώντας εποπτευόμενη προσέγγιση έδωσε την υψηλότερη συνολική ακρίβεια από όλους τους παραδοσιακούς ταξινομητές με διαφορετικές σύνθετες ζώνες. Η σύνθετη διαφορά εικόνας των αρχικών ζωνών ανακλαστικότητας 1,2,3,4,5,6,7 χρησιμοποιώντας μη επιβλεπόμενη ταξινομητή και επιβλεπόμενο ταξινομητή, βρέθηκε ότι είναι η δεύτερη πιο αποτελεσματική από όλες τις προ ταξινόμησης τεχνικές ελέγχου διαφορών. Μπορεί να παρατηρηθεί στις εικόνες 19 έως 26 ότι υπάρχει αξιοσημείωτη σύγχυση υπογραφής μεταξύ άλλων αλλαγμένων περιοχών μεταξύ των δύο χρονικών περιόδων λόγω του κυκλώνα της 3ης Μαΐου 1999. Η πλειοψηφία των άλλων αλλαγμένων περιοχών που δεν είναι πληγείσες αποδείχτηκε ότι ήταν αλλαγές λόγω ενεργών και μη καλλιεργειών. Για να ελαχιστοποιήσουμε το πρόβλημα αυτό , οι δύο εικόνες πριν και μετά το γεγονός θα πρέπει να απέχουν μικρό χρονικό διάστημα, όποτε είναι αυτό δυνατόν. Για παράδειγμα, οι δύο εικόνες που λήφθησαν 10 μέρες πριν και μετά μια φυσική καταστροφή, αναμένεται να εξαλείψουν ή έστω να ελαχιστοποιήσουν την σύγχυση υπογραφών μεταξύ κατεστραμμένων και άλλων αλλαγμένων περιοχών.

Πίνακας 3: Συνολική ακρίβεια, ακρίβεια παραγωγής, ακρίβεια χρήστη, και συντελεστής Κάππα, που προκύπτουν από την σύνθετη εικόνα των PC-ζωνών 3 και 4 με αντικειμενοστραφή προσέγγιση.

Η επιτυχής χρήση του eCognition εξαρτάται από την συνεχή τροποποίηση των δειγμάτων εκπαίδευσης αλγορίθμου, την εκτέλεση της ταξινόμησης, την εξέταση του αποτελέσματος, και τον πειραματισμό με διαφορετικούς συνδυασμούς λειτουργιών με την προσέγγιση δοκιμή-και-λάθος. Η διαθεσιμότητα πολλών διαφορετικών συνδυασμών λειτουργιών, παραμέτρων, και μεταβλητών μας βοήθησαν να ταυτοποιήσουμε πληγείσες και μη περιοχές επιτυχώς. Μολοντούτο, συμπεραίνουμε ότι η αντικειμενοστραφής προσέγγιση είναι αποτελεσματική και αξιόπιστη στην ταυτοποίηση πληγεισών περιοχών λόγω που προκαλούνται από δριμέα καιρικά φαινόμενα.