RemoteSensing Wiki - Συνεισφορές χρήστη [el]

ΧΡΗΣΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗΝ ΚΑΤΑΣΤΟΛΗ ΤΩΝ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ

2010-04-13T06:08:13Z

Mpstefania:

Σκοπός αυτής της μελέτης ήταν η δημιουργία με τη βοήθεια της αντικειμενοστραφούς ταξινόμησης και των ΓΣΠ, μιας ψηφιακής βάσης δεδομένων, για επιχειρησιακή χρήση σε σχέση με την συγκόμωση της βλάστησης, καθώς και τη θέση και το βαθμό διακινδύνευσης των κτηρίων.

Οι επιμέρους στόχοι είναι:

• Η αξιολόγηση ενός αριθμού δεικτών βλάστησης (Vegetation Indices) και η επιλογή αυτού που εμφανίζει την υψηλότερη συσχέτιση με τη συγκόμωση της βλάστησης.

• Η ανάπτυξη, με τη βοήθεια του επιλεγμένου δείκτη βλάστησης και δορυφορικών δεδομένων πολύ υψηλής ανάλυσης, ενός αντικειμενοστραφούς μοντέλου ταξινόμησης της βλάστησης και των κτηρίων με σκοπό την εξαγωγή χρήσιμης, από επιχειρησιακή άποψη, πληροφορίας.

• Η εκτίμηση του αμυντικού χώρου (“Defensible Space”) των κτηρίων.

Οι δείκτες βλάστησης που υπολογίζονται από τηλεσκοπικά δεδομένα χρησιμοποιούνται ευρέως για την εκτίμηση διαφόρων χαρακτηριστικών της βλάστησης, μεταξύ των οποίων και για την εκτίμηση της συγκόμωσης.

Η αντικειμενοστραφής ταξινόμηση αποτελεί ιδανική τεχνική αναγνώρισης ομοιογενών ως προς κάποιο χαρακτηριστικό επιφανειών, όπως για παράδειγμα η συγκόμωση της βλάστησης καθώς και αντικειμένων ενδιαφέροντος (π.χ. οικοδομήματα).

Η τήρηση του Αμυντικού Χώρου (Defensible Space), μερικά η ολικά, η οποία εκφράζει τον βαθμό διακινδύνευσης των κτηρίων σε σχέση με την κατάσταση της βλάστησης περιμετρικά από αυτά, αποτελεί σημαντική πληροφορία που θα πρέπει να είναι διαθέσιμη στις πυροσβεστικές δυνάμεις κατά την κατάσβεση μιας δασικής πυρκαγιάς, έτσι ώστε να λαμβάνονται τα απαραίτητα μέτρα για την προστασία τους.

[[εικόνα:ΕΙΚ1.10.jpg|center|400px|]]
'''Σχήμα 1:''' Απεικονίζονται οι περιοχές που καήκαν από τις πυρκαγιές του 1984, 1985, 1989 και 2000.

Για την πραγματοποίηση της εργασίας χρησιμοποιήθηκαν, μία πολυφασματική και η αντίστοιχη πανχρωματική εικόνα από τον δορυφορικό αισθητήρα Quickbird με χρόνο λήψης την 26 Οκτωβρίου 2004 και μέγεθος εικονοστοιχείου 2 μέτρα και 0.6 μέτρα αντίστοιχα. Τα διαστήματα του ηλεκτρομαγνητικού φάσματος από τα οποία καταγράφεται η ανάκλαση τόσο για την πολυφασματική όσο και για την πανχρωματική εικόνα φαίνονται στον παρακάτω πίνακα 1.

[[εικόνα:ΠΙΝ1.jpg|center|500px|]]
'''Πίνακας 1:''' Τμήματα καταγραφής ανάκλασης του ηλεκτρομαγνητικού φάσματος από τον δορυφόρο QuickBird.

<big>Υπολογισμός δεικτών βλάστησης</big>

Προκειμένου λοιπόν να αναπτυχθεί ένα μοντέλο αντικειμενοστραφούς ταξινόμησης θεωρήθηκε σκόπιμο πρώτα από όλα να βρεθεί ένας δείκτης βλάστησης υπολογιζόμενος από τα τηλεσκοπικά δεδομένα του QuickBird, ο οποίος να εμφανίζει την υψηλότερη, σε σχέση με άλλους δείκτες, συσχέτιση με την συγκόμωση της βλάστησης.

Οι δείκτες που επιλέχθηκαν για αξιολόγηση όπως αναφέρθηκε κατά την
ανασκόπηση της βιβλιογραφίας είναι οι:

1. WDRVI (Wide Dynamic Range Vegetation Index

2. MSAVI (Modified Soil Adjusted Vegetation Index

3. NDVI (Normalized Difference Vegetation Index)

4. SR (Simple Ratio)

5. Tasseled Cap Greeness

6. TVI (Triangular Vegetation Index)

Εκτός από τους παραπάνω δείκτες βλάστησης, σχηματίστηκε και ένας καινούριος «δείκτης» που ονομάστηκε PCNDVI (Principal Components Normalized Difference Vegetation Index). Ο δείκτης αυτός σχηματίστηκε χρησιμοποιώντας τον μαθηματικό τύπο ενός ευρέως διαδεδομένου δείκτη βλάστησης (NDVI) και τοποθετώντας σε αυτόν, αντί των καναλιών NIR και RED, τις κύριες συνιστώσες 2 και 3 αντίστοιχα, που προέκυψαν μετά από την ανάλυση σε κύριες συνιστώσες τις αρχικής πολυφασματικής εικόνας Quickbird.
Όλοι οι δείκτες βλάστησης που αναφέρθηκαν υπολογίστηκαν με τη βοήθεια του “Spatial Modeler” του λογισμικού Erdas Imagine 8.7 και το αποτέλεσμα του υπολογισμού τους απεικονίζεται στην εικόνα που ακολουθεί (σχήμα 2).

[[εικόνα:ΕΙΚ2.10.jpg|center|400px|]]
'''Σχήμα 2:''' Εικόνα των υπολογιζόμενων δεικτών βλάστησης.

Σε μία πολυφασματική δορυφορική εικόνα όπως αυτή του QuickBird τα γειτονικά, φασματικά, κανάλια καταγραφής παρουσιάζουν συχνά υψηλή συσχέτιση. Τα κανάλια του οπτικού φάσματος συσχετίζονται θετικά μεταξύ τους, ενώ το κοντινό υπέρυθρο κανάλι συσχετίζεται αρνητικά με αυτά. Αυτό συμβαίνει γιατί όσο αυξάνει η ποσότητα της βλάστησης τόσο μειώνεται η ανακλώμενη κόκκινη ακτινοβολία και παράλληλα αυξάνεται η κοντινή υπέρυθρη.

Για το λόγο αυτό εφαρμόζονται διάφορες τεχνικές, όπως η ανάλυση σε κύριες συνιστώσες, με τις οποίες από τα αρχικά συσχετιζόμενα μεταξύ τους κανάλια, προκύπτουν καινούρια ασυσχέτιστα. Τα νέα αυτά κανάλια ταξινομούνται κατά φθίνουσα σειρά, σε σχέση με το ποσοστό της διακύμανσης των δεδομένων που εξηγούν και εφόσον είναι ασυσχέτιστα μεταξύ τους κάθε ένα από αυτά μεταφέρει και μια καινούρια πληροφορία.

<big>Δημιουργία δεδομένων αναφοράς (REFERENCE DATA) σχετικά με τη συγκόμωση της βλάστησης</big>

Για την απόκτηση δεδομένων συγκόμωσης της βλάστησης τις περισσότερες φορές χρησιμοποιούνται είτε μέθοδοι καταγραφής στο πεδίο με οπτική εκτίμηση και με τη βοήθεια συσκευών εντοπισμού θέσης (GPS), είτε μέθοδοι φωτοερμηνείας. Σχετικά με τις μεθόδους φωτοερμηνείας ο Καρτέρης (1990) αναφέρει ότι ο βαθμός συγκόμωσης μπορεί να προσδιοριστεί με τέσσερις μεθόδους:

• με οπτική εκτίμηση χωρίς οδηγό ή κλίμακα πυκνότητας κόμης

• με οπτική εκτίμηση αλλά με τη βοήθεια οδηγού ή κλίμακας πυκνότητας κόμης

• με τη φανταστική μετατόπιση και σύμπτυξη των δένδρων, και

• με τη χρησιμοποίηση δικτύου στιγμών

Από τις μεθόδους αυτές αναφέρεται ότι η πλέον αντικειμενική είναι αυτή του δικτύου στιγμών, αλλά μειονεκτεί στο ότι χρειάζεται πάρα πολύ χρόνος για την εκτέλεσή της και για το λόγο αυτό δε χρησιμοποιείται συχνά.

Η παγχρωματική δορυφορική εικόνα του QuickBird έχει μέγεθος εικονοστοιχείου 0,6 μέτρα και συνεπώς οι κόμες των δένδρων είναι ορατές. Επομένως, θεωρήθηκε ότι μπορούν να χρησιμοποιηθούν επάνω σε αυτήν οι μέθοδοι φωτοερμηνείας που προαναφέρθηκαν.

'''Πηγή:''' ΤΣΑΚΑΛΙΔΗ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΘΕΣΣΑΛΟΝΙΚΗ 2007.

Διαχείριση των Δασικών Πυρκαγιών με τη χρήση των σύγχρονων τεχνολογιών: Η περίπτωση της πυρκαγιάς της 28ης Ιουνίου 2007 στο όρος Πάρνηθα

2010-04-13T06:05:48Z

Mpstefania:

Για τη χαρτογράφηση της πυρκαγιάς που κατέστρεψε το μεγαλύτερο μέρος του δρυμού της Πάρνηθας, χρησιμοποιήθηκαν δύο δορυφορικές εικόνες πριν (Landsat) και μετά (Spot) την πυρκαγιά, ενώ έγινε η επεξεργασία τους σε περιβάλλον ΓΣΠ. Επίσης χρησιμοποιήθηκε το Ψηφιακό Μοντέλο Εδάφους (Ψ.Μ.Ε.) του Νομού Αττικής το οποίο και δόθηκε από το Τμήμα Γεωγραφίας του Χαροκοπείου Πανεπιστημίου.

Αρχικά πραγματοποιήθηκε μια επεξεργασία των δορυφορικών εικόνων προκειμένου να φτάσουν στην επιθυμητή μορφή. Η πρώτη δορυφορική εικόνα με ημερομηνία 6/8/99 αποτελεί εικόνα του δορυφόρου Landsat 7 (ΕΤΜ+), ενώ για τη χρησιμοποίησή της για τη χαρτογράφηση επιλέχθηκαν τα κανάλια 4, 3 και 2 (RGB), επειδή σε αυτά είναι πιο ευδιάκριτα τα χαρακτηριστικά της βλάστησης, λόγω της μεγαλύτερης ανάκλασης που παρουσιάζει στο κοντινό υπέρυθρο τμήμα (κανάλι 4) του ηλεκτρομαγνητικού φάσματος (η βλάστηση εμφανίζεται με κόκκινο χρώμα ενώ οι καμένες εκτάσεις παρουσιάζονται με μια απόχρωση του γκρι). Η παραπάνω διαδικασία πραγματοποιήθηκε μέσω του προγράμματος Arcgis 9x της ESRI και φαίνεται στο σχήμα 1, όπου με κόκκινη γραμμή εμφανίζεται η ακτογραμμή του νομού Αττικής. Η δεύτερη εικόνα αποτελεί ψευδέχρωμη εικόνα που προέρχεται από το δορυφόρο Spot (σχήμα 2).

[[εικόνα:ΕΙΚ1.5.jpg|center|300px|]]
'''Σχήμα 1:''' Ψευδέχρωμη εικόνα του δορυφόρου Landsat στις 6/8/99.

[[εικόνα:ΕΙΚ2.5.jpg|center|300px|]]
'''Σχήμα 2:''' Γεωαναφορά της δορυφορικής εικόνας του δορυφόρου Spot στις 2/7/2007.

Αρχικά έγινε εισαγωγή των εικόνων στο πρόγραμμα Arcview 3.2 της εταιρίας ESRI και πραγματοποιήθηκε η χαρτογράφηση της πυρκαγιάς μέσω της επέκτασης Image Analysis. Ακολούθησε η διαδικασία εύρεσης της καμένης έκτασης, η οποία ήταν περίπου 56 χιλιάδες στρέμματα. Πρόκειται ουσιαστικά για την εφαρμογή της εντολής εύρεσης εμβαδού του συγκεκριμένου πολυγώνου.

Έπειτα υπολογίστηκε ο δείκτης βλάστησης στις δύο δορυφορικές εικόνες (πριν και μετά την πυρκαγιά) μέσω της επέκτασης Image Analysis του προγράμματος Arcview της εταιρίας ESRI . Για να βρεθούν οι περιοχές βλάστησης μιας εικόνας, το Image Analysis χρησιμοποιεί το Normalized Difference Vegetation Index (NDVI). O NDVI ανάλογα με τα δεδομένα που χρησιμοποιεί επιλέγει εξ ορισμού το εγγύς υπέρυθρο, όπου για παράδειγμα για τα δεδομένα του AVHHR είναι το κανάλι 2 και το ορατό κόκκινο όπου για τα ιδίου τύπου δεδομένα είναι το κανάλι 1. Κατά αυτόν τον τρόπο στο εγγύς υπέρυθρο δίνεται η αντίθεση μεταξύ βλάστησης και νερού και στο ορατό κόκκινο εμφανίζεται η βλάστηση σκουρότερη από τις ανθρώπινες κατασκευές. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα των δορυφόρων Landsat και Spot, όπου για το εγγύς υπέρυθρο επιλέχθηκε το κανάλι 1 και για το ορατό κόκκινο το κανάλι 2.

[[εικόνα:ΕΙΚ4.5.jpg|center|400px|]]
'''Σχήμα 3:''' Χαρτογράφηση Καμένων Εκτάσεων (Noaa/Avhrr).

[[εικόνα:ΕΙΚ5.5.jpg|center|400px|]]
'''Σχήμα 4:''' Χαρτογράφηση Καμένων Εκτάσεων (Landsat Tm).

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για την χαρτογράφηση της καύσιμης ύλης καθώς και των καμένων εκτάσεων, επίσης για την καταγραφή των ζημιών που προκλήθηκαν από μια δασική πυρκαγιά, όπως αυτές απεικονίζονται με τη χρήση δορυφόρων και τέλος για τη χαρτογράφηση του τύπου και της σοβαρότητας των δασικών πυρκαγιών.

Μια από τις σημαντικές εφαρμογές των σύγχρονων τεχνολογιών αποτελούν τα μοντέλα καύσιμης ύλης τα οποία μπορούν να χρησιμοποιηθούν στην εκτίμηση συμπεριφοράς πυρκαγιών είτε σε εφαρμογές που αφορούν προληπτικό σχεδιασμό είτε σε πραγματικές επιχειρήσεις καταστολής αυτών, λαμβάνοντας υπόψη την τοπογραφία και τις μετεωρολογικές συνθήκες.

'''Πηγή:''' Χρονοπούλου Γ., Χαροκόπειο Πανεπιστήμιο Αθήνα, Τμήμα Γεωγραφίας, 2007.

Η ΑΝΑΠΤΥΞΗ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΜΟΝΤΕΛΟΥ ΓΙΑ ΤΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΜΕΝΩΝ ΕΚΤΑΣΕΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ASTER

2010-03-11T17:04:41Z

Mpstefania:

Ο μεγάλος αριθμός των δασικών πυρκαγιών, που εμφανίζονται κάθε χρόνο, γεγονός το οποίο μεταφράζεται σε εκατοντάδες εκτάρια καμένης έκτασης στη Μεσόγειο, αποτελεί τη μεγαλύτερη απειλή για τα φυσικά οικοσυστήματα.

Ο σκοπός της εργασίας αυτής ήταν η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων, στην Πορτογαλία και Ισπανία, με τη χρήση δορυφορικών εικόνων ASTER.

Τα δεδομένα της τηλεπισκόπησης έχουν χρησιμοποιηθεί εκτεταμένα τα τελευταία χρόνια για την ανίχνευση και χαρτογράφηση καμένων εκτάσεων (Chuvieco and Congalton 1988; Siljeström and Moreno 1995; Koutsias et al. 2000; Roy and Lewis 2002; Mitri and Gitas 2004), ενώ η διάθεση σήμερα καινούργιων υψηλής χωρικής και φασματικής ευκρίνειας δορυφορικών εικόνων, όπως οι εικόνες ASTER, εκτιμάται ότι θα συμβάλει στην καλύτερη αποτύπωση των καμένων εκτάσεων.

Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή την εργασία ήταν:

<big>'''•'''</big> Μια εικόνα ASTER (L1A), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Πορτογαλία με ημερομηνία λήψης το καλοκαίρι του 2003.

<big>'''•'''</big> Μια εικόνα ASTER (L1B), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Ισπανία με ημερομηνία λήψης το καλοκαίρι του
2003.

<big>'''•'''</big> Οι χάρτες με τις περιμέτρους των πυρκαγιών, οι οποίοι παράχθηκαν από την Πορτογαλική και την Ισπανική Δασική υπηρεσία, αντίστοιχα.

Ο ASTER καταγράφει τη φασματική πληροφορία σε 14 διαύλους από το ορατό μέχρι το θερμικό υπέρυθρο, με υψηλή χωρική, φασματική και ραδιομετρική ανάλυση: τρεις δίαυλοι στο ορατό-κοντινό υπέρυθρο (VNIR), έξι δίαυλοι στο μέσο υπέρυθρο (SWIR) και τέσσερις δίαυλοι στο θερμικό υπέρυθρο (TIR). Επιπλέον, υπάρχει η δυνατότητα συλλογής στερεοεικόνων και η δημιουργία ψηφιακών μοντέλων εδάφους (DEM).

Η επεξεργασία των δορυφορικών δεδομένων είναι ουσιαστικά η διόρθωση λαθών και η αφαίρεση ελαττωμάτων που τυχόν υπάρχουν στις εικόνες. Η δορυφορική εικόνα ASTER διορθώθηκε ατμοσφαιρικά (Spatially-Adaptive Fast Atmospheric Correction Algorithm.

[[εικόνα:EIK1.2.jpg|center|500px|]]
'''Σχήμα 1:''' Characteristics of the three ASTER Sensor Systems (Table on top) and Comparison of Spectral Band between ASTER and Landsat-Thematic Mapper.

[[εικόνα:EIK2.2.jpg|center|600px|]]
'''Σχήμα 2:''' Flowchart of the preprocessing of the ASTER image.

Σήμερα έχουν αναπτυχθεί προηγμένες μέθοδοι ταξινόμησης δορυφορικών εικόνων, όπως η αντικειμενοστραφής μέθοδος ανάλυσης εικόνων, η οποία έχει εφαρμοστεί με επιτυχία για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση δορυφορικών εικόνων LANDSAT και NOAA-AVHRR (Gitas et al. 2004; Mitri and Gitas 2004). Σε αντίθεση με τις παραδοσιακές μεθόδους ταξινόμησης δορυφορικών εικόνων, όπου η μονάδα ταξινόμησης είναι το εικονοστοιχείο, στην αντικειμενοστραφή μέθοδο ως μονάδα ταξινόμησης θεωρείται το αντικείμενο (object). Τα πλεονεκτήματα της αντικειμενοστραφούς ανάλυσης είναι, οι σημαντικές στατιστικές αναλύσεις και η ανάλυση της δομής της εικόνας, η δημιουργία ενός σημαντικά ασυσχέτιστου φασματικού χώρου (feature space) με τη χρήση χαρακτηριστικών σχήματος των αντικειμένων (π.χ. μήκος, αριθμός γωνιών των αντικειμένων) και τη χρήση τοπολογικών χαρακτηριστικών (π.χ. η σχέση των αντικειμένων με τα γειτονικά αντικείμενα).

Η μεθοδολογία που ακολουθήθηκε στην εργασία αυτή συμπεριέλαβε την ανάπτυξη δυο αντικειμενοστραφών μοντέλων με τη χρήση μιας δορυφορικής εικόνας ASTER. Το πρώτο μοντέλο που αναπτύχθηκε βασίστηκε στην ατμοσφαιρικά διορθωμένη εικόνα ASTER, ενώ το δεύτερο μοντέλο βασίστηκε στην ίδια μη ατμοσφαιρικά διορθωμένη εικόνα ASTER. Οι ακρίβειες των ταξινομήσεων των καμένων περιοχών που προέκυψαν από τα δυο μοντέλα υπολογίστηκαν χρησιμοποιώντας ως σημεία αναφοράς την περίμετρο που παραχωρήθηκε από τη Δασική Υπηρεσία της Πορτογαλίας και συγκρίθηκαν μεταξύ τους.
Οι βασικές διαδικασίες για την ανάπτυξη αντικειμενοστραφούς μοντέλου είναι η κατάτμηση και η ταξινόμηση.

Εκτός από τους εννέα διαύλους της δορυφορικής εικόνας ASTER, χρησιμοποιήθηκε και η πληροφορία από τον δείκτη βλάστησης NDVI για την ανάπτυξη του αντικειμενοστραφούς μοντέλου, με σκοπό τον καλύτερο διαχωρισμό των καμένων από τις μη καμένες περιοχές.

Ο συνδυασμός της αντικειμενοστραφής μεθόδου ταξινόμησης με τα δορυφορικά δεδομένα ASTER έχει σαν αποτέλεσμα, την επιτυχημένη και ακριβή χαρτογράφηση καμένων εκτάσεων. Συγκεκριμένα, η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.38% συνολική ακρίβεια). Η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας μη ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.88% συνολική ακρίβεια).

Η σύγκριση και η αξιολόγηση των αποτελεσμάτων της χαρτογράφησης που προέκυψαν από τα δυο μοντέλα που αναπτύχθηκαν, οδήγησε στο συμπέρασμα ότι το μοντέλο που αναπτύχθηκε με βάση τη μη-ατμοσφαιρικά διορθωμένη εικόνα παρουσίασε μεγαλύτερη συνολική ακρίβεια χαρτογράφησης, καθώς επίσης προέκυψε ότι η διαδικασία της ατμοσφαιρικής διόρθωσης της εικόνας ASTER δεν είναι αναγκαία όταν χρησιμοποιείται η αντικειμενοστραφής μέθοδος ταξινόμησης.

'''Πηγή:''' ΠΟΛΥΧΡΟΝΑΚΗ Α., ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ, ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΘΕΣΣΑΛΟΝΙΚΗ 2007

Η ΑΝΑΠΤΥΞΗ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΜΟΝΤΕΛΟΥ ΓΙΑ ΤΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΜΕΝΩΝ ΕΚΤΑΣΕΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ASTER

2010-03-11T17:04:07Z

Mpstefania:

Ο μεγάλος αριθμός των δασικών πυρκαγιών, που εμφανίζονται κάθε χρόνο, γεγονός το οποίο μεταφράζεται σε εκατοντάδες εκτάρια καμένης έκτασης στη Μεσόγειο, αποτελεί τη μεγαλύτερη απειλή για τα φυσικά οικοσυστήματα.

Ο σκοπός της εργασίας αυτής ήταν η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων, στην Πορτογαλία και Ισπανία, με τη χρήση δορυφορικών εικόνων ASTER.

Τα δεδομένα της τηλεπισκόπησης έχουν χρησιμοποιηθεί εκτεταμένα τα τελευταία χρόνια για την ανίχνευση και χαρτογράφηση καμένων εκτάσεων (Chuvieco and Congalton 1988; Siljeström and Moreno 1995; Koutsias et al. 2000; Roy and Lewis 2002; Mitri and Gitas 2004), ενώ η διάθεση σήμερα καινούργιων υψηλής χωρικής και φασματικής ευκρίνειας δορυφορικών εικόνων, όπως οι εικόνες ASTER, εκτιμάται ότι θα συμβάλει στην καλύτερη αποτύπωση των καμένων εκτάσεων.

Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή την εργασία ήταν:

<big>'''•'''</big> Μια εικόνα ASTER (L1A), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Πορτογαλία με ημερομηνία λήψης το καλοκαίρι του 2003.

<big>'''•'''</big> Μια εικόνα ASTER (L1B), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Ισπανία με ημερομηνία λήψης το καλοκαίρι του
2003.

<big>'''•'''</big> Οι χάρτες με τις περιμέτρους των πυρκαγιών, οι οποίοι παράχθηκαν από την Πορτογαλική και την Ισπανική Δασική υπηρεσία, αντίστοιχα.

Ο ASTER καταγράφει τη φασματική πληροφορία σε 14 διαύλους από το ορατό μέχρι το θερμικό υπέρυθρο, με υψηλή χωρική, φασματική και ραδιομετρική ανάλυση: τρεις δίαυλοι στο ορατό-κοντινό υπέρυθρο (VNIR), έξι δίαυλοι στο μέσο υπέρυθρο (SWIR) και τέσσερις δίαυλοι στο θερμικό υπέρυθρο (TIR). Επιπλέον, υπάρχει η δυνατότητα συλλογής στερεοεικόνων και η δημιουργία ψηφιακών μοντέλων εδάφους (DEM).

Η επεξεργασία των δορυφορικών δεδομένων είναι ουσιαστικά η διόρθωση λαθών και η αφαίρεση ελαττωμάτων που τυχόν υπάρχουν στις εικόνες. Η δορυφορική εικόνα ASTER διορθώθηκε ατμοσφαιρικά (Spatially-Adaptive Fast Atmospheric Correction Algorithm.

[[εικόνα:EIK1.2.jpg|center|500px|]]
'''Σχήμα 1:''' Characteristics of the three ASTER Sensor Systems (Table on top) and Comparison of Spectral Band between ASTER and Landsat-Thematic Mapper.

[[εικόνα:EIK2.2.jpg|center|500px|]]
'''Σχήμα 2:''' Flowchart of the preprocessing of the ASTER image.

Σήμερα έχουν αναπτυχθεί προηγμένες μέθοδοι ταξινόμησης δορυφορικών εικόνων, όπως η αντικειμενοστραφής μέθοδος ανάλυσης εικόνων, η οποία έχει εφαρμοστεί με επιτυχία για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση δορυφορικών εικόνων LANDSAT και NOAA-AVHRR (Gitas et al. 2004; Mitri and Gitas 2004). Σε αντίθεση με τις παραδοσιακές μεθόδους ταξινόμησης δορυφορικών εικόνων, όπου η μονάδα ταξινόμησης είναι το εικονοστοιχείο, στην αντικειμενοστραφή μέθοδο ως μονάδα ταξινόμησης θεωρείται το αντικείμενο (object). Τα πλεονεκτήματα της αντικειμενοστραφούς ανάλυσης είναι, οι σημαντικές στατιστικές αναλύσεις και η ανάλυση της δομής της εικόνας, η δημιουργία ενός σημαντικά ασυσχέτιστου φασματικού χώρου (feature space) με τη χρήση χαρακτηριστικών σχήματος των αντικειμένων (π.χ. μήκος, αριθμός γωνιών των αντικειμένων) και τη χρήση τοπολογικών χαρακτηριστικών (π.χ. η σχέση των αντικειμένων με τα γειτονικά αντικείμενα).

Η μεθοδολογία που ακολουθήθηκε στην εργασία αυτή συμπεριέλαβε την ανάπτυξη δυο αντικειμενοστραφών μοντέλων με τη χρήση μιας δορυφορικής εικόνας ASTER. Το πρώτο μοντέλο που αναπτύχθηκε βασίστηκε στην ατμοσφαιρικά διορθωμένη εικόνα ASTER, ενώ το δεύτερο μοντέλο βασίστηκε στην ίδια μη ατμοσφαιρικά διορθωμένη εικόνα ASTER. Οι ακρίβειες των ταξινομήσεων των καμένων περιοχών που προέκυψαν από τα δυο μοντέλα υπολογίστηκαν χρησιμοποιώντας ως σημεία αναφοράς την περίμετρο που παραχωρήθηκε από τη Δασική Υπηρεσία της Πορτογαλίας και συγκρίθηκαν μεταξύ τους.
Οι βασικές διαδικασίες για την ανάπτυξη αντικειμενοστραφούς μοντέλου είναι η κατάτμηση και η ταξινόμηση.

Εκτός από τους εννέα διαύλους της δορυφορικής εικόνας ASTER, χρησιμοποιήθηκε και η πληροφορία από τον δείκτη βλάστησης NDVI για την ανάπτυξη του αντικειμενοστραφούς μοντέλου, με σκοπό τον καλύτερο διαχωρισμό των καμένων από τις μη καμένες περιοχές.

Ο συνδυασμός της αντικειμενοστραφής μεθόδου ταξινόμησης με τα δορυφορικά δεδομένα ASTER έχει σαν αποτέλεσμα, την επιτυχημένη και ακριβή χαρτογράφηση καμένων εκτάσεων. Συγκεκριμένα, η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.38% συνολική ακρίβεια). Η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας μη ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.88% συνολική ακρίβεια).

Η σύγκριση και η αξιολόγηση των αποτελεσμάτων της χαρτογράφησης που προέκυψαν από τα δυο μοντέλα που αναπτύχθηκαν, οδήγησε στο συμπέρασμα ότι το μοντέλο που αναπτύχθηκε με βάση τη μη-ατμοσφαιρικά διορθωμένη εικόνα παρουσίασε μεγαλύτερη συνολική ακρίβεια χαρτογράφησης, καθώς επίσης προέκυψε ότι η διαδικασία της ατμοσφαιρικής διόρθωσης της εικόνας ASTER δεν είναι αναγκαία όταν χρησιμοποιείται η αντικειμενοστραφής μέθοδος ταξινόμησης.

'''Πηγή:''' ΠΟΛΥΧΡΟΝΑΚΗ Α., ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ, ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΘΕΣΣΑΛΟΝΙΚΗ 2007

Η ΑΝΑΠΤΥΞΗ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΜΟΝΤΕΛΟΥ ΓΙΑ ΤΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΜΕΝΩΝ ΕΚΤΑΣΕΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ASTER

2010-03-11T17:03:27Z

Mpstefania:

Ο μεγάλος αριθμός των δασικών πυρκαγιών, που εμφανίζονται κάθε χρόνο, γεγονός το οποίο μεταφράζεται σε εκατοντάδες εκτάρια καμένης έκτασης στη Μεσόγειο, αποτελεί τη μεγαλύτερη απειλή για τα φυσικά οικοσυστήματα.

Ο σκοπός της εργασίας αυτής ήταν η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων, στην Πορτογαλία και Ισπανία, με τη χρήση δορυφορικών εικόνων ASTER.

Τα δεδομένα της τηλεπισκόπησης έχουν χρησιμοποιηθεί εκτεταμένα τα τελευταία χρόνια για την ανίχνευση και χαρτογράφηση καμένων εκτάσεων (Chuvieco and Congalton 1988; Siljeström and Moreno 1995; Koutsias et al. 2000; Roy and Lewis 2002; Mitri and Gitas 2004), ενώ η διάθεση σήμερα καινούργιων υψηλής χωρικής και φασματικής ευκρίνειας δορυφορικών εικόνων, όπως οι εικόνες ASTER, εκτιμάται ότι θα συμβάλει στην καλύτερη αποτύπωση των καμένων εκτάσεων.

Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή την εργασία ήταν:

<big>'''•'''</big> Μια εικόνα ASTER (L1A), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Πορτογαλία με ημερομηνία λήψης το καλοκαίρι του 2003.

<big>'''•'''</big> Μια εικόνα ASTER (L1B), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Ισπανία με ημερομηνία λήψης το καλοκαίρι του
2003.

<big>'''•'''</big> Οι χάρτες με τις περιμέτρους των πυρκαγιών, οι οποίοι παράχθηκαν από την Πορτογαλική και την Ισπανική Δασική υπηρεσία, αντίστοιχα.

Ο ASTER καταγράφει τη φασματική πληροφορία σε 14 διαύλους από το ορατό μέχρι το θερμικό υπέρυθρο, με υψηλή χωρική, φασματική και ραδιομετρική ανάλυση: τρεις δίαυλοι στο ορατό-κοντινό υπέρυθρο (VNIR), έξι δίαυλοι στο μέσο υπέρυθρο (SWIR) και τέσσερις δίαυλοι στο θερμικό υπέρυθρο (TIR). Επιπλέον, υπάρχει η δυνατότητα συλλογής στερεοεικόνων και η δημιουργία ψηφιακών μοντέλων εδάφους (DEM).

Η επεξεργασία των δορυφορικών δεδομένων είναι ουσιαστικά η διόρθωση λαθών και η αφαίρεση ελαττωμάτων που τυχόν υπάρχουν στις εικόνες. Η δορυφορική εικόνα ASTER διορθώθηκε ατμοσφαιρικά (Spatially-Adaptive Fast Atmospheric Correction Algorithm.

[[εικόνα:EIK1.2.jpg|center|500px|]]
'''Σχήμα 1:''' Characteristics of the three ASTER Sensor Systems (Table on top) and Comparison of Spectral Band between ASTER and Landsat-Thematic Mapper.

[[εικόνα:EIK2.2.jpg|center|500px|]]
'''Σχήμα 2:''' Flowchart of the preprocessing of the ASTER image.

Σήμερα έχουν αναπτυχθεί προηγμένες μέθοδοι ταξινόμησης δορυφορικών εικόνων, όπως η αντικειμενοστραφής μέθοδος ανάλυσης εικόνων, η οποία έχει εφαρμοστεί με επιτυχία για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση δορυφορικών εικόνων LANDSAT και NOAA-AVHRR (Gitas et al. 2004; Mitri and Gitas 2004). Σε αντίθεση με τις παραδοσιακές μεθόδους ταξινόμησης δορυφορικών εικόνων, όπου η μονάδα ταξινόμησης είναι το εικονοστοιχείο, στην αντικειμενοστραφή μέθοδο ως μονάδα ταξινόμησης θεωρείται το αντικείμενο (object). Τα πλεονεκτήματα της αντικειμενοστραφούς ανάλυσης είναι, οι σημαντικές στατιστικές αναλύσεις και η ανάλυση της δομής της εικόνας, η δημιουργία ενός σημαντικά ασυσχέτιστου φασματικού χώρου (feature space) με τη χρήση χαρακτηριστικών σχήματος των αντικειμένων (π.χ. μήκος, αριθμός γωνιών των αντικειμένων) και τη χρήση τοπολογικών χαρακτηριστικών (π.χ. η σχέση των αντικειμένων με τα γειτονικά αντικείμενα).

Η μεθοδολογία που ακολουθήθηκε στην εργασία αυτή συμπεριέλαβε την ανάπτυξη δυο αντικειμενοστραφών μοντέλων με τη χρήση μιας δορυφορικής εικόνας ASTER. Το πρώτο μοντέλο που αναπτύχθηκε βασίστηκε στην ατμοσφαιρικά διορθωμένη εικόνα ASTER, ενώ το δεύτερο μοντέλο βασίστηκε στην ίδια μη ατμοσφαιρικά διορθωμένη εικόνα ASTER. Οι ακρίβειες των ταξινομήσεων των καμένων περιοχών που προέκυψαν από τα δυο μοντέλα υπολογίστηκαν χρησιμοποιώντας ως σημεία αναφοράς την περίμετρο που παραχωρήθηκε από τη Δασική Υπηρεσία της Πορτογαλίας και συγκρίθηκαν μεταξύ τους.
Οι βασικές διαδικασίες για την ανάπτυξη αντικειμενοστραφούς μοντέλου είναι η κατάτμηση και η ταξινόμηση.

Εκτός από τους εννέα διαύλους της δορυφορικής εικόνας ASTER, χρησιμοποιήθηκε και η πληροφορία από τον δείκτη βλάστησης NDVI για την ανάπτυξη του αντικειμενοστραφούς μοντέλου, με σκοπό τον καλύτερο διαχωρισμό των καμένων από τις μη καμένες περιοχές.

Ο συνδυασμός της αντικειμενοστραφής μεθόδου ταξινόμησης με τα δορυφορικά δεδομένα ASTER έχει σαν αποτέλεσμα, την επιτυχημένη και ακριβή χαρτογράφηση καμένων εκτάσεων. Συγκεκριμένα, η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.38% συνολική ακρίβεια). Η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας μη ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.88% συνολική ακρίβεια).

Η σύγκριση και η αξιολόγηση των αποτελεσμάτων της χαρτογράφησης που προέκυψαν από τα δυο μοντέλα που αναπτύχθηκαν, οδήγησε στο συμπέρασμα ότι το μοντέλο που αναπτύχθηκε με βάση τη μη-ατμοσφαιρικά διορθωμένη εικόνα παρουσίασε μεγαλύτερη συνολική ακρίβεια χαρτογράφησης, καθώς επίσης προέκυψε ότι η διαδικασία της ατμοσφαιρικής διόρθωσης της εικόνας ASTER δεν είναι αναγκαία όταν χρησιμοποιείται η αντικειμενοστραφής μέθοδος ταξινόμησης.

'''Πηγή:''' ΠΟΛΥΧΡΟΝΑΚΗ Α., ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ, ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΘΕΣΣΑΛΟΝΙΚΗ 2007

Αρχείο:EIK2.2.jpg

2010-03-11T17:02:36Z

Mpstefania:

Η ΑΝΑΠΤΥΞΗ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΜΟΝΤΕΛΟΥ ΓΙΑ ΤΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΜΕΝΩΝ ΕΚΤΑΣΕΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ASTER

2010-03-11T17:02:04Z

Mpstefania:

Ο μεγάλος αριθμός των δασικών πυρκαγιών, που εμφανίζονται κάθε χρόνο, γεγονός το οποίο μεταφράζεται σε εκατοντάδες εκτάρια καμένης έκτασης στη Μεσόγειο, αποτελεί τη μεγαλύτερη απειλή για τα φυσικά οικοσυστήματα.

Ο σκοπός της εργασίας αυτής ήταν η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων, στην Πορτογαλία και Ισπανία, με τη χρήση δορυφορικών εικόνων ASTER.

Τα δεδομένα της τηλεπισκόπησης έχουν χρησιμοποιηθεί εκτεταμένα τα τελευταία χρόνια για την ανίχνευση και χαρτογράφηση καμένων εκτάσεων (Chuvieco and Congalton 1988; Siljeström and Moreno 1995; Koutsias et al. 2000; Roy and Lewis 2002; Mitri and Gitas 2004), ενώ η διάθεση σήμερα καινούργιων υψηλής χωρικής και φασματικής ευκρίνειας δορυφορικών εικόνων, όπως οι εικόνες ASTER, εκτιμάται ότι θα συμβάλει στην καλύτερη αποτύπωση των καμένων εκτάσεων.

Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή την εργασία ήταν:

<big>'''•'''</big> Μια εικόνα ASTER (L1A), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Πορτογαλία με ημερομηνία λήψης το καλοκαίρι του 2003.

<big>'''•'''</big> Μια εικόνα ASTER (L1B), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Ισπανία με ημερομηνία λήψης το καλοκαίρι του
2003.

<big>'''•'''</big> Οι χάρτες με τις περιμέτρους των πυρκαγιών, οι οποίοι παράχθηκαν από την Πορτογαλική και την Ισπανική Δασική υπηρεσία, αντίστοιχα.

Ο ASTER καταγράφει τη φασματική πληροφορία σε 14 διαύλους από το ορατό μέχρι το θερμικό υπέρυθρο, με υψηλή χωρική, φασματική και ραδιομετρική ανάλυση: τρεις δίαυλοι στο ορατό-κοντινό υπέρυθρο (VNIR), έξι δίαυλοι στο μέσο υπέρυθρο (SWIR) και τέσσερις δίαυλοι στο θερμικό υπέρυθρο (TIR). Επιπλέον, υπάρχει η δυνατότητα συλλογής στερεοεικόνων και η δημιουργία ψηφιακών μοντέλων εδάφους (DEM).

Η επεξεργασία των δορυφορικών δεδομένων είναι ουσιαστικά η διόρθωση λαθών και η αφαίρεση ελαττωμάτων που τυχόν υπάρχουν στις εικόνες. Η δορυφορική εικόνα ASTER διορθώθηκε ατμοσφαιρικά (Spatially-Adaptive Fast Atmospheric Correction Algorithm.

[[εικόνα:EIK1.2.jpg|center|500px|]]
'''Σχήμα 1:''' Characteristics of the three ASTER Sensor Systems (Table on top) and Comparison of Spectral Band between ASTER and Landsat-Thematic Mapper.

[[εικόνα:EIK2.2.jpg|center|500px|]]
'''Σχήμα 2:'''

Σήμερα έχουν αναπτυχθεί προηγμένες μέθοδοι ταξινόμησης δορυφορικών εικόνων, όπως η αντικειμενοστραφής μέθοδος ανάλυσης εικόνων, η οποία έχει εφαρμοστεί με επιτυχία για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση δορυφορικών εικόνων LANDSAT και NOAA-AVHRR (Gitas et al. 2004; Mitri and Gitas 2004). Σε αντίθεση με τις παραδοσιακές μεθόδους ταξινόμησης δορυφορικών εικόνων, όπου η μονάδα ταξινόμησης είναι το εικονοστοιχείο, στην αντικειμενοστραφή μέθοδο ως μονάδα ταξινόμησης θεωρείται το αντικείμενο (object). Τα πλεονεκτήματα της αντικειμενοστραφούς ανάλυσης είναι, οι σημαντικές στατιστικές αναλύσεις και η ανάλυση της δομής της εικόνας, η δημιουργία ενός σημαντικά ασυσχέτιστου φασματικού χώρου (feature space) με τη χρήση χαρακτηριστικών σχήματος των αντικειμένων (π.χ. μήκος, αριθμός γωνιών των αντικειμένων) και τη χρήση τοπολογικών χαρακτηριστικών (π.χ. η σχέση των αντικειμένων με τα γειτονικά αντικείμενα).

Η μεθοδολογία που ακολουθήθηκε στην εργασία αυτή συμπεριέλαβε την ανάπτυξη δυο αντικειμενοστραφών μοντέλων με τη χρήση μιας δορυφορικής εικόνας ASTER. Το πρώτο μοντέλο που αναπτύχθηκε βασίστηκε στην ατμοσφαιρικά διορθωμένη εικόνα ASTER, ενώ το δεύτερο μοντέλο βασίστηκε στην ίδια μη ατμοσφαιρικά διορθωμένη εικόνα ASTER. Οι ακρίβειες των ταξινομήσεων των καμένων περιοχών που προέκυψαν από τα δυο μοντέλα υπολογίστηκαν χρησιμοποιώντας ως σημεία αναφοράς την περίμετρο που παραχωρήθηκε από τη Δασική Υπηρεσία της Πορτογαλίας και συγκρίθηκαν μεταξύ τους.
Οι βασικές διαδικασίες για την ανάπτυξη αντικειμενοστραφούς μοντέλου είναι η κατάτμηση και η ταξινόμηση.

Εκτός από τους εννέα διαύλους της δορυφορικής εικόνας ASTER, χρησιμοποιήθηκε και η πληροφορία από τον δείκτη βλάστησης NDVI για την ανάπτυξη του αντικειμενοστραφούς μοντέλου, με σκοπό τον καλύτερο διαχωρισμό των καμένων από τις μη καμένες περιοχές.

Ο συνδυασμός της αντικειμενοστραφής μεθόδου ταξινόμησης με τα δορυφορικά δεδομένα ASTER έχει σαν αποτέλεσμα, την επιτυχημένη και ακριβή χαρτογράφηση καμένων εκτάσεων. Συγκεκριμένα, η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.38% συνολική ακρίβεια). Η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας μη ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.88% συνολική ακρίβεια).

Η σύγκριση και η αξιολόγηση των αποτελεσμάτων της χαρτογράφησης που προέκυψαν από τα δυο μοντέλα που αναπτύχθηκαν, οδήγησε στο συμπέρασμα ότι το μοντέλο που αναπτύχθηκε με βάση τη μη-ατμοσφαιρικά διορθωμένη εικόνα παρουσίασε μεγαλύτερη συνολική ακρίβεια χαρτογράφησης, καθώς επίσης προέκυψε ότι η διαδικασία της ατμοσφαιρικής διόρθωσης της εικόνας ASTER δεν είναι αναγκαία όταν χρησιμοποιείται η αντικειμενοστραφής μέθοδος ταξινόμησης.

'''Πηγή:''' ΠΟΛΥΧΡΟΝΑΚΗ Α., ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ, ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΘΕΣΣΑΛΟΝΙΚΗ 2007

Αρχείο:EIK1.2.jpg

2010-03-11T17:01:02Z

Mpstefania:

Η ΑΝΑΠΤΥΞΗ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΜΟΝΤΕΛΟΥ ΓΙΑ ΤΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΜΕΝΩΝ ΕΚΤΑΣΕΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ASTER

2010-03-11T17:00:49Z

Mpstefania:

Ο μεγάλος αριθμός των δασικών πυρκαγιών, που εμφανίζονται κάθε χρόνο, γεγονός το οποίο μεταφράζεται σε εκατοντάδες εκτάρια καμένης έκτασης στη Μεσόγειο, αποτελεί τη μεγαλύτερη απειλή για τα φυσικά οικοσυστήματα.

Ο σκοπός της εργασίας αυτής ήταν η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων, στην Πορτογαλία και Ισπανία, με τη χρήση δορυφορικών εικόνων ASTER.

Τα δεδομένα της τηλεπισκόπησης έχουν χρησιμοποιηθεί εκτεταμένα τα τελευταία χρόνια για την ανίχνευση και χαρτογράφηση καμένων εκτάσεων (Chuvieco and Congalton 1988; Siljeström and Moreno 1995; Koutsias et al. 2000; Roy and Lewis 2002; Mitri and Gitas 2004), ενώ η διάθεση σήμερα καινούργιων υψηλής χωρικής και φασματικής ευκρίνειας δορυφορικών εικόνων, όπως οι εικόνες ASTER, εκτιμάται ότι θα συμβάλει στην καλύτερη αποτύπωση των καμένων εκτάσεων.

Τα δεδομένα που χρησιμοποιήθηκαν σε αυτή την εργασία ήταν:

<big>'''•'''</big> Μια εικόνα ASTER (L1A), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Πορτογαλία με ημερομηνία λήψης το καλοκαίρι του 2003.

<big>'''•'''</big> Μια εικόνα ASTER (L1B), στην οποία έχουν αποτυπωθεί οι καμένες περιοχές στην Ισπανία με ημερομηνία λήψης το καλοκαίρι του
2003.

<big>'''•'''</big> Οι χάρτες με τις περιμέτρους των πυρκαγιών, οι οποίοι παράχθηκαν από την Πορτογαλική και την Ισπανική Δασική υπηρεσία, αντίστοιχα.

Ο ASTER καταγράφει τη φασματική πληροφορία σε 14 διαύλους από το ορατό μέχρι το θερμικό υπέρυθρο, με υψηλή χωρική, φασματική και ραδιομετρική ανάλυση: τρεις δίαυλοι στο ορατό-κοντινό υπέρυθρο (VNIR), έξι δίαυλοι στο μέσο υπέρυθρο (SWIR) και τέσσερις δίαυλοι στο θερμικό υπέρυθρο (TIR). Επιπλέον, υπάρχει η δυνατότητα συλλογής στερεοεικόνων και η δημιουργία ψηφιακών μοντέλων εδάφους (DEM).

Η επεξεργασία των δορυφορικών δεδομένων είναι ουσιαστικά η διόρθωση λαθών και η αφαίρεση ελαττωμάτων που τυχόν υπάρχουν στις εικόνες. Η δορυφορική εικόνα ASTER διορθώθηκε ατμοσφαιρικά (Spatially-Adaptive Fast Atmospheric Correction Algorithm.

[[εικόνα:EIK1.2.jpg|center|500px|]]
'''Σχήμα 1:''' Characteristics of the three ASTER Sensor Systems (Table on top) and Comparison of Spectral Band between ASTER and Landsat-Thematic Mapper.

Σήμερα έχουν αναπτυχθεί προηγμένες μέθοδοι ταξινόμησης δορυφορικών εικόνων, όπως η αντικειμενοστραφής μέθοδος ανάλυσης εικόνων, η οποία έχει εφαρμοστεί με επιτυχία για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση δορυφορικών εικόνων LANDSAT και NOAA-AVHRR (Gitas et al. 2004; Mitri and Gitas 2004). Σε αντίθεση με τις παραδοσιακές μεθόδους ταξινόμησης δορυφορικών εικόνων, όπου η μονάδα ταξινόμησης είναι το εικονοστοιχείο, στην αντικειμενοστραφή μέθοδο ως μονάδα ταξινόμησης θεωρείται το αντικείμενο (object). Τα πλεονεκτήματα της αντικειμενοστραφούς ανάλυσης είναι, οι σημαντικές στατιστικές αναλύσεις και η ανάλυση της δομής της εικόνας, η δημιουργία ενός σημαντικά ασυσχέτιστου φασματικού χώρου (feature space) με τη χρήση χαρακτηριστικών σχήματος των αντικειμένων (π.χ. μήκος, αριθμός γωνιών των αντικειμένων) και τη χρήση τοπολογικών χαρακτηριστικών (π.χ. η σχέση των αντικειμένων με τα γειτονικά αντικείμενα).

Η μεθοδολογία που ακολουθήθηκε στην εργασία αυτή συμπεριέλαβε την ανάπτυξη δυο αντικειμενοστραφών μοντέλων με τη χρήση μιας δορυφορικής εικόνας ASTER. Το πρώτο μοντέλο που αναπτύχθηκε βασίστηκε στην ατμοσφαιρικά διορθωμένη εικόνα ASTER, ενώ το δεύτερο μοντέλο βασίστηκε στην ίδια μη ατμοσφαιρικά διορθωμένη εικόνα ASTER. Οι ακρίβειες των ταξινομήσεων των καμένων περιοχών που προέκυψαν από τα δυο μοντέλα υπολογίστηκαν χρησιμοποιώντας ως σημεία αναφοράς την περίμετρο που παραχωρήθηκε από τη Δασική Υπηρεσία της Πορτογαλίας και συγκρίθηκαν μεταξύ τους.
Οι βασικές διαδικασίες για την ανάπτυξη αντικειμενοστραφούς μοντέλου είναι η κατάτμηση και η ταξινόμηση.

Εκτός από τους εννέα διαύλους της δορυφορικής εικόνας ASTER, χρησιμοποιήθηκε και η πληροφορία από τον δείκτη βλάστησης NDVI για την ανάπτυξη του αντικειμενοστραφούς μοντέλου, με σκοπό τον καλύτερο διαχωρισμό των καμένων από τις μη καμένες περιοχές.

Ο συνδυασμός της αντικειμενοστραφής μεθόδου ταξινόμησης με τα δορυφορικά δεδομένα ASTER έχει σαν αποτέλεσμα, την επιτυχημένη και ακριβή χαρτογράφηση καμένων εκτάσεων. Συγκεκριμένα, η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.38% συνολική ακρίβεια). Η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση μιας μη ατμοσφαιρικά διορθωμένης εικόνας ASTER είχε ως αποτέλεσμα την πολύ επιτυχημένη χαρτογράφηση των καμένων εκτάσεων (98.88% συνολική ακρίβεια).

Η σύγκριση και η αξιολόγηση των αποτελεσμάτων της χαρτογράφησης που προέκυψαν από τα δυο μοντέλα που αναπτύχθηκαν, οδήγησε στο συμπέρασμα ότι το μοντέλο που αναπτύχθηκε με βάση τη μη-ατμοσφαιρικά διορθωμένη εικόνα παρουσίασε μεγαλύτερη συνολική ακρίβεια χαρτογράφησης, καθώς επίσης προέκυψε ότι η διαδικασία της ατμοσφαιρικής διόρθωσης της εικόνας ASTER δεν είναι αναγκαία όταν χρησιμοποιείται η αντικειμενοστραφής μέθοδος ταξινόμησης.

'''Πηγή:''' ΠΟΛΥΧΡΟΝΑΚΗ Α., ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ, ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΘΕΣΣΑΛΟΝΙΚΗ 2007

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:57:05Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη. O αλγόριθμος της μεθόδου LMVM ορίζεται από την παρακάτω σχέση:
[[εικόνα:ΕΙΚ13.jpg|center|500px|]]

όπου:

Fi, j = είναι το αποτέλεσμα της συγχώνευσης για τις συντεταγμένες της εικόνας i και j,

HRi, j = είναι οι υψηλής διακριτικής ικανότητας συνιστώσες στις συντεταγμένες i, j, δηλαδή το παγχρωματικό κανάλι,

LRi, j(w, h), HRi, j(w, h) = είναι οι τοπικοί μέσοι όροι, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h),

std (LR)I, j (w, h) και std (HR)I, j (w, h) = είναι η τοπική κύρια απόκλιση της χαμηλής και υψηλής αντίστοιχα διακριτικής ικανότητας, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h).

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

[[εικόνα:EIK7.13.jpg|center|550px|]]
'''Σχήμα 3:''' Τρία έγχρωμα σύνθετα που μπορούν να χρησιμοποιηθούν μεταξύ άλλων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

[[εικόνα:EIK8.13.jpg|center|550px|]]
'''Σχήμα 4:''' Κομμάτι εικόνας σε έγχρωμο σύνθετο RGB: 4-3-2. Οι πορτοκαλί αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με το δεξιό πίνακα. Σ΄ αυτή την εικόνα δεν υπάρχουν κτήρια ή άλλες κατασκευές εκτός από δρόμους, γιατί η διαθέσιμη εικόνα είχε μόνο δύο κατοικημένες περιοχές.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

Αρχείο:EIK8.13.jpg

2010-03-11T16:56:14Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:55:54Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη. O αλγόριθμος της μεθόδου LMVM ορίζεται από την παρακάτω σχέση:
[[εικόνα:ΕΙΚ13.jpg|center|500px|]]

όπου:

Fi, j = είναι το αποτέλεσμα της συγχώνευσης για τις συντεταγμένες της εικόνας i και j,

HRi, j = είναι οι υψηλής διακριτικής ικανότητας συνιστώσες στις συντεταγμένες i, j, δηλαδή το παγχρωματικό κανάλι,

LRi, j(w, h), HRi, j(w, h) = είναι οι τοπικοί μέσοι όροι, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h),

std (LR)I, j (w, h) και std (HR)I, j (w, h) = είναι η τοπική κύρια απόκλιση της χαμηλής και υψηλής αντίστοιχα διακριτικής ικανότητας, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h).

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

[[εικόνα:EIK7.13.jpg|center|550px|]]
'''Σχήμα 3:''' Τρία έγχρωμα σύνθετα που μπορούν να χρησιμοποιηθούν μεταξύ άλλων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

[[εικόνα:EIK8.13.jpg|center|500px|]]
'''Σχήμα 4:''' Κομμάτι εικόνας σε έγχρωμο σύνθετο RGB: 4-3-2. Οι πορτοκαλί αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με το δεξιό πίνακα. Σ΄ αυτή την εικόνα δεν υπάρχουν κτήρια ή άλλες κατασκευές εκτός από δρόμους, γιατί η διαθέσιμη εικόνα είχε μόνο δύο κατοικημένες περιοχές.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:51:07Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη. O αλγόριθμος της μεθόδου LMVM ορίζεται από την παρακάτω σχέση:
[[εικόνα:ΕΙΚ13.jpg|center|500px|]]

όπου:

Fi, j = είναι το αποτέλεσμα της συγχώνευσης για τις συντεταγμένες της εικόνας i και j,

HRi, j = είναι οι υψηλής διακριτικής ικανότητας συνιστώσες στις συντεταγμένες i, j, δηλαδή το παγχρωματικό κανάλι,

LRi, j(w, h), HRi, j(w, h) = είναι οι τοπικοί μέσοι όροι, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h),

std (LR)I, j (w, h) και std (HR)I, j (w, h) = είναι η τοπική κύρια απόκλιση της χαμηλής και υψηλής αντίστοιχα διακριτικής ικανότητας, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h).

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

[[εικόνα:EIK7.13.jpg|center|550px|]]
'''Σχήμα 3:''' Τρία έγχρωμα σύνθετα που μπορούν να χρησιμοποιηθούν μεταξύ άλλων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

Αρχείο:EIK7.13.jpg

2010-03-11T16:50:26Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:50:06Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη. O αλγόριθμος της μεθόδου LMVM ορίζεται από την παρακάτω σχέση:
[[εικόνα:ΕΙΚ13.jpg|center|500px|]]

όπου:

Fi, j = είναι το αποτέλεσμα της συγχώνευσης για τις συντεταγμένες της εικόνας i και j,

HRi, j = είναι οι υψηλής διακριτικής ικανότητας συνιστώσες στις συντεταγμένες i, j, δηλαδή το παγχρωματικό κανάλι,

LRi, j(w, h), HRi, j(w, h) = είναι οι τοπικοί μέσοι όροι, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h),

std (LR)I, j (w, h) και std (HR)I, j (w, h) = είναι η τοπική κύρια απόκλιση της χαμηλής και υψηλής αντίστοιχα διακριτικής ικανότητας, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h).

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

[[εικόνα:EIK7.13.jpg|center|500px|]]
'''Σχήμα 3:''' Τρία έγχρωμα σύνθετα που μπορούν να χρησιμοποιηθούν μεταξύ άλλων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:45:41Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη. O αλγόριθμος της μεθόδου LMVM ορίζεται από την παρακάτω σχέση:
[[εικόνα:ΕΙΚ13.jpg|center|500px|]]

όπου:

Fi, j = είναι το αποτέλεσμα της συγχώνευσης για τις συντεταγμένες της εικόνας i και j,

HRi, j = είναι οι υψηλής διακριτικής ικανότητας συνιστώσες στις συντεταγμένες i, j, δηλαδή το παγχρωματικό κανάλι,

LRi, j(w, h), HRi, j(w, h) = είναι οι τοπικοί μέσοι όροι, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h),

std (LR)I, j (w, h) και std (HR)I, j (w, h) = είναι η τοπική κύρια απόκλιση της χαμηλής και υψηλής αντίστοιχα διακριτικής ικανότητας, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h).

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:42:49Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη. O αλγόριθμος της μεθόδου LMVM ορίζεται από την παρακάτω σχέση:
[[εικόνα:ΕΙΚ13.jpg|center|500px|]]

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

Αρχείο:ΕΙΚ13.jpg

2010-03-11T16:41:59Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:41:36Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη.
[[εικόνα:ΕΙΚ13.jpg|center|500px|]]

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:36:46Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη.
[[εικόνα:ΣΧΕΣ13.jpg|center|500px|]]

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:33:16Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

[[εικόνα:EIK3.13.jpg|center|500px|]]
'''Σχήμα 1:''' Το λογισμικό eCognition σε πλήρη λειτουργία.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη.

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-11T16:32:07Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη.

[[εικόνα:EIK3.13.jpg|center|500px|]]
'''Σχήμα 1:''' Το λογισμικό eCognition σε πλήρη λειτουργία.

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

Διαχείριση των Δασικών Πυρκαγιών με τη χρήση των σύγχρονων τεχνολογιών: Η περίπτωση της πυρκαγιάς της 28ης Ιουνίου 2007 στο όρος Πάρνηθα

2010-03-11T16:26:01Z

Mpstefania:

Για τη χαρτογράφηση της πυρκαγιάς που κατέστρεψε το μεγαλύτερο μέρος του δρυμού της Πάρνηθας, χρησιμοποιήθηκαν δύο δορυφορικές εικόνες πριν (Landsat) και μετά (Spot) την πυρκαγιά, ενώ έγινε η επεξεργασία τους σε περιβάλλον ΓΣΠ. Επίσης χρησιμοποιήθηκε το Ψηφιακό Μοντέλο Εδάφους (Ψ.Μ.Ε.) του Νομού Αττικής το οποίο και δόθηκε από το Τμήμα Γεωγραφίας του Χαροκοπείου Πανεπιστημίου.

Αρχικά πραγματοποιήθηκε μια επεξεργασία των δορυφορικών εικόνων προκειμένου να φτάσουν στην επιθυμητή μορφή. Η πρώτη δορυφορική εικόνα με ημερομηνία 6/8/99 αποτελεί εικόνα του δορυφόρου Landsat 7 (ΕΤΜ+), ενώ για τη χρησιμοποίησή της για τη χαρτογράφηση επιλέχθηκαν τα κανάλια 4, 3 και 2 (RGB), επειδή σε αυτά είναι πιο ευδιάκριτα τα χαρακτηριστικά της βλάστησης, λόγω της μεγαλύτερης ανάκλασης που παρουσιάζει στο κοντινό υπέρυθρο τμήμα (κανάλι 4) του ηλεκτρομαγνητικού φάσματος (η βλάστηση εμφανίζεται με κόκκινο χρώμα ενώ οι καμένες εκτάσεις παρουσιάζονται με μια απόχρωση του γκρι). Η παραπάνω διαδικασία πραγματοποιήθηκε μέσω του προγράμματος Arcgis 9x της ESRI και φαίνεται στο σχήμα 1, όπου με κόκκινη γραμμή εμφανίζεται η ακτογραμμή του νομού Αττικής. Η δεύτερη εικόνα αποτελεί ψευδέχρωμη εικόνα που προέρχεται από το δορυφόρο Spot (σχήμα 2).

[[εικόνα:ΕΙΚ1.5.jpg|center|300px|]]
'''Σχήμα 1:''' Ψευδέχρωμη εικόνα του δορυφόρου Landsat στις 6/8/99.

[[εικόνα:ΕΙΚ2.5.jpg|center|300px|]]
'''Σχήμα 2:''' Γεωαναφορά της δορυφορικής εικόνας του δορυφόρου Spot στις 2/7/2007.

Αρχικά έγινε εισαγωγή των εικόνων στο πρόγραμμα Arcview 3.2 της εταιρίας ESRI και πραγματοποιήθηκε η χαρτογράφηση της πυρκαγιάς μέσω της επέκτασης Image Analysis. Ακολούθησε η διαδικασία εύρεσης της καμένης έκτασης, η οποία ήταν περίπου 56 χιλιάδες στρέμματα. Πρόκειται ουσιαστικά για την εφαρμογή της εντολής εύρεσης εμβαδού του συγκεκριμένου πολυγώνου.

Έπειτα υπολογίστηκε ο δείκτης βλάστησης στις δύο δορυφορικές εικόνες (πριν και μετά την πυρκαγιά) μέσω της επέκτασης Image Analysis του προγράμματος Arcview της εταιρίας ESRI . Για να βρεθούν οι περιοχές βλάστησης μιας εικόνας, το Image Analysis χρησιμοποιεί το Normalized Difference Vegetation Index (NDVI). O NDVI ανάλογα με τα δεδομένα που χρησιμοποιεί επιλέγει εξ ορισμού το εγγύς υπέρυθρο, όπου για παράδειγμα για τα δεδομένα του AVHHR είναι το κανάλι 2 και το ορατό κόκκινο όπου για τα ιδίου τύπου δεδομένα είναι το κανάλι 1. Κατά αυτόν τον τρόπο στο εγγύς υπέρυθρο δίνεται η αντίθεση μεταξύ βλάστησης και νερού και στο ορατό κόκκινο εμφανίζεται η βλάστηση σκουρότερη από τις ανθρώπινες κατασκευές. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα των δορυφόρων Landsat και Spot, όπου για το εγγύς υπέρυθρο επιλέχθηκε το κανάλι 1 και για το ορατό κόκκινο το κανάλι 2.

[[εικόνα:ΕΙΚ4.5.jpg|center|400px|]]
'''Σχήμα 3:''' Χαρτογράφηση Καμένων Εκτάσεων (Noaa/Avhrr).

[[εικόνα:ΕΙΚ5.5.jpg|center|400px|]]
'''Σχήμα 5:''' Χαρτογράφηση Καμένων Εκτάσεων (Landsat Tm).

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για την χαρτογράφηση της καύσιμης ύλης καθώς και των καμένων εκτάσεων, επίσης για την καταγραφή των ζημιών που προκλήθηκαν από μια δασική πυρκαγιά, όπως αυτές απεικονίζονται με τη χρήση δορυφόρων και τέλος για τη χαρτογράφηση του τύπου και της σοβαρότητας των δασικών πυρκαγιών.

Μια από τις σημαντικές εφαρμογές των σύγχρονων τεχνολογιών αποτελούν τα μοντέλα καύσιμης ύλης τα οποία μπορούν να χρησιμοποιηθούν στην εκτίμηση συμπεριφοράς πυρκαγιών είτε σε εφαρμογές που αφορούν προληπτικό σχεδιασμό είτε σε πραγματικές επιχειρήσεις καταστολής αυτών, λαμβάνοντας υπόψη την τοπογραφία και τις μετεωρολογικές συνθήκες.

'''Πηγή:''' Χρονοπούλου Γ., Χαροκόπειο Πανεπιστήμιο Αθήνα, Τμήμα Γεωγραφίας, 2007.

Αρχείο:ΕΙΚ5.5.jpg

2010-03-11T16:25:02Z

Mpstefania:

Διαχείριση των Δασικών Πυρκαγιών με τη χρήση των σύγχρονων τεχνολογιών: Η περίπτωση της πυρκαγιάς της 28ης Ιουνίου 2007 στο όρος Πάρνηθα

2010-03-11T16:24:41Z

Mpstefania:

Για τη χαρτογράφηση της πυρκαγιάς που κατέστρεψε το μεγαλύτερο μέρος του δρυμού της Πάρνηθας, χρησιμοποιήθηκαν δύο δορυφορικές εικόνες πριν (Landsat) και μετά (Spot) την πυρκαγιά, ενώ έγινε η επεξεργασία τους σε περιβάλλον ΓΣΠ. Επίσης χρησιμοποιήθηκε το Ψηφιακό Μοντέλο Εδάφους (Ψ.Μ.Ε.) του Νομού Αττικής το οποίο και δόθηκε από το Τμήμα Γεωγραφίας του Χαροκοπείου Πανεπιστημίου.

Αρχικά πραγματοποιήθηκε μια επεξεργασία των δορυφορικών εικόνων προκειμένου να φτάσουν στην επιθυμητή μορφή. Η πρώτη δορυφορική εικόνα με ημερομηνία 6/8/99 αποτελεί εικόνα του δορυφόρου Landsat 7 (ΕΤΜ+), ενώ για τη χρησιμοποίησή της για τη χαρτογράφηση επιλέχθηκαν τα κανάλια 4, 3 και 2 (RGB), επειδή σε αυτά είναι πιο ευδιάκριτα τα χαρακτηριστικά της βλάστησης, λόγω της μεγαλύτερης ανάκλασης που παρουσιάζει στο κοντινό υπέρυθρο τμήμα (κανάλι 4) του ηλεκτρομαγνητικού φάσματος (η βλάστηση εμφανίζεται με κόκκινο χρώμα ενώ οι καμένες εκτάσεις παρουσιάζονται με μια απόχρωση του γκρι). Η παραπάνω διαδικασία πραγματοποιήθηκε μέσω του προγράμματος Arcgis 9x της ESRI και φαίνεται στο σχήμα 1, όπου με κόκκινη γραμμή εμφανίζεται η ακτογραμμή του νομού Αττικής. Η δεύτερη εικόνα αποτελεί ψευδέχρωμη εικόνα που προέρχεται από το δορυφόρο Spot (σχήμα 2).

[[εικόνα:ΕΙΚ1.5.jpg|center|300px|]]
'''Σχήμα 1:''' Ψευδέχρωμη εικόνα του δορυφόρου Landsat στις 6/8/99.

[[εικόνα:ΕΙΚ2.5.jpg|center|300px|]]
'''Σχήμα 2:''' Γεωαναφορά της δορυφορικής εικόνας του δορυφόρου Spot στις 2/7/2007.

Αρχικά έγινε εισαγωγή των εικόνων στο πρόγραμμα Arcview 3.2 της εταιρίας ESRI και πραγματοποιήθηκε η χαρτογράφηση της πυρκαγιάς μέσω της επέκτασης Image Analysis. Ακολούθησε η διαδικασία εύρεσης της καμένης έκτασης, η οποία ήταν περίπου 56 χιλιάδες στρέμματα. Πρόκειται ουσιαστικά για την εφαρμογή της εντολής εύρεσης εμβαδού του συγκεκριμένου πολυγώνου.

Έπειτα υπολογίστηκε ο δείκτης βλάστησης στις δύο δορυφορικές εικόνες (πριν και μετά την πυρκαγιά) μέσω της επέκτασης Image Analysis του προγράμματος Arcview της εταιρίας ESRI . Για να βρεθούν οι περιοχές βλάστησης μιας εικόνας, το Image Analysis χρησιμοποιεί το Normalized Difference Vegetation Index (NDVI). O NDVI ανάλογα με τα δεδομένα που χρησιμοποιεί επιλέγει εξ ορισμού το εγγύς υπέρυθρο, όπου για παράδειγμα για τα δεδομένα του AVHHR είναι το κανάλι 2 και το ορατό κόκκινο όπου για τα ιδίου τύπου δεδομένα είναι το κανάλι 1. Κατά αυτόν τον τρόπο στο εγγύς υπέρυθρο δίνεται η αντίθεση μεταξύ βλάστησης και νερού και στο ορατό κόκκινο εμφανίζεται η βλάστηση σκουρότερη από τις ανθρώπινες κατασκευές. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα των δορυφόρων Landsat και Spot, όπου για το εγγύς υπέρυθρο επιλέχθηκε το κανάλι 1 και για το ορατό κόκκινο το κανάλι 2.

[[εικόνα:ΕΙΚ4.5.jpg|center|400px|]]
'''Σχήμα 3:''' Χαρτογράφηση Καμένων Εκτάσεων (Noaa/Avhrr).

[[εικόνα:ΕΙΚ5.5.jpg|center|400px|]]
'''Σχήμα 5:''' Χαρτογράφηση Καμένων Εκτάσεων (Landsat Tm).

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για την χαρτογράφηση της καύσιμης ύλης καθώς και των καμένων εκτάσεων, επίσης για την καταγραφή των ζημιών που προκλήθηκαν από μια δασική πυρκαγιά, όπως αυτές απεικονίζονται με τη χρήση δορυφόρων και τέλος για τη χαρτογράφηση του τύπου και της σοβαρότητας των δασικών πυρκαγιών.

Μια από τις σημαντικές εφαρμογές των σύγχρονων τεχνολογιών αποτελούν τα μοντέλα καύσιμης ύλης τα οποία μπορούν να χρησιμοποιηθούν στην εκτίμηση συμπεριφοράς πυρκαγιών είτε σε εφαρμογές που αφορούν προληπτικό σχεδιασμό είτε σε πραγματικές επιχειρήσεις καταστολής αυτών, λαμβάνοντας υπόψη την τοπογραφία και τις μετεωρολογικές συνθήκες.

'''Πηγή:''' Χρονοπούλου Γ., Χαροκόπειο Πανεπιστήμιο Αθήνα, Τμήμα Γεωγραφίας, 2007.

Διαχείριση των Δασικών Πυρκαγιών με τη χρήση των σύγχρονων τεχνολογιών: Η περίπτωση της πυρκαγιάς της 28ης Ιουνίου 2007 στο όρος Πάρνηθα

2010-03-11T16:23:28Z

Mpstefania:

Για τη χαρτογράφηση της πυρκαγιάς που κατέστρεψε το μεγαλύτερο μέρος του δρυμού της Πάρνηθας, χρησιμοποιήθηκαν δύο δορυφορικές εικόνες πριν (Landsat) και μετά (Spot) την πυρκαγιά, ενώ έγινε η επεξεργασία τους σε περιβάλλον ΓΣΠ. Επίσης χρησιμοποιήθηκε το Ψηφιακό Μοντέλο Εδάφους (Ψ.Μ.Ε.) του Νομού Αττικής το οποίο και δόθηκε από το Τμήμα Γεωγραφίας του Χαροκοπείου Πανεπιστημίου.

Αρχικά πραγματοποιήθηκε μια επεξεργασία των δορυφορικών εικόνων προκειμένου να φτάσουν στην επιθυμητή μορφή. Η πρώτη δορυφορική εικόνα με ημερομηνία 6/8/99 αποτελεί εικόνα του δορυφόρου Landsat 7 (ΕΤΜ+), ενώ για τη χρησιμοποίησή της για τη χαρτογράφηση επιλέχθηκαν τα κανάλια 4, 3 και 2 (RGB), επειδή σε αυτά είναι πιο ευδιάκριτα τα χαρακτηριστικά της βλάστησης, λόγω της μεγαλύτερης ανάκλασης που παρουσιάζει στο κοντινό υπέρυθρο τμήμα (κανάλι 4) του ηλεκτρομαγνητικού φάσματος (η βλάστηση εμφανίζεται με κόκκινο χρώμα ενώ οι καμένες εκτάσεις παρουσιάζονται με μια απόχρωση του γκρι). Η παραπάνω διαδικασία πραγματοποιήθηκε μέσω του προγράμματος Arcgis 9x της ESRI και φαίνεται στο σχήμα 1, όπου με κόκκινη γραμμή εμφανίζεται η ακτογραμμή του νομού Αττικής. Η δεύτερη εικόνα αποτελεί ψευδέχρωμη εικόνα που προέρχεται από το δορυφόρο Spot (σχήμα 2).

[[εικόνα:ΕΙΚ1.5.jpg|center|300px|]]
'''Σχήμα 1:''' Ψευδέχρωμη εικόνα του δορυφόρου Landsat στις 6/8/99.

[[εικόνα:ΕΙΚ2.5.jpg|center|300px|]]
'''Σχήμα 2:''' Γεωαναφορά της δορυφορικής εικόνας του δορυφόρου Spot στις 2/7/2007.

Αρχικά έγινε εισαγωγή των εικόνων στο πρόγραμμα Arcview 3.2 της εταιρίας ESRI και πραγματοποιήθηκε η χαρτογράφηση της πυρκαγιάς μέσω της επέκτασης Image Analysis. Ακολούθησε η διαδικασία εύρεσης της καμένης έκτασης, η οποία ήταν περίπου 56 χιλιάδες στρέμματα. Πρόκειται ουσιαστικά για την εφαρμογή της εντολής εύρεσης εμβαδού του συγκεκριμένου πολυγώνου.

Έπειτα υπολογίστηκε ο δείκτης βλάστησης στις δύο δορυφορικές εικόνες (πριν και μετά την πυρκαγιά) μέσω της επέκτασης Image Analysis του προγράμματος Arcview της εταιρίας ESRI . Για να βρεθούν οι περιοχές βλάστησης μιας εικόνας, το Image Analysis χρησιμοποιεί το Normalized Difference Vegetation Index (NDVI). O NDVI ανάλογα με τα δεδομένα που χρησιμοποιεί επιλέγει εξ ορισμού το εγγύς υπέρυθρο, όπου για παράδειγμα για τα δεδομένα του AVHHR είναι το κανάλι 2 και το ορατό κόκκινο όπου για τα ιδίου τύπου δεδομένα είναι το κανάλι 1. Κατά αυτόν τον τρόπο στο εγγύς υπέρυθρο δίνεται η αντίθεση μεταξύ βλάστησης και νερού και στο ορατό κόκκινο εμφανίζεται η βλάστηση σκουρότερη από τις ανθρώπινες κατασκευές. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα των δορυφόρων Landsat και Spot, όπου για το εγγύς υπέρυθρο επιλέχθηκε το κανάλι 1 και για το ορατό κόκκινο το κανάλι 2.

[[εικόνα:ΕΙΚ4.5.jpg|center|400px|]]
'''Σχήμα 3:''' Χαρτογράφηση Καμένων Εκτάσεων (Noaa/Avhrr).

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για την χαρτογράφηση της καύσιμης ύλης καθώς και των καμένων εκτάσεων, επίσης για την καταγραφή των ζημιών που προκλήθηκαν από μια δασική πυρκαγιά, όπως αυτές απεικονίζονται με τη χρήση δορυφόρων και τέλος για τη χαρτογράφηση του τύπου και της σοβαρότητας των δασικών πυρκαγιών.

Μια από τις σημαντικές εφαρμογές των σύγχρονων τεχνολογιών αποτελούν τα μοντέλα καύσιμης ύλης τα οποία μπορούν να χρησιμοποιηθούν στην εκτίμηση συμπεριφοράς πυρκαγιών είτε σε εφαρμογές που αφορούν προληπτικό σχεδιασμό είτε σε πραγματικές επιχειρήσεις καταστολής αυτών, λαμβάνοντας υπόψη την τοπογραφία και τις μετεωρολογικές συνθήκες.

'''Πηγή:''' Χρονοπούλου Γ., Χαροκόπειο Πανεπιστήμιο Αθήνα, Τμήμα Γεωγραφίας, 2007.

Αρχείο:ΕΙΚ4.5.jpg

2010-03-11T16:22:59Z

Mpstefania:

Διαχείριση των Δασικών Πυρκαγιών με τη χρήση των σύγχρονων τεχνολογιών: Η περίπτωση της πυρκαγιάς της 28ης Ιουνίου 2007 στο όρος Πάρνηθα

2010-03-11T16:22:23Z

Mpstefania:

Για τη χαρτογράφηση της πυρκαγιάς που κατέστρεψε το μεγαλύτερο μέρος του δρυμού της Πάρνηθας, χρησιμοποιήθηκαν δύο δορυφορικές εικόνες πριν (Landsat) και μετά (Spot) την πυρκαγιά, ενώ έγινε η επεξεργασία τους σε περιβάλλον ΓΣΠ. Επίσης χρησιμοποιήθηκε το Ψηφιακό Μοντέλο Εδάφους (Ψ.Μ.Ε.) του Νομού Αττικής το οποίο και δόθηκε από το Τμήμα Γεωγραφίας του Χαροκοπείου Πανεπιστημίου.

Αρχικά πραγματοποιήθηκε μια επεξεργασία των δορυφορικών εικόνων προκειμένου να φτάσουν στην επιθυμητή μορφή. Η πρώτη δορυφορική εικόνα με ημερομηνία 6/8/99 αποτελεί εικόνα του δορυφόρου Landsat 7 (ΕΤΜ+), ενώ για τη χρησιμοποίησή της για τη χαρτογράφηση επιλέχθηκαν τα κανάλια 4, 3 και 2 (RGB), επειδή σε αυτά είναι πιο ευδιάκριτα τα χαρακτηριστικά της βλάστησης, λόγω της μεγαλύτερης ανάκλασης που παρουσιάζει στο κοντινό υπέρυθρο τμήμα (κανάλι 4) του ηλεκτρομαγνητικού φάσματος (η βλάστηση εμφανίζεται με κόκκινο χρώμα ενώ οι καμένες εκτάσεις παρουσιάζονται με μια απόχρωση του γκρι). Η παραπάνω διαδικασία πραγματοποιήθηκε μέσω του προγράμματος Arcgis 9x της ESRI και φαίνεται στο σχήμα 1, όπου με κόκκινη γραμμή εμφανίζεται η ακτογραμμή του νομού Αττικής. Η δεύτερη εικόνα αποτελεί ψευδέχρωμη εικόνα που προέρχεται από το δορυφόρο Spot (σχήμα 2).

[[εικόνα:ΕΙΚ1.5.jpg|center|300px|]]
'''Σχήμα 1:''' Ψευδέχρωμη εικόνα του δορυφόρου Landsat στις 6/8/99.

[[εικόνα:ΕΙΚ2.5.jpg|center|300px|]]
'''Σχήμα 2:''' Γεωαναφορά της δορυφορικής εικόνας του δορυφόρου Spot στις 2/7/2007.

Αρχικά έγινε εισαγωγή των εικόνων στο πρόγραμμα Arcview 3.2 της εταιρίας ESRI και πραγματοποιήθηκε η χαρτογράφηση της πυρκαγιάς μέσω της επέκτασης Image Analysis. Ακολούθησε η διαδικασία εύρεσης της καμένης έκτασης, η οποία ήταν περίπου 56 χιλιάδες στρέμματα. Πρόκειται ουσιαστικά για την εφαρμογή της εντολής εύρεσης εμβαδού του συγκεκριμένου πολυγώνου.

Έπειτα υπολογίστηκε ο δείκτης βλάστησης στις δύο δορυφορικές εικόνες (πριν και μετά την πυρκαγιά) μέσω της επέκτασης Image Analysis του προγράμματος Arcview της εταιρίας ESRI . Για να βρεθούν οι περιοχές βλάστησης μιας εικόνας, το Image Analysis χρησιμοποιεί το Normalized Difference Vegetation Index (NDVI). O NDVI ανάλογα με τα δεδομένα που χρησιμοποιεί επιλέγει εξ ορισμού το εγγύς υπέρυθρο, όπου για παράδειγμα για τα δεδομένα του AVHHR είναι το κανάλι 2 και το ορατό κόκκινο όπου για τα ιδίου τύπου δεδομένα είναι το κανάλι 1. Κατά αυτόν τον τρόπο στο εγγύς υπέρυθρο δίνεται η αντίθεση μεταξύ βλάστησης και νερού και στο ορατό κόκκινο εμφανίζεται η βλάστηση σκουρότερη από τις ανθρώπινες κατασκευές. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα των δορυφόρων Landsat και Spot, όπου για το εγγύς υπέρυθρο επιλέχθηκε το κανάλι 1 και για το ορατό κόκκινο το κανάλι 2.

[[εικόνα:ΕΙΚ4.5.jpg|center|300px|]]
'''Σχήμα 3:''' Χαρτογράφηση Καμένων Εκτάσεων (Noaa/Avhrr).

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για την χαρτογράφηση της καύσιμης ύλης καθώς και των καμένων εκτάσεων, επίσης για την καταγραφή των ζημιών που προκλήθηκαν από μια δασική πυρκαγιά, όπως αυτές απεικονίζονται με τη χρήση δορυφόρων και τέλος για τη χαρτογράφηση του τύπου και της σοβαρότητας των δασικών πυρκαγιών.

Μια από τις σημαντικές εφαρμογές των σύγχρονων τεχνολογιών αποτελούν τα μοντέλα καύσιμης ύλης τα οποία μπορούν να χρησιμοποιηθούν στην εκτίμηση συμπεριφοράς πυρκαγιών είτε σε εφαρμογές που αφορούν προληπτικό σχεδιασμό είτε σε πραγματικές επιχειρήσεις καταστολής αυτών, λαμβάνοντας υπόψη την τοπογραφία και τις μετεωρολογικές συνθήκες.

'''Πηγή:''' Χρονοπούλου Γ., Χαροκόπειο Πανεπιστήμιο Αθήνα, Τμήμα Γεωγραφίας, 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-05T10:59:02Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

[[εικόνα:EIK3.13.jpg|center|500px|]]
'''Σχήμα 1:''' Το λογισμικό eCognition σε πλήρη λειτουργία.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη.

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-05T10:53:45Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη.

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-05T10:53:23Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη.

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|500px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

Αρχείο:EIK2.13.jpg

2010-03-05T10:53:00Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

2010-03-05T10:52:39Z

Mpstefania:

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη.

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

[[εικόνα:EIK2.13.jpg|center|400px|]]
'''Σχήμα 1:''' Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

<big>Προεπεξεργασία των δεδομένων</big>

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

[[εικόνα:EIK1.13.jpg|center|400px|]]
'''Σχήμα 2:''' Δημιουργία έγχρωμων σύνθετων εικόνων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

'''Πηγή:''' ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:46:47Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion.

• Ορθοεικόνα Quickbird.

• Ορθοεικόνα Landsat.

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου.

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο.

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|650px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

[[εικόνα:ΕΙΚ3.14.jpg|center|900px|]]
'''Σχήμα 2:''' Παράμετροι ραδιομετρικής διόρθωσης με το μοντέλο FLAASH της εικόνας Hyperion.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

 Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

 Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

 Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

 Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

 Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:44:18Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:41:56Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion.

• Ορθοεικόνα Quickbird.

• Ορθοεικόνα Landsat.

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου.

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο.

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|650px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

[[εικόνα:ΕΙΚ3.14.jpg|center|900px|]]
'''Σχήμα 2:''' Παράμετροι ραδιομετρικής διόρθωσης με το μοντέλο FLAASH της εικόνας Hyperion.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:40:54Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|650px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

[[εικόνα:ΕΙΚ3.14.jpg|center|900px|]]
'''Σχήμα 2:''' Παράμετροι ραδιομετρικής διόρθωσης με το μοντέλο FLAASH της εικόνας Hyperion.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:40:22Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:39:54Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|650px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

[[εικόνα:ΕΙΚ3.14.jpg|center|800px|]]
'''Σχήμα 2:''' Παράμετροι ραδιομετρικής διόρθωσης με το μοντέλο FLAASH της εικόνας Hyperion.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

Αρχείο:ΕΙΚ3.14.jpg

2010-03-05T10:39:25Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:39:05Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|650px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

[[εικόνα:ΕΙΚ3.14.jpg|center|600px|]]
'''Σχήμα 2:''' Παράμετροι ραδιομετρικής διόρθωσης με το μοντέλο FLAASH της εικόνας Hyperion.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:36:18Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|650px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

[[εικόνα:ΕΙΚ2.14.jpg|center|600px|]]
'''Σχήμα 2:''' Γεωμετρική διόρθωση της εικόνας.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:32:52Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|650px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:32:23Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|700px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

Αρχείο:ΠΙΝ1.14.jpg

2010-03-05T10:31:50Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:31:30Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

[[εικόνα:ΠΙΝ1.14.jpg|center|600px|]]
'''Πίνακας 1:''' Βαθμονομημένα και μη βαθμονομημένα (calibrated – non calibrated) κανάλια του Hyperion.

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:29:29Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|600px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

Αρχείο:ΕΙΚ1.14.jpg

2010-03-05T10:29:02Z

Mpstefania:

ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

2010-03-05T10:28:34Z

Mpstefania:

Για τη χαρτογράφηση της βλάστησης στη Θάσο χρησιμοποιήθηκαν τα ακόλουθα δορυφορικά δεδομένα:

• Υπερφασματική δορυφορική εικόνα Hyperion

• Ορθοεικόνα Quickbird

• Ορθοεικόνα Landsat

• Φασματικές ταυτότητες των δασικών ειδών που ελήφθησαν με τη χρήση σπεκτροραδιόμετρου

• Ομοιογενείς περιοχές που εντοπίστηκαν στο πεδίο

[[εικόνα:ΕΙΚ1.14.jpg|center|400px|]]
'''Σχήμα 1:''' Αρχική εικόνα Hyperion (αριστερά), ορθοδιορθωμένη εικόνα Quickbird (μέση), ορθοδιορθωμένη εικόνα Landsat (δεξιά).

Στα δεδομένα αυτά έγιναν οι εξής επεξεργασίες:

• Οι φασματικές ταυτότητες μετά από αφαίρεση του θορύβου εισήχθησαν στο ENVI σε φασματική βιβλιοθήκη.

• Οι ομοιογενείς περιοχές σχεδιάστηκαν στην εικόνα Quickbird με βάση τα σημεία που ελήφθησαν στο πεδίο.

• Στην εικόνα Hyperion έγινε αφαίρεση των λωρίδων (destripe) και κατόπιν εφαρμόστηκε γεωμετρική και ραδιομετρική διόρθωση.

Η υπερφασματική εικόνα του αισθητήρα HYPERION ταξινομήθηκε με τη χρήση της μεθόδου της επιβλεπόμενης ταξινόμησης «απόσταση Mahalanobis» σε περιοχές με βλάστηση και περιοχές χωρίς βλάστηση. Δεδομένα πεδίου χρησιμοποιήθηκαν τόσο για την εκπαίδευση της εικόνας, όσο και για την εκτίμηση της ακρίβειας. Η επιτυχία της ταξινόμησης, του διαχωρισμού δηλαδή της βλάστησης από τις περιοχές χωρίς βλάστηση, ήταν πολύ μεγάλη (95,35%) και η ακρίβεια της ταξινόμησης θα μπορούσε να αυξηθεί με τον εντοπισμό στο πεδίο ομοιογενών επιφανειών και για τις υπόλοιπες κατηγορίες εκτός της βλάστησης.

Ο διαχωρισμός των κωνοφόρων από τη λοιπή βλάστηση έγινε με τη χρήση της υπερφασματικής εικόνας Hyperion και τη χρήση της «απόστασης Mahalanobis. Τα δεδομένα του πεδίου και ο χάρτης των περιοχών με βλάστηση και χωρίς βλάστηση που προέκυψε από την ταξινόμηση χρησιμοποιήθηκαν για το διαχωρισμό. Η ακρίβεια της ταξινόμησης εκτιμήθηκε για την κλάση των κωνοφόρων και ήταν αρκετά μεγάλη (91,77%). Η συλλογή περισσότερων ομοιογενών περιοχών θα μπορούσε να βοηθήσει στη βελτίωση της ακρίβειας ταξινόμησης. Μελλοντικά, θα μπορούσε να διερευνηθεί ο διαχωρισμός των εν λόγω κλάσεων με τη χρήση άλλων μεθόδων, όπως η «ανελαστική ταξινόμηση» (fuzzy classification) ή η αντικειμενοστραφής ταξινόμηση (object-oriented classification).

Ο διαχωρισμός της τραχείας από τη μαύρη πεύκη, διερευνήθηκε με τη χρήση υπερφασματικών δεδομένων και της επιβλεπόμενης ταξινόμησης. Για τη διερεύνηση χρησιμοποιήθηκαν ομοιογενείς περιοχές των υπό εξέταση κατηγοριών οι οποίες ελήφθησαν στο πεδίο. Η συνολική ακρίβεια της ταξινόμησης ανέρχεται στο 67,10% με μεγαλύτερη ακρίβεια στην τραχεία πεύκη (71,95%) από ότι στη μαύρη (62,23%). Η ακρίβεια θα μπορούσε να βελτιωθεί με τη χρήση βοηθητικών δεδομένων.

Η παρούσα διατριβή αποτελεί έναυσμα για μελλοντική έρευνα στο πεδίο αυτό, η οποία θα μπορούσε να πραγματοποιηθεί ως εξής:

-Διερεύνηση της επίδρασης της μείωσης της πληροφορίας, του αριθμού δηλαδή των καναλιών, με μετασχηματισμό στα αποτελέσματα της ταξινόμησης.

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων και άλλων βοηθητικών δεδομένων, όπως ψηφιακό μοντέλο εδάφους (Digital Elevation Model – DEM).

-Διερεύνηση της δυνατότητας χαρτογράφησης της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων άλλων αισθητήρων (π.χ. CHRIS–PROBA) δορυφορικών ή αεροφερόμενων και σύγκριση αυτών με τον Hyperion.

-Χρήση της ανελαστικής ταξινόμησης (fuzzy classification) για τη χαρτογράφηση της βλάστησης με τη χρήση των υπερφασματικών δεδομένων. Η μέθοδος αυτή θα μπορούσε ίσως να αποδώσει καλύτερα την πολυπλοκότητα της βλάστησης στο μεσογειακό τοπίο και τη μίξη των ειδών.

-Χρήση της αντικειμενοστραφούς ταξινόμησης (object-oriented classification) για τη χαρτογράφηση της βλάστησης με τη χρήση υπερφασματικών δεδομένων.

'''Πηγή:''' ΗΛΙΑΔΟΥ Σ., ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ, ΤΟΜΕΑΣ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ, ΘΕΣΣΑΛΟΝΙΚΗ 2008.

ΣΥΜΒΟΛΗ ΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΚΑΙ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΣΤΗΝ ΥΔΡΟΓΕΩΛΟΓΙΑ ΤΗΣ Β-Α ΧΑΛΚΙΔΙΚΗΣ

2010-03-05T10:14:28Z

Mpstefania:

Η ευρύτερη περιοχή της Ολυμπιάδας, που βρίσκεται στο ΒΑ τμήμα του νομού Χαλκιδικής, είναι μια περιοχή που έχει μελετηθεί επαρκώς από γεωλογική και υδρογεωλογική σκοπιά και υπάρχει πλήθος στοιχείων. Με βάση τα στοιχεία αυτά, στην παραπάνω περιοχή , επιχειρείται:

α) Η αξιολόγηση της δυνατότητας της πολυφασματικής δορυφορικής εικόνας Landsat-7/ETM+ και της πολυφασματικής εικόνας QuickBird, στον εντοπισμό τμημάτων αυξημένης επιφανειακής εδαφικής υγρασίας (γνωρίζοντας την ύπαρξη αβαθών υδροφόρων συστημάτων στην περιοχή της Ολυμπιάδας).

β) Η χαρτογράφηση γραμμώσεων με την χρήση των παραπάνω εικόνων.

γ) Ο πειραματισμός με ορισμένες από τις πολυάριθμες μεθόδους ψηφιακής επεξεργασίας εικόνας, σε συνδυασμό με την χρήση των Γ.Σ.Π.

Στην πολυφασματική εικόνα Landsat-7/ETM+ ήταν εφικτός ο υπολογισμός της επιφανειακής θερμοκρασίας του εδάφους εξαιτίας της καταγραφής του θερμικού υπέρυθρου φάσματος από τον ενισχυμένο πολυφασματικό χαρτογράφο του δορυφόρου (σχήμα 1). Υπολογίστηκαν επίσης ο “Δείκτης Βλάστησης Κανονικοποιημένης Διαφοράς” (Normalized DifferenceVegetation Index/ NDVI, σχήμα 2), στις πολυφασματικές εικόνες των δορυφόρων Landsat-7/ETM+ και QuickBird, καθώς επίσης και ο “Δείκτης Υπέρυθρου Κανονικοποιημένης Διαφοράς” (Norrmalized Difference Infrared Index/ NDII), στην εικόνα του δορυφόρου Landsat-7/ETM+, με τη χρήση του λογισμικού ENVI. Επιπλέον χρησιμοποιήθηκε η μέθοδος Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis/ PCA), στις πολυφασματικές εικόνες Landsat-7/ETM+ και QuickBird, με σκοπό την χαρτογράφηση φωτογραμμώσεων.

[[εικόνα:ΕΙΚ1.4.jpg|center|400px|]]
'''Σχήμα 1:''' Επεξεργασμένη εικόνα που προέκυψε από τον υπολογισμό της επιφανειακής θερμοκρασίας από τον θερμικό δίαυλο του δορυφόρου Landsat-7/ETM+, με την χρήση των λογισμικών ENVI και ArcGIS.

Τα αποτελέσματα σχετικά με την θερμική εικόνα ήταν διαφορετικά από αυτά που αναμένονταν, κυρίως εξαιτίας της μικρής διακριτικής ικανότητας της εικόνας Landsat-7/ETM+ στη θερμική φασματική ζώνη, αλλά και λόγω του γεγονότος ότι οι θερμικές εικόνες του δορυφόρου Landsat-7/ETM+ καταγράφουν την επιφανειακή θερμική ακτινοβολία των αντικειμένων.

Η εφαρμογή της Ανάλυσης Κύριων Συνιστωσών φάνηκε ιδιαίτερα αποτελεσματική στην χαρτογράφηση γραμμώσεων που σχετίζονται τόσο με τα ρήγματα όσο και με το υδρογραφικό δίκτυο της περιοχής.

[[εικόνα:ΕΙΚ2.4.jpg|center|400px|]]
'''Σχήμα 2:''' Ψευδοέγχρωμη απεικόνιση (pseudocolour display) της αρχικής εικόνας NDVI, με το λογισμικό ENVI. Η διαβάθμιση της τιμής του NDVI αντικατοπτρίζει την έκταση της βλάστησης. Χαμηλή τιμή NDVI (σκούρο μπλε χρώμα) συνεπάγεται απουσία βλάστησης, ενώ υψηλή τιμή NDVI (ανοιχτό πράσινο χρώμα) αντιπροσωπεύει έντονη παρουσία βλάστησης.

Η χρήση του θερμικού διαύλου του δορυφόρου Landsat-7/ETM+ δεν προτείνεται για τον εντοπισμό υγρασίας που οφείλεται στην ύπαρξη αβαθών υδροφορέων. Αντίθετα, η πολυφασματική εικόνα Landsat-7/ETM+ μπορεί να χρησιμοποιηθεί στον εντοπισμό ανωμαλιών υγρασίας του εδάφους, που οφείλονται σε επιφανειακούς λόγους, μέσω της χρήσης δεικτών όπως αυτό του Υπέρυθρου (NDII) και του Δείκτη Βλάστησης (NDVI).

Η πολυφασματική εικόνα Landsat-7/ETM+ δεν αποδείχθηκε ιδιαίτερα αποτελεσματική στον εντοπισμό ρηχών υδροφόρων στρωμάτων μέσω υπολογισμού θερμοκρασιακών ανωμαλιών στην επιφάνεια του εδάφους. Αυτό πιθανόν να οφείλεται στην καταγραφή της επιφανειακής θερμικής ακτινοβολίας των αντικειμένων από τον Landsat-7/ETM+, αλλά και στο γεγονός ότι η διακριτική ικανότητα (60m) της θερμικής ζώνης 6 ίσως να μην είναι επαρκής για τον εντοπισμό θερμικών ανωμαλιών.

Τόσο η πολυφασματική εικόνα Landsat-7/ETM+, όσο και η πολυφασματική εικόνα του δορυφόρου QuickBird, μπορούν να χρησιμοποιηθούν για την εξαγωγή του δείκτη βλάστησης (NDVI), με ικανοποιητικά αποτελέσματα. Τα ποιοτικά αποτελέσματα των εικόνων συμπίπτουν σε μεγάλο βαθμό αλλά η εικόνα QuickBird υπερτερεί έναντι της Landsat-7/ETM+ ως προς την πολύ καλύτερη διακριτική ικανότητα (0,6m αντί 30 m).

Η χρησιμοποίηση της εικόνας Landsat-7/ETM+ για την εξαγωγή του δείκτη υπέρυθρου (NDII) έδωσε αρκετά καλά αποτελέσματα από την άποψη της διαφοροποίησης της επιφανειακής υγρασίας (υγρασία στα φυτά).
Επίσης η εφαρμογή της μεθόδου τη Ανάλυσης Κύριων Συνιστωσών, τόσο στην πολυφασματική εικόνα Landsat-7/ETM+ όσο και στην πολυφασματική εικόνα QuickBird, και ο κατάλληλος συνδυασμός των τριών πρώτων κύριων συνιστωσών (PC-1, PC-2, PC-3) με ζώνες (bands) των αρχικών εικόνων, είχε ως αποτέλεσμα την δημιουργία ψευδοχρωματικών εικόνων. Οι εικόνες που προέκυψαν φάνηκαν ιδιαίτερα αποτελεσματικές στην χαρτογράφηση γραμμώσεων, που σχετίζονται τόσο με τα ρήγματα όσο και με το υδρογραφικό δίκτυο της περιοχής. Με τη χρήση αυτών των εικόνων μπορεί να επιτευχθεί λεπτομερέστερη χαρτογράφηση του υδρογραφικού δικτύου, αλλά και των σημαντικότερων ρηγμάτων της περιοχής.

Στην παρούσα μελέτη, με τη χρήση του λογισμικού G.I.S, ArcGIS ψηφιοποιήθηκαν τα εξής επίπεδα πληροφοριών: Ισοϋψείς καμπύλες (ισοδίασταση 20m), από τους τοπογραφικούς χάρτες της Γ.Υ.Σ (φύλλα:Σταυρός, Στρατονίκη) κλίμακας 1:50.000, δημιουργία ψευδοχρωματικής απεικόνισης (pseusocolour display) των τιμών της τυπικής απόκλισης της θερμοκρασίας, ψηφιοποίηση γραμμώσεων (lineaments), οι οποίες εντοπίστηκαν στις πολυφασματικές εικόνες Landsat-7/ETM+ και QuickBird κ.α. Επίσης με τη χρήση του λογισμικού ArcGIS από τις τιμές θερμοκρασίας, που προέκυψαν από την ζώνη 6 του δορυφόρου Landsat-7/ΕΤΜ+, υπολογίστηκε η τυπική απόκλιση (Standard Diviation/STD) της τιμής κάθε εικονοστοιχείου (pixel) σε ακτίνα 75 m από αυτό (σχήμα 3).

[[εικόνα:ΕΙΚ3.4.jpg|center|400px|]] '''Σχήμα 3:''' Ψευδοέγχρωμη απεικόνιση (pseusocolour display) της τυπικής απόκλισης (Standard Diviation/STD) των τιμών θερμοκρασίας που πρέκυψαν από την πολυφασματική εικόνα Landsat-7 ETN+, με την χρήση των λογισμικών ENVI και ArcGIS.(το pixel size της εικόνας είναι 25m και η διακριτική της ικανότητα είναι 60 m).

Η συμβολή της χρήσης μεθόδων ψηφιακής επεξεργασίας εικόνας, σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών (Γ.Σ.Π.) τόσο για τον εντοπισμό της επιφανειακής θερμοκρασίας εδάφους όσο και για την χαρτογράφηση γραμμώσεων (lineaments), κρίνεται σημαντική. Αυτό οφείλεται στο ότι ο συνδυασμός των παραπάνω παρέχει πληροφορίες για την τεκτονική και γεωμορφολογία μιας περιοχής, οι οποίες μπορούν να λειτουργήσουν τροποποιητικά ή συμπληρωματικά σε υπάρχοντες χάρτες, σε πολύ λιγότερο χρόνο από τις συμβατικές μεθόδους.

'''Πηγή:''' ΛΑΜΠΙΡΗ Μ., ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ:«ΓΕΩΓΡΑΦΙΑ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝ», ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΘΕΣΣΑΛΟΝΙΚΗ 2009

ΣΥΜΒΟΛΗ ΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΚΑΙ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΣΤΗΝ ΥΔΡΟΓΕΩΛΟΓΙΑ ΤΗΣ Β-Α ΧΑΛΚΙΔΙΚΗΣ

2010-03-05T10:13:02Z

Mpstefania:

Η ευρύτερη περιοχή της Ολυμπιάδας, που βρίσκεται στο ΒΑ τμήμα του νομού Χαλκιδικής, είναι μια περιοχή που έχει μελετηθεί επαρκώς από γεωλογική και υδρογεωλογική σκοπιά και υπάρχει πλήθος στοιχείων. Με βάση τα στοιχεία αυτά, στην παραπάνω περιοχή , επιχειρείται:

α) Η αξιολόγηση της δυνατότητας της πολυφασματικής δορυφορικής εικόνας Landsat-7/ETM+ και της πολυφασματικής εικόνας QuickBird, στον εντοπισμό τμημάτων αυξημένης επιφανειακής εδαφικής υγρασίας (γνωρίζοντας την ύπαρξη αβαθών υδροφόρων συστημάτων στην περιοχή της Ολυμπιάδας).

β) Η χαρτογράφηση γραμμώσεων με την χρήση των παραπάνω εικόνων.

γ) Ο πειραματισμός με ορισμένες από τις πολυάριθμες μεθόδους ψηφιακής επεξεργασίας εικόνας, σε συνδυασμό με την χρήση των Γ.Σ.Π.

Στην πολυφασματική εικόνα Landsat-7/ETM+ ήταν εφικτός ο υπολογισμός της επιφανειακής θερμοκρασίας του εδάφους εξαιτίας της καταγραφής του θερμικού υπέρυθρου φάσματος από τον ενισχυμένο πολυφασματικό χαρτογράφο του δορυφόρου (σχήμα 1). Υπολογίστηκαν επίσης ο “Δείκτης Βλάστησης Κανονικοποιημένης Διαφοράς” (Normalized DifferenceVegetation Index/ NDVI, σχήμα 2), στις πολυφασματικές εικόνες των δορυφόρων Landsat-7/ETM+ και QuickBird, καθώς επίσης και ο “Δείκτης Υπέρυθρου Κανονικοποιημένης Διαφοράς” (Norrmalized Difference Infrared Index/ NDII), στην εικόνα του δορυφόρου Landsat-7/ETM+, με τη χρήση του λογισμικού ENVI. Επιπλέον χρησιμοποιήθηκε η μέθοδος Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis/ PCA), στις πολυφασματικές εικόνες Landsat-7/ETM+ και QuickBird, με σκοπό την χαρτογράφηση φωτογραμμώσεων.

[[εικόνα:ΕΙΚ1.4.jpg|center|400px|]]
'''Σχήμα 1:''' Επεξεργασμένη εικόνα που προέκυψε από τον υπολογισμό της επιφανειακής θερμοκρασίας από τον θερμικό δίαυλο του δορυφόρου Landsat-7/ETM+, με την χρήση των λογισμικών ENVI και ArcGIS.

Τα αποτελέσματα σχετικά με την θερμική εικόνα ήταν διαφορετικά από αυτά που αναμένονταν, κυρίως εξαιτίας της μικρής διακριτικής ικανότητας της εικόνας Landsat-7/ETM+ στη θερμική φασματική ζώνη, αλλά και λόγω του γεγονότος ότι οι θερμικές εικόνες του δορυφόρου Landsat-7/ETM+ καταγράφουν την επιφανειακή θερμική ακτινοβολία των αντικειμένων.

Η εφαρμογή της Ανάλυσης Κύριων Συνιστωσών φάνηκε ιδιαίτερα αποτελεσματική στην χαρτογράφηση γραμμώσεων που σχετίζονται τόσο με τα ρήγματα όσο και με το υδρογραφικό δίκτυο της περιοχής.

[[εικόνα:ΕΙΚ2.4.jpg|center|400px|]]
'''Σχήμα 2:''' Ψευδοέγχρωμη απεικόνιση (pseudocolour display) της αρχικής εικόνας NDVI, με το λογισμικό ENVI. Η διαβάθμιση της τιμής του NDVI αντικατοπτρίζει την έκταση της βλάστησης. Χαμηλή τιμή NDVI (σκούρο μπλε χρώμα) συνεπάγεται απουσία βλάστησης, ενώ υψηλή τιμή NDVI (ανοιχτό πράσινο χρώμα) αντιπροσωπεύει έντονη παρουσία βλάστησης.

Η χρήση του θερμικού διαύλου του δορυφόρου Landsat-7/ETM+ δεν προτείνεται για τον εντοπισμό υγρασίας που οφείλεται στην ύπαρξη αβαθών υδροφορέων. Αντίθετα, η πολυφασματική εικόνα Landsat-7/ETM+ μπορεί να χρησιμοποιηθεί στον εντοπισμό ανωμαλιών υγρασίας του εδάφους, που οφείλονται σε επιφανειακούς λόγους, μέσω της χρήσης δεικτών όπως αυτό του Υπέρυθρου (NDII) και του Δείκτη Βλάστησης (NDVI).

Η πολυφασματική εικόνα Landsat-7/ETM+ δεν αποδείχθηκε ιδιαίτερα αποτελεσματική στον εντοπισμό ρηχών υδροφόρων στρωμάτων μέσω υπολογισμού θερμοκρασιακών ανωμαλιών στην επιφάνεια του εδάφους. Αυτό πιθανόν να οφείλεται στην καταγραφή της επιφανειακής θερμικής ακτινοβολίας των αντικειμένων από τον Landsat-7/ETM+, αλλά και στο γεγονός ότι η διακριτική ικανότητα (60m) της θερμικής ζώνης 6 ίσως να μην είναι επαρκής για τον εντοπισμό θερμικών ανωμαλιών.

Τόσο η πολυφασματική εικόνα Landsat-7/ETM+, όσο και η πολυφασματική εικόνα του δορυφόρου QuickBird, μπορούν να χρησιμοποιηθούν για την εξαγωγή του δείκτη βλάστησης (NDVI), με ικανοποιητικά αποτελέσματα. Τα ποιοτικά αποτελέσματα των εικόνων συμπίπτουν σε μεγάλο βαθμό αλλά η εικόνα QuickBird υπερτερεί έναντι της Landsat-7/ETM+ ως προς την πολύ καλύτερη διακριτική ικανότητα (0,6m αντί 30 m).

Η χρησιμοποίηση της εικόνας Landsat-7/ETM+ για την εξαγωγή του δείκτη υπέρυθρου (NDII) έδωσε αρκετά καλά αποτελέσματα από την άποψη της διαφοροποίησης της επιφανειακής υγρασίας (υγρασία στα φυτά).
Επίσης η εφαρμογή της μεθόδου τη Ανάλυσης Κύριων Συνιστωσών, τόσο στην πολυφασματική εικόνα Landsat-7/ETM+ όσο και στην πολυφασματική εικόνα QuickBird, και ο κατάλληλος συνδυασμός των τριών πρώτων κύριων συνιστωσών (PC-1, PC-2, PC-3) με ζώνες (bands) των αρχικών εικόνων, είχε ως αποτέλεσμα την δημιουργία ψευδοχρωματικών εικόνων. Οι εικόνες που προέκυψαν φάνηκαν ιδιαίτερα αποτελεσματικές στην χαρτογράφηση γραμμώσεων, που σχετίζονται τόσο με τα ρήγματα όσο και με το υδρογραφικό δίκτυο της περιοχής. Με τη χρήση αυτών των εικόνων μπορεί να επιτευχθεί λεπτομερέστερη χαρτογράφηση του υδρογραφικού δικτύου, αλλά και των σημαντικότερων ρηγμάτων της περιοχής.

Στην παρούσα μελέτη, με τη χρήση του λογισμικού G.I.S, ArcGIS ψηφιοποιήθηκαν τα εξής επίπεδα πληροφοριών: Ισοϋψείς καμπύλες (ισοδίασταση 20m), από τους τοπογραφικούς χάρτες της Γ.Υ.Σ (φύλλα:Σταυρός, Στρατονίκη) κλίμακας 1:50.000, δημιουργία ψευδοχρωματικής απεικόνισης (pseusocolour display) των τιμών της τυπικής απόκλισης της θερμοκρασίας, ψηφιοποίηση γραμμώσεων (lineaments), οι οποίες εντοπίστηκαν στις πολυφασματικές εικόνες Landsat-7/ETM+ και QuickBird κ.α. Επίσης με τη χρήση του λογισμικού ArcGIS από τις τιμές θερμοκρασίας, που προέκυψαν από την ζώνη 6 του δορυφόρου Landsat-7/ΕΤΜ+, υπολογίστηκε η τυπική απόκλιση (Standard Diviation/STD) της τιμής κάθε εικονοστοιχείου (pixel) σε ακτίνα 75 m από αυτό (σχήμα 3).

[[εικόνα:ΕΙΚ3.4.jpg|center|400px|]]
'''Σχήμα 3:''' Ψευδοέγχρωμη απεικόνιση (pseusocolour display) της τυπικής απόκλισης (Standard Diviation/STD) των τιμών θερμοκρασίας που πρέκυψαν από την πολυφασματική εικόνα Landsat-7 ETN+, με την χρήση των λογισμικών ENVI και ArcGIS.(το pixel size της εικόνας είναι 25m και η διακριτική της ικανότητα είναι 60 m).

Η συμβολή της χρήσης μεθόδων ψηφιακής επεξεργασίας εικόνας, σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών (Γ.Σ.Π.) τόσο για τον εντοπισμό της επιφανειακής θερμοκρασίας εδάφους όσο και για την χαρτογράφηση γραμμώσεων (lineaments), κρίνεται σημαντική. Αυτό οφείλεται στο ότι ο συνδυασμός των παραπάνω παρέχει πληροφορίες για την τεκτονική και γεωμορφολογία μιας περιοχής, οι οποίες μπορούν να λειτουργήσουν τροποποιητικά ή συμπληρωματικά σε υπάρχοντες χάρτες, σε πολύ λιγότερο χρόνο από τις συμβατικές μεθόδους.

'''Πηγή:''' ΛΑΜΠΙΡΗ Μ., ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ:«ΓΕΩΓΡΑΦΙΑ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝ», ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ, ΘΕΣΣΑΛΟΝΙΚΗ 2009