Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών
Από RemoteSensing Wiki
(Νέα σελίδα με ''''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη δ...') |
|||
Γραμμή 1: | Γραμμή 1: | ||
- | ''' | + | '''Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών''' |
- | '''Πρωτότυπος τίτλος:''' '' | + | '''Πρωτότυπος τίτλος:''' ''Remotely sensed image fast classification and smart thematic map production'' |
- | '''Συγγραφείς: ''' | + | '''Συγγραφείς: ''' Emanuele Alcaras , Pier Paolo Amoroso, Claudio Parente , Giuseppina Prezioso |
- | '''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume | + | '''Δημοσιεύθηκε: ''' ''23 Δεκεμβρίου 2021 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVI-4/W5-2021, 43–50, 2021'' |
- | '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives- | + | '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVI-4-W5-2021-43-2021] |
- | '''Λέξεις-Κλειδιά: ''' | + | '''Λέξεις-Κλειδιά: ''' Thematic Map, Landsat 8 OLI, GIS, Image Classification, Smart Applications, Vegetation Index. |
'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).]] | '''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).]] | ||
- | + | Οι εφαρμογές που διατίθενται για smartphone, καθώς και το λογισμικό για συσκευές GNSS/GIS, επιτρέπουν την εύκολη χαρτογράφηση του εντοπισμού και του σχήματος μιας περιοχής με την απόκτηση των συντεταγμένων των κορυφών του περιγράμματός της. Η επιλογή αυτή είναι χρήσιμη για την ταξινόμηση μέσω τηλεπισκόπησης, υποστηρίζοντας την ανίχνευση αντιπροσωπευτικών δειγματοληπτικών περιοχών ενός γνωστού τύπου κάλυψης που θα χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων ή για τη δοκιμή των αποτελεσμάτων ταξινόμησης. | |
- | + | Η παρούσα εργασία αποσκοπεί στην ανάλυση της δυνατότητας παραγωγής έξυπνων χαρτών από την ταξινόμηση τηλεπισκοπικών εικόνων με γρήγορο τρόπο. Η προσοχή επικεντρώνεται σε διαφορετικές μεθόδους που συγκρίνονται για τον εντοπισμό γρήγορης και ακριβούς διαδικασίας για την παραγωγή ενημερωμένων και αξιόπιστων χαρτών. Οι πολυφασματικές εικόνες Landsat 8 OLI υποβάλλονται σε διάφορους αλγορίθμους ταξινόμησης για τη διάκριση του νερού, του γυμνού εδάφους και της βλάστησης. Ο χάρτης που προκύπτει εισάγεται κατάλληλα σε μια ευρύτερη βάση δεδομένων με στόχο την αναπαράσταση της κατάστασης σε ένα χωροχρονικά εξελικτικό σενάριο και είναι κατάλληλος ώστε να αποτυπωθεί οποιαδήποτε μεταβολή προκαλείται, όπως π.χ. εντοπισμός καμένων περιοχών, καθορισμός περιοχών με βλάστηση για τουριστικούς σκοπούς κ.λπ. | |
- | + | ||
- | + | '''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ''' | |
- | + | Η περιοχή μελέτης καλύπτει μια επιφάνεια 5.400 Km2 και βρίσκεται στο βόρειο τμήμα της Σικελίας (Ιταλία), όπως φαίνεται στις εικόνες (1) και (2). Η εξεταζόμενη περιοχή περιλαμβάνει πολλά από τα κύρια χαρακτηριστικά του νησιού όσον αφορά την κάλυψη γης, όπως πυκνή αλλά και διάσπαρτη βλάστηση, γυμνό έδαφος καλυμμένο με λάβα, μικρές δασώδεις εκτάσεις, καλλιεργούμενες εκτάσεις με καλή κατάσταση υγείας αλλά και σε γήρανση ,άγονες περιοχές, λίμνες νερού φυσικής και τεχνητής προέλευσης.Οι εικόνες Landsat 8 OLI περιλαμβάνουν 8 πολυφασματικές ζώνες (MS) και μία παγχρωματική ζώνη (PAN), όπως αναφέρεται στον πίνακα (1). | |
- | |||
- | |||
[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2.''' Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM]][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Sentinel-2.]] | [[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2.''' Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM]][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Sentinel-2.]] | ||
+ | '''3. ΜΕΘΟΔΟΙ''' | ||
+ | |||
+ | Ακολουθούν τα βήματα για την παραγωγή ενός έξυπνου χάρτη: | ||
+ | |||
+ | '''3.1 Μετατροπή των τιμών BV σε ανακλαστικότητα στην κορυφή της ατμόσφαιρας (TOA) και ατμοσφαιρική διόρθωση εφαρμόζοντας το μοντέλο DOS''' | ||
+ | |||
+ | '''3.2 Ταξινόμηση των εικόνων''' | ||
+ | |||
+ | •''3.2.1 Μη Επιβλεπόμενη Ταξινόμηση'' | ||
+ | |||
+ | Με εφαρμογή της μεθόδου K-means που είναι μια αριθμητική, μη εποπτευόμενη, μη ντετερμινιστική, επαναληπτική μέθοδος. | ||
+ | |||
+ | •''3.2.2 Επιβλεπόμενη Ταξινόμηση'' | ||
+ | |||
+ | Στην οποία οι περιοχές εκπαίδευσης εντοπίζονται μέσω οπτικής ανάλυσης στη σύνθεση RGB, καθώς και μέσω της συμβουλευτικής εικόνας υψηλότερης ανάλυσης που αποκτήθηκε την ίδια περίοδο με εφαρμογή των μεθόδων της ελάχιστης απόστασης MD και της μέγιστης πιθανοφάνειας ΜL. | ||
+ | |||
+ | •''3.2.3 Δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI'' | ||
+ | |||
+ | Με την εφαρμογή του NDVI (Normalized Difference Vegetation Index) παράγεται μια συνθετική εικόνα που χρειάζεται την εφαρμογή κριτηρίου ταξινόμησης για να κατηγοροποιηθούν στη συνέχεια εικονοστοιχεία νερού, γυμνού εδάφους και βλάστησης. | ||
- | |||
- | |||
[[category:Χαρτογραφία]] | [[category:Χαρτογραφία]] |
Αναθεώρηση της 08:30, 12 Φεβρουαρίου 2023
Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών
Πρωτότυπος τίτλος: Remotely sensed image fast classification and smart thematic map production
Συγγραφείς: Emanuele Alcaras , Pier Paolo Amoroso, Claudio Parente , Giuseppina Prezioso
Δημοσιεύθηκε: 23 Δεκεμβρίου 2021 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVI-4/W5-2021, 43–50, 2021
Σύνδεσμος πρωτότυπου κειμένου: [1]
Λέξεις-Κλειδιά: Thematic Map, Landsat 8 OLI, GIS, Image Classification, Smart Applications, Vegetation Index.
Οι εφαρμογές που διατίθενται για smartphone, καθώς και το λογισμικό για συσκευές GNSS/GIS, επιτρέπουν την εύκολη χαρτογράφηση του εντοπισμού και του σχήματος μιας περιοχής με την απόκτηση των συντεταγμένων των κορυφών του περιγράμματός της. Η επιλογή αυτή είναι χρήσιμη για την ταξινόμηση μέσω τηλεπισκόπησης, υποστηρίζοντας την ανίχνευση αντιπροσωπευτικών δειγματοληπτικών περιοχών ενός γνωστού τύπου κάλυψης που θα χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων ή για τη δοκιμή των αποτελεσμάτων ταξινόμησης. Η παρούσα εργασία αποσκοπεί στην ανάλυση της δυνατότητας παραγωγής έξυπνων χαρτών από την ταξινόμηση τηλεπισκοπικών εικόνων με γρήγορο τρόπο. Η προσοχή επικεντρώνεται σε διαφορετικές μεθόδους που συγκρίνονται για τον εντοπισμό γρήγορης και ακριβούς διαδικασίας για την παραγωγή ενημερωμένων και αξιόπιστων χαρτών. Οι πολυφασματικές εικόνες Landsat 8 OLI υποβάλλονται σε διάφορους αλγορίθμους ταξινόμησης για τη διάκριση του νερού, του γυμνού εδάφους και της βλάστησης. Ο χάρτης που προκύπτει εισάγεται κατάλληλα σε μια ευρύτερη βάση δεδομένων με στόχο την αναπαράσταση της κατάστασης σε ένα χωροχρονικά εξελικτικό σενάριο και είναι κατάλληλος ώστε να αποτυπωθεί οποιαδήποτε μεταβολή προκαλείται, όπως π.χ. εντοπισμός καμένων περιοχών, καθορισμός περιοχών με βλάστηση για τουριστικούς σκοπούς κ.λπ.
2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ
Η περιοχή μελέτης καλύπτει μια επιφάνεια 5.400 Km2 και βρίσκεται στο βόρειο τμήμα της Σικελίας (Ιταλία), όπως φαίνεται στις εικόνες (1) και (2). Η εξεταζόμενη περιοχή περιλαμβάνει πολλά από τα κύρια χαρακτηριστικά του νησιού όσον αφορά την κάλυψη γης, όπως πυκνή αλλά και διάσπαρτη βλάστηση, γυμνό έδαφος καλυμμένο με λάβα, μικρές δασώδεις εκτάσεις, καλλιεργούμενες εκτάσεις με καλή κατάσταση υγείας αλλά και σε γήρανση ,άγονες περιοχές, λίμνες νερού φυσικής και τεχνητής προέλευσης.Οι εικόνες Landsat 8 OLI περιλαμβάνουν 8 πολυφασματικές ζώνες (MS) και μία παγχρωματική ζώνη (PAN), όπως αναφέρεται στον πίνακα (1).
3. ΜΕΘΟΔΟΙ
Ακολουθούν τα βήματα για την παραγωγή ενός έξυπνου χάρτη:
3.1 Μετατροπή των τιμών BV σε ανακλαστικότητα στην κορυφή της ατμόσφαιρας (TOA) και ατμοσφαιρική διόρθωση εφαρμόζοντας το μοντέλο DOS
3.2 Ταξινόμηση των εικόνων
•3.2.1 Μη Επιβλεπόμενη Ταξινόμηση
Με εφαρμογή της μεθόδου K-means που είναι μια αριθμητική, μη εποπτευόμενη, μη ντετερμινιστική, επαναληπτική μέθοδος.
•3.2.2 Επιβλεπόμενη Ταξινόμηση
Στην οποία οι περιοχές εκπαίδευσης εντοπίζονται μέσω οπτικής ανάλυσης στη σύνθεση RGB, καθώς και μέσω της συμβουλευτικής εικόνας υψηλότερης ανάλυσης που αποκτήθηκε την ίδια περίοδο με εφαρμογή των μεθόδων της ελάχιστης απόστασης MD και της μέγιστης πιθανοφάνειας ΜL.
•3.2.3 Δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI
Με την εφαρμογή του NDVI (Normalized Difference Vegetation Index) παράγεται μια συνθετική εικόνα που χρειάζεται την εφαρμογή κριτηρίου ταξινόμησης για να κατηγοροποιηθούν στη συνέχεια εικονοστοιχεία νερού, γυμνού εδάφους και βλάστησης.