RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Βερροίου Κωνσταντίνα

2013-03-09T10:47:59Z

Nantiaver:

* [[Αλγόριθμος ανίχνευσης για την εξαγωγή οδικών χαρακτηριστικών γνωρισμάτων χρησιμοποιώντας τις υπερφασματικές απεικονίσεις του EO-1]]

* [[Προκαταρτική Μελέτη πάνω στη διαφοροποίηση υλικών πεζοδρομίων σε σκιασμένα υπερφασματικά εικονοστοιχεία σε κεντρικές αστικές περιοχές]]

* [[Ραδιομετρία και Υπερφασματική Τηλεπισκόπηση για την ανίχνευση οδικού δικτύου και αξιολόγησης της ποιότητάς του]]

* [[Χαρτογράφηση της ποιότητας των ασφαλτόδρομων με Υπερφασματική Τηλεπισκόπηση]]

* [[Χαρτογράφηση της υποδομής του οδικού δικτύου χρησιμοποιώντας την Τηλεπισκόπηση και τα Γεωγραφικά Συστήματα Πληροφοριών]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]

Βερροίου Κωνσταντίνα

2013-03-09T10:46:01Z

Nantiaver:

Βερροίου Κωνσταντίνα

2013-03-09T10:44:03Z

Nantiaver:

* [[Αλγόριθμος ανίχνευσης για την εξαγωγή οδικών χαρακτηριστικών γνωρισμάτων χρησιμοποιώντας τις υπερφασματικές απεικονίσεις του EO-1]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]

Βερροίου Κωνσταντίνα

2013-03-09T10:41:59Z

Nantiaver: Νέα σελίδα με 'Add Your Content Here category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)'

Add Your Content Here

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]

Χαρτογράφηση της υποδομής του οδικού δικτύου χρησιμοποιώντας την Τηλεπισκόπηση και τα Γεωγραφικά Συστήματα Πληροφοριών

2013-02-20T22:53:51Z

Nantiaver: Νέα σελίδα με '== Χαρτογράφηση της υποδομής του οδικού δικτύου χρησιμοποιώντας την Τηλεπισκόπηση και τα Γεω...'

== Χαρτογράφηση της υποδομής του οδικού δικτύου χρησιμοποιώντας την Τηλεπισκόπηση και τα Γεωγραφικά Συστήματα Πληροφοριών –Περιοχή μελέτης Taita Hills, Κένυα ==
[[Αρχείο:Eikona1arthro5.png|200px|thumb|right|Εικόνα 1: Η ροή εργασιών των διαφόρων μεθόδων εξαγωγής οδικού δικτύου που εφαρμόζονται σε αυτή τη διατριβή]] [[Αρχείο:Eikona2arthro5.jpg|200px|thumb|right|Eικόνα 2:Αποτελέσματα της κατάτμησης στην αντικειμενοστρεφή ταξινόμηση, αριστερά πρώτο επίπεδο και δεξιά δεύτερο]] [[Αρχείο:Eikona3arthro5.png|200px|thumb|right|Εικόνα 3: Η οπτική ερμηνεία της εικόνας SPOT (αριστερά) και τα υποσύνολα μωσαϊκού (δεξιά) της Wundanyi (κορυφή), Dembwa (μέση) και Mwatate (κάτω)]]

'''Αντικείμενο'''

Πρόκειται για διατριβή η οποία εστιάζει στη μελέτη της παρούσας κατάστασης της υποδομής του οδικού δικτύου και στη χαρτογράφηση της περιοχής Taita Hills , στη νοτιοανατολική Κένυα μέσω της Τηλεπισκόπησης και των γεωγραφικών συστημάτων πληροφοριών. Η μελέτη γίνεται από το τμήμα Γεωγραφίας του Πανεπιστημίου του Ελσίνκι.

'''Μεθοδολογία'''

Για τη δημιουργία μωσαϊκού της περιοχής μελέτης χρησιμοποιήθηκαν οι λήψεις μίας αερομεταφερόμενης έγχρωμης ψηφιακής μηχανής από το 2004. Πρόσθετα δεδομένα υπήρξαν οι απεικονίσεις του αισθητήρα SPOT, οι μετρήσεις με ραδιόμετρο χειρός στο πεδίο και οι πληροφορίες από σχετική βιβλιογραφία. Για την εξέταση των χαρακτηριστικών του οδικού δικτύου εφαρμόστηκαν τρεις τεχνικές (Εικόνα 1). Η πρώτη ήταν επιβλεπόμενη ταξινόμηση σε επίπεδο εικονοστοιχείου (Maximum Likelihood Classification), μια τεχνική που βασίζεται στον ορισμό γνωστών αντιπροσωπευτικών δειγμάτων χρήσεων γης, τις περιοχές εκπαίδευσης, και πραγματοποιήθηκε με το λογισμικό ERDAS IMAGINE. Η δεύτερη ήταν αντικειμενοστρεφή επιβλεπόμενη ταξινόμηση (object-oriented supervised classification) ή οποία πραγματοποιήθηκε με το λογισμικό eCognition και περιλαμβάνει κάτατμηση (Εικόνα 2), δημιουργία μιας ιεραρχίας τάξεων, ασαφή ταξινόμηση και στη συνέχεια κατάτμηση δεύτερου επιπέδου και εξαγωγή των οδικών χαρτών με μία αυτόματη διαδικασία διανυσματοποίησης. Τέλος χρησιμοποιήθηκε οπτική ερμηνεία (Εικόνα 3), η οποία έγινε με την βοήθεια του λογισμικού ArcGIS, στις οπτικά ενισχυμένες εικόνες από το λογισμικό ERDAS IMAGINE. Η υποδομή του οδικού δικτύου ολόκληρου του μωσαϊκού της εικόνας χαρτογραφήθηκε με την εφαρμογή των πιο κατάλληλων μεθόδων. Οι φασματικές υπογραφές των διάφορων οδικών επιφανειών συγκρίνονται με τα δεδομένα των μετρήσεων από το ραδιόμετρο.

'''Αποτελέσματα-Συμπεράσματα'''

Η μελέτη καταλήγει στο συμπέρασμα ότι η ταξινόμηση και η εξαγωγή των δρόμων παραμένουν ένας δύσκολος στόχος, και ότι η ακρίβεια των αποτελεσμάτων είναι ανεπαρκής ανεξάρτητα από την υψηλή χωρική ανάλυση του μωσαϊκού εικόνας το οποίο χρησιμοποιήθηκε σε αυτήν την διατριβή. Η οπτική ερμηνεία, από όλες τις μεθόδους οι οποίες εφαρμόστηκαν είναι η απλούστερη, η πιο ακριβής και έγκυρη τεχνική για τη
χαρτογράφηση οδικού δικτύου. Ορισμένες επιφάνειες οδοστρώματος έχουν παρόμοιες φασματικές υπογραφές με άλλα αντικείμενα τα οποία καλύπτουν τη γη και η ανίχνευσή τους είναι ακόμη πιο πολύπλοκη έχοντας υπόψη την ύπαρξη βλάστησης, τα σύννεφα, τις σκιές, τη χαμηλή αντίθεση μεταξύ των δρόμων και των περιχώρων. Τα αποτελέσματα αυτής της έρευνας μπορούν να εφαρμοστούν στη χαρτογράφηση του οδικού δικτύου στις αναπτυσσόμενες χώρες σε ένα γενικότερο πλαίσιο, και με ορισμένους περιορισμούς.

Πηγή: Keskinen Antero Juha Paavali, 2007. Mapping Road Infrastructure in Developing Countries Applying Remote Sensing and GIS – The Case of
the Taita Hills, Kenya. Part of the TAITA-project by the Department of Geography, University of Helsinki.

[[category:Σύνταξη ψηφιακών τοπογραφικών χαρτών]]

Αρχείο:Eikona3arthro5.png

2013-02-20T22:38:59Z

Nantiaver: Η οπτική ερμηνεία της εικόνας SPOT (αριστερά) και τα υποσύνολα μωσαϊκού (δεξιά) της Wundanyi (κορυφή), Dembwa (μέση) και Mwatate (κάτω)

Η οπτική ερμηνεία της εικόνας SPOT (αριστερά) και τα υποσύνολα μωσαϊκού (δεξιά) της Wundanyi (κορυφή), Dembwa (μέση) και Mwatate (κάτω)

Αρχείο:Eikona2arthro5.jpg

2013-02-20T22:38:10Z

Nantiaver: Αποτελέσματα της κατάτμησης στην αντικειμενοστρεφή ταξινόμηση, αριστερά πρώτο επίπεδο και δεξιά δεύτερο

Αποτελέσματα της κατάτμησης στην αντικειμενοστρεφή ταξινόμηση, αριστερά πρώτο επίπεδο και δεξιά δεύτερο

Αρχείο:Eikona1arthro5.png

2013-02-20T22:31:34Z

Nantiaver: Η ροή εργασιών των διαφόρων μεθόδων εξαγωγής οδικού δικτύου που εφαρμόζονται σε αυτή τη διατριβή

Η ροή εργασιών των διαφόρων μεθόδων εξαγωγής οδικού δικτύου που εφαρμόζονται σε αυτή τη διατριβή

Αλγόριθμος ανίχνευσης για την εξαγωγή οδικών χαρακτηριστικών γνωρισμάτων χρησιμοποιώντας τις υπερφασματικές απεικονίσεις του EO-1

2013-02-20T22:11:14Z

Nantiaver: Νέα σελίδα με ''''Αντικείμενο''' Στη συγκεκριμένη έρευνα η προτεινόμενη μέθοδος [[Αρχείο:Eikona1arthro4.png|200px|thumb|right|...'

'''Αντικείμενο'''

Στη συγκεκριμένη έρευνα η προτεινόμενη μέθοδος [[Αρχείο:Eikona1arthro4.png|200px|thumb|right|Εικόνα 1: Τα διανυσματοποιημένα (vectorized) αποτελέσματα μετά από επεξεργασία για την ανίχνευση οδικών χαρακτηριστικών, χρησιμοποιώντας τους 5 αλγορίθμους ανίχνευσης οδικού δικτύου: (α)DRG (ψηφιακό γραμμικό γράφημα), το οποίο δείχνει τα λεπτομερή χαρακτηριστικά του χάρτη της εικόνας, (β) πρωτότυπη εικόνα, (γ) εικόνα από τον ανιχνευτή SAM, (δ) εικόνα από τον ανιχνευτή MF, (ε) εικόνα από τον ανιχνευτή CEM, (στ) εικόνα από τον ανιχνευτή TCIMF, (ζ) εικόνα από τον ανιχνευτή OSP]][[Αρχείο:Eikona2arthro4.jpg|200px|thumb|right|Εικόνα 2: Συνοπτικά αποτελέσματα αξιολόγησης της ποιότητας των αλγόριθμων οι οποίοι εφαρμόστηκαν στη μελέτη του Tzu-lung Sun]] χρησιμοποιεί το περιεχόμενο της φασματικής πληροφορίας των δορυφορικών υπερφασματικών απεικονίσεων του EO-1 Hyperion (χωρική ανάλυση 30m) με σκοπό την αυτοματοποιημένη εξαγωγή οδικού δικτύου.

'''Μεθοδολογία'''

Η διαδικασία που ακολουθείται χωρίζεται σε τρία στάδια : Στο πρώτο στάδιο (road finding), ο αλγόριθμος ανίχνευσης εφαρμόζεται για την ταξινόμηση πιθανών εικονοστοιχείων οδικού τμήματος με τη βοήθεια των επιλεγμένων δειγμάτων από την αρχική εικόνα. Μέσω αυτής της διαδικασίας αποδυναμώνεται το περιβάλλον (background) του αντικειμένου-στόχου και παράγει μία νέα εικόνα στην οποία εμφανίζονται τα εικονοστοιχεία που περιέχουν δρόμο. Στο δεύτερο στάδιο (road tracking), τα τμήματα που απεικονίζονται στη νέα εικόνα ενώνονται με βάση τους περιορισμούς οι οποίοι διέπουν τα οδικά δίκτυα και σχετίζονται με το μήκος και τη γωνία καμπυλότητας. Τέλος, στο τρίτο στάδιο (road linking), τα μεγαλύτερα οδικά τμήματα που δημιουργήθηκαν με την προηγούμενη διαδικασία συνδέονται μεταξύ τους. Οι αλγόριθμοι ανίχνευσης οδικού δικτύου οι οποίοι εφαρμόστηκαν σε αυτή τη μελέτη είναι: SAM, MF, CEM, TCIMF, OSP.

'''Αποτελέσματα – Συμπεράσματα'''

Το τελικό αποτέλεσμα είναι μία διανυσματοποιημένη (vectorized) εικόνα στην οποία απεικονίζονται οι αυτοκινητόδρομοι (Εικόνα 1).
Αξιολογώντας τα αποτελέσματα, προκύπτει πως τα χαρακτηριστικά των δρόμων απεικονίζονται καλύτερα με την εφαρμογή των αλγόριθμων CEM και TCIMF. Το γεγονός αυτό αποδεικνύει πόσο σημαντικό ρόλο έχει η μείωση των φασματικών υπογραφών του υπόβαθρου στον ακριβή εντοπισμό οδικού δικτύου. Στην Εικόνα 2 φαίνονται τα συνοπτικά αποτελέσματα αξιολόγησης της ποιότητας των αλγόριθμων. Το σύμβολο ν υποδηλώνει πως ο δρόμος έχει ενωθεί πλήρως με τα υπόλοιπα τμήματά του, το σύμβολο Δ υποδηλώνει πως υπάρχει μικρό “σπάσιμο” στον άξονα του δρόμου και τέλος, το σύμβολο x υποδηλώνει την ύπαρξη μεγάλων κενών ή λανθασμένων τμημάτων.

Πηγή: Tzu-Lung Sun, 2003. A Detection Algorithm For Road Feature Extraction Using EO-1 Hyperspectral Images. National Security Bureau, NO. 110,Sec. 1,Yang.De Blvd, Taipei City, Taiwan, R.O.C.

[[category:Μελέτες για το πλάτος και τη κατάσταση των δρόμων/πεζοδρομίων]]

Αρχείο:Eikona2arthro4.jpg

2013-02-20T22:02:42Z

Nantiaver: Συνοπτικά αποτελέσματα αξιολόγησης της ποιότητας των αλγόριθμων οι οποίοι εφαρμόστηκαν στη μελέτη του Tzu-lung Sun

Συνοπτικά αποτελέσματα αξιολόγησης της ποιότητας των αλγόριθμων οι οποίοι
εφαρμόστηκαν στη μελέτη του Tzu-lung Sun

Αρχείο:Eikona1arthro4.png

2013-02-20T21:53:46Z

Nantiaver: Τα διανυσματοποιημένα (vectorized) αποτελέσματα μετά από επεξεργασία για την ανίχνευση οδικών χαρακτηριστικών, χρησιμοποιώντας τους 5 αλγορίθμ

Τα διανυσματοποιημένα (vectorized) αποτελέσματα μετά από επεξεργασία για την ανίχνευση οδικών χαρακτηριστικών, χρησιμοποιώντας τους 5 αλγορίθμους ανίχνευσης οδικού δικτύου: (α)DRG (ψηφιακό γραμμικό γράφημα), το οποίο δείχνει τα λεπτομερή χαρακτηριστικά του χάρτη της εικόνας, (β) πρωτότυπη εικόνα, (γ) εικόνα από τον ανιχνευτή SAM, (δ) εικόνα από τον ανιχνευτή MF, (ε) εικόνα από τον ανιχνευτή CEM, (στ) εικόνα από τον ανιχνευτή TCIMF, (ζ) ) εικόνα από τον ανιχνευτή OSP

Προκαταρτική Μελέτη πάνω στη διαφοροποίηση υλικών πεζοδρομίων σε σκιασμένα υπερφασματικά εικονοστοιχεία σε κεντρικές αστικές περιοχές

2013-02-20T21:00:25Z

Nantiaver: Νέα σελίδα με ''''Αντικείμενο''' Σκοπός της εργασίας είναι η εξαγωγή μιας αξιόπιστης εκτίμησης της ανακλαστι...'

'''Αντικείμενο'''

Σκοπός της εργασίας είναι η εξαγωγή μιας αξιόπιστης εκτίμησης της ανακλαστικότητας αντικειμένων της αστικής περιοχής, που δε φωτίζονται αρκετά,[[Αρχείο:Eikona1arthro3.jpg|200px|thumb|right|Εικόνα 1: Οι σκιασμένες περιοχές στο αστικό κέντρο αποτελούνται ως επί το πλείστον από μακριές στενές λωρίδες (επάνω), και έτσι αναγκαστικά αποτελούν μέρος της εδαφικής πραγματικότητας (κάτω)]][[Αρχείο:Eikona2arthro3.png|200px|thumb|right|Εικόνα 2: Αντιπροσωπευτικά διαγράμματα φασματικής ανακλαστικότητας για τις κατηγορίες (από πάνω αριστερά): βοτσαλωτή πεζοδρόμηση, γρανίτης, πορφύρα, άσφαλτος]] εξαιτίας των σκιών από ψηλά κτίρια και αντικείμενα και έπειτα η σωστή ταξινόμηση των εικονοστοιχείων αυτών, που περιέχονται στα υπερφασματικά δεδομένα. Μία απλή προσέγγιση του προβλήματος είναι η αποκοπή των σκιασμένων pixels με τη χρήση μασκών. Στην εργασία αυτή, ερευνούνται τα χαρακτηριστικά αυτών των εικονοστοιχείων, ώστε να εξαχθεί οποιαδήποτε πιθανή πληροφορία.

'''Μεθοδολογία'''

Στην εργασία χρησιμοποιήθηκε ο αισθητήρας ROSIS (Reflective Optics System Imaging Spectrometer) με 103 κανάλια , εύρους 430-850nm. Στην αερομεταφερόμενη πλατφόρμα, που πέταξε σε ύψος 1890 μέτρων, υπήρχε και το όργανο DAIS. Το αποτέλεσμα αυτών, ήταν 4 λωρίδες δεδομένων για κάθε αισθητήρα, εύρους 512 pixels και χωρική ανάλυση 1.5m για τον DAIS και 1m για τον ROSIS. Ένας απλός αλγόριθμος ταξινόμησης k-means για 5 τάξεις, σε ένα δείγμα εικόνας του ROSIS, διαστάσεων 512x1000, έδειξε πως το 20.5% του συνόλου των εικονοστοιχείων είναι σκιασμένα. Μετά από εκτεταμένη επίγεια έρευνα κατηγοριοποιήθηκαν τα διαφορετικά υλικά πεζοδρομίων που φαίνονται στις σκιασμένες περιοχές των εικόνων. Τα υλικά που βρέθηκαν είναι τα ακόλουθα: βοτσαλωτό πεζοδρόμιο, κονίαμα από δύο είδη γρανίτη, κονίαμα σχιστόλιθου, πορφύρα σε μικρούς κύβους και άσφαλτος. Εν συνεχεία, έγινε έρευνα για όλες τις παραπάνω κατηγορίες σε σκιασμένα και φωτισμένα εικονοστοιχεία. Χρησιμοποιήθηκαν κλασικοί αλγόριθμοι ταξινόμησης για τη διεξαγωγή των ερευνών. Αυτοί ήταν οι Mahalanobis Distance(MHD), Maximum Likelihood(ML), Minimum Distance(MD) και Spectral Angle Mapper (SAM). H πρώτη προσπάθεια είχε σκοπό τον εντοπισμό ενός σημείου αναφοράς, ταξινομώντας κατευθείαν τα σκιασμένα εικονοστοιχεία, όμως τα αποτελέσματα ήταν φτωχά. Η καλύτερη ακρίβεια που επετεύχθη ήταν για το υλικό της πορφύρας με 77%, με εξαιρετικά υψηλό όμως σφάλμα (commission error rate: 200%). Προς χάριν συγκρίσεως, τα φωτισμένα εικονοστοιχεία πέτυχαν ακρίβεια της τάξης του 85% με δείκτη k=0.804 για τον MHD, 88% με k=0.841 για τον ML, 76% με k=0.686 για τον MD, 39% με k=0.304 για τον SAM. Τα φτωχά αποτελέσματα για τον MD και τον SAM προτείνουν ένα μη ασήμαντο σχήμα των κατηγοριών (non-trivial shape of clusters). Το επόμενο βήμα ήταν η ανάλυση των φασματικών καμπυλών των σκιασμένων εικονοστοιχείων, ώστε να αποφασιστεί με οπτικό τρόπο ποιες κατηγορίες θα μπορούσαν να συγχωνευτούν λόγω ομοιότητας, σε μια προσπάθεια να αποκτηθεί ακρίβεια στην ταξινόμηση. Έτσι, δημιουργήθηκαν τελικώς δύο κατηγορίες με τις ονομασίες HDN και LDN, με συνέπεια τη μείωση του αριθμού των κατηγοριών στη μέση, αλλά το διπλασιασμό του αριθμού των εικονοστοιχείων για κάθε κατηγορία. Με τα νέα δεδομένα, υλοποιήθηκε ταξινόμηση, χρησιμοποιώντας τους κλασικούς αλγόριθμους. Αυτή τη φορά τα αποτελέσματα ακρίβειας ήταν τα εξής: 75% με k=0.621 για τον MHD, 73% με k=0.598 για τον ML, 73% με k=0.599 για τον MD και 38% με k=0.26 για τον SAM.

'''Αποτελέσματα'''

Σε αυτή την εργασία περιγράφηκε η προσπάθεια εξερεύνησης σκιασμένων εικονοστοιχείων, με σκοπό την εξαγωγή χρήσιμης πληροφορίας που περιέχονται σε αυτά, για την ταξινόμησή τους. Μετά τη συλλογή των δεδομένων, έγιναν ταξινομήσεις ξεχωριστά για τα φωτισμένα και σκιασμένα εικονοστοιχεία. Η ανάλυση των φασματικών τους διαγραμμάτων ανέδειξε κάποιες ομοιότητες σε κάποιες από τις κατηγορίες. Οι όμοιες κατηγορίες συγχωνεύτηκαν και έγινε νέα ταξινόμηση με βελτίωση της ακρίβειας σε όλα τα επίπεδα, εκτός από τον SAM.

'''Συμπεράσματα'''

Τα αποτελέσματα φαίνεται να δείχνουν ότι είναι δυνατό να ανταλλάξουμε την ακρίβεια ορισμένων τάξεων για λόγους ορθότητας, δηλαδή με το να εγκαταλειφθεί η διακριτική ικανότητα ορισμένων κατηγοριών, είναι δυνατή η μετάβαση από άχρηστες ταξινομήσεις σε λογικές, εκμεταλλευόμενοι την περιορισμένη ποσότητα των πληροφοριών που είναι ακόμα διαθέσιμη για τα σκιασμένα εικονοστοιχεία με χαμηλό SNR. Μια μελλοντική εργασία θα έχει ως στόχο τον διαχωρισμό των σκιασμένων εικονοστοιχείων που είναι πολωμένα, λόγω συμβολής της διάχυσης από τα γειτονικά, φωτιζόμενα εικονοστοιχεία. Αυτή πιστεύεται ότι είναι η κύρια αιτία αλλοίωσης του αποτελέσματος της ταξινόμησης: στενές λωρίδες μετά το περίγραμμα κτιρίων είναι το πιο συχνό σχήμα των ομάδων των σκιασμένων εικονοστοιχείων, εκ των οποίων κανένα δεν είναι αρκετά μακριά από το όριο για να επηρεαστεί από τα φωτισμένα εικονοστοιχεία.

Πηγή: Dell’Acqua F., Gamba P., & Trianni G., 2005. A PRELIMINARY STUDY ON SEPARABILITY OF PAVING MATERIALS IN SHADOWED HYPERSPECTRAL PIXELS FROM A CENTRAL URBAN AREA. ''ISPRS Archives – Volume XXXVI-8/W27'', Joint Symposia URBAN - URS, March 14-16 2005, Tempe, AZ, USA

[[category:Μελέτες για το πλάτος και τη κατάσταση των δρόμων/πεζοδρομίων]]

Αρχείο:Eikona2arthro3.png

2013-02-20T20:29:53Z

Nantiaver: Αντιπροσωπευτικά διαγράμματα φασματικής ανακλαστικότητας για τις κατηγορίες (από πάνω αριστερά): βοτσαλωτή πεζοδρόμηση, γρανίτης, πορφύρ�

Αντιπροσωπευτικά διαγράμματα φασματικής ανακλαστικότητας για τις κατηγορίες (από πάνω αριστερά): βοτσαλωτή πεζοδρόμηση, γρανίτης, πορφύρα, άσφαλτος

Αρχείο:Eikona1arthro3.jpg

2013-02-20T20:20:40Z

Nantiaver: Οι σκιασμένες περιοχές στο αστικό κέντρο αποτελούνται ως επί το πλείστον από μακριές στενές λωρίδες (επάνω), και έτσι αναγκαστικά αποτελού�

Οι σκιασμένες περιοχές στο αστικό κέντρο αποτελούνται ως επί το πλείστον από μακριές στενές λωρίδες (επάνω), και έτσι αναγκαστικά αποτελούν μέρος της εδαφικής πραγματικότητας (κάτω)

Χαρτογράφηση της ποιότητας των ασφαλτόδρομων με Υπερφασματική Τηλεπισκόπηση

2013-02-20T20:00:16Z

Nantiaver: Νέα σελίδα με ''''Αντικείμενο''' Σκοπός αυτής της μελέτης είναι η διερεύνηση των δυνατοτήτων της χρήσης των υ...'

'''Αντικείμενο'''

Σκοπός αυτής της μελέτης είναι η διερεύνηση των δυνατοτήτων της χρήσης των υπερφασματικών απεικονίσεων για την αξιολόγηση [[Αρχείο:Eikona1arthro2.png|200px|thumb|right|Εικόνα 1: Εικόνα από τον AVIRIS της περιοχής μελέτης (Κεντρικοί δρόμοι Fairview Avenue και Cathedral Oaks) και η κατανομή του PCI από τη βάση δεδομένων της Santa Barbara]][[Αρχείο:Eikona2arthro2.jpg|200px|thumb|right|Εικόνα 2: Φασματικές ανακλαστικότητες τεσσάρων διαφορετικών ποιοτικά κατηγοριών οδικού τμήματος από την ASD βιβλιοθήκη, μελέτη του Πανεπιστημίου Καλιφόρνιας]]της ποιότητας των ασφαλτόδρομων μέσω της ανάλυσης των σχέσεων μεταξύ των τηλεπισκοπικών παραμέτρων (φασματική ανακλαστικότητα) και των ποιοτικών παραμέτρων των δρόμων (Pavement Condition Index, PCI).

'''Μεθοδολογία'''

Για την αξιολόγηση της ποιότητας του οδικού δικτύου έχει αναπτυχθεί πληθώρα μεθόδων οι οποίες εφαρμόζονται στο πεδίο. Στη συγκεκριμένη μελέτη εφαρμόστηκαν τρεις μέθοδοι στο πεδίο. Μία από τις πιο διαδεδομένες μεθόδους είναι η αξιολόγηση της ποιότητας του οδικού δικτύου (Pavement Condition Index, PCI) από ειδικούς οι οποίοι βασίζονται σε φυσικές παραμέτρους όπως είναι οι ρωγμές, σπασίματα κ.λπ. Η δεύτερη μέθοδος περιλαμβάνει το σύστημα Pavement Management System (PMS) το οποίο συνδυάζεται με την τεχνολογία του GPS/GIS. Τέλος, ακολουθεί μία ημιαυτόματη έρευνα αξιολόγησης της ποιότητας του δικτύου με ειδικά εξοπλισμένα οχήματα (Roadware PCI). Λόγω του αυξημένου κόστους των μεθόδων οι οποίες αναφέρθηκαν, το Πανεπιστήμιο της Καλιφόρνιας στη Santa Barbara επιχειρεί να ερευνήσει εάν η Υπερφασματική Τηλεπισκόπηση μπορεί να δώσει αντίστοιχα ικανοποιητικά αποτελέσματα. Έτσι, εκτός από τις “παραδοσιακές ” μεθόδους στο πεδίο (PCI, PMS, ειδικά οχήματα) χρησιμοποιούνται απεικονίσεις των αερομεταφερόμενων αισθητήρων AVIRIS (χωρικής ανάλυσης 4m) και HyperSpecTIR με GIFOV (ground-projected instantaneous field of view) τα 0,5m καθώς επίσης και η βιβλιοθήκη φασματικών υπογραφών (ASD library) η οποία προήλθε από μετρήσεις στο πεδίο με ραδιόμετρο χειρός Analytical Spectral Devices (ASD) με εύρος φάσματος 350nm-2400nm και τρεις ανιχνευτές, στο ορατό και εγγύς υπέρυθρο (Visible and Near Infrared, VNIR) και στο μικροκυμματικό υπέρυθρο (SWIR1 και SWIR2). Η περιοχή μελέτης βρίσκεται στην αστική περιοχή της Goleta, 170 χλμ βορειοδυτικά του Los Angeles και συγκεκριμένα μελετώνται δύο κεντρικοί δρόμοι (Fairview Avenue και Cathedral Oaks) οι οποίοι αποτελούνται από τέσσερις λωρίδες (δύο ανά κατεύθυνση). Έπειτα ακολουθεί η σύγκριση μεταξύ ποσοτικής πληροφορίας (φασματική ανακλαστικότητα) και ποιοτικής πληροφορίας (PCI) (Εικόνα 1), η οποία είναι αρκετά δύσκολη και για την επίτευξη της εφαρμόζεται η στατιστική μέθοδος ανάλυσης της διασποράς (Analysis of Variance, ANOVA). Η μέθοδος αυτή περιγράφει εάν η ανακλαστικότητα των απεικονίσεων είναι στατιστικά διαφορετική για κάθε κατάσταση στην οποία βρίσκεται ο δρόμος (τέλεια, καλή, μέτρια, κακή, πολύ κακή) ή εάν είναι τυχαία. Η έρευνα βασίζεται σε δύο “περιοχές” του φάσματος (VIS2, SWIR). Η πρώτη περιοχή (VIS2) περιέχει τις φασματικές ανακλαστικότητες μεταξύ 490nm και 830nm. Σε αυτό το εύρος φασματικής ανακλαστικότητας οι τιμές είναι χαμηλές για πρόσφατα επιστρωμένους ασφαλτόδρομους και αυξάνονται με τη “γήρανση” και την εμφάνιση τεχνικών ατελειών, όπως ρωγμών (Εικόνα 2). Σχετικά με το δεύτερο εύρος φασματικής ανακλαστικότητας (SWIR) το οποίο κυμαίνεται στα 2120nm-2340nm, οι τιμές ανακλαστικότητας των παλιών ασφαλτόδρομων μειώνονται αισθητά.

'''Αποτελέσματα'''

Από την ανάλυση δεδομένων της ASD library προκύπτει πως όσο πιο παλιά είναι η άσφαλτος, η ανακλαστικότητά της μεγαλώνει σε όλο το εύρος του φάσματος. Επίσης, παρατηρείται πως οι ρωγμές (cracks) και οι “λεκέδες” παλιών ρωγμών (old crack seals) έχουν μειωμένη ανακλαστικότητα. Ιδιαίτερα στις νέες ρωγμές παρατηρείται η χαμηλότερη ανακλαστικότητα. Σχετικά με τις παλαιότερες ρωγμές οι οποίες περιέχουν βλάστηση, η φασματική ανακλαστικότητά τους επηρεάζεται από τη χλωροφύλλη και την περιεκτικότητά του σε νερό).

'''Συμπεράσματα'''

Αξιολογώντας τα αποτελέσματα, η “γήρανση” και η εμφάνιση τεχνικών ατελειών συντελεί στην παρουσία ευδιάκριτων φασματικών χαρακτηριστικών. Χρησιμοποιώντας τις ανακλαστικότητες των απεικονίσεων και τη μέθοδο ANOVA, μετατράπηκαν οι ανακλαστικότητες της απεικόνισης σε ποιοτικούς δείκτες της κατάστασης των δρόμων. Ουσιαστική για τη χαρτογράφηση της ποιότητας των δρόμων είναι η καλή χωρική ανάλυση της οποίας το GIFOV πρέπει να είναι τουλάχιστον 0.5m για τις λεπτομερείς παρατηρήσεις. Τα αποτελέσματα της αξιολόγησης ποιότητας είναι ακριβέστερα για τους δρόμους οι οποίοι βρίσκονται σε καλή κατάσταση. Οι παλαιότεροι δρόμοι είναι πιο δύσκολο να αξιολογηθούν τόσο μέσω Τηλεπισκόπησης όσο και με τη μέθοδο Roadware PCI.

Πηγή: Herold M.,Roberts D.,Smadi O. and Noronha V., 2004. ROAD CONDITION MAPPING WITH HYPERSPECTRAL REMOTE SENSING. ''Presented at the 2004 AVIRIS Workshop, Pasadena, Calif., 31 March–2 April 2004''. Department of Geography, UCSB, Santa Barbara ,Center for Transportation Research and Education, Iowa State University at Ames

[[category:Μελέτες για το πλάτος και τη κατάσταση των δρόμων/πεζοδρομίων]]

Αρχείο:Eikona2arthro2.jpg

2013-02-20T19:41:29Z

Nantiaver: Φασματικές ανακλαστικότητες τεσσάρων διαφορετικών ποιοτικά κατηγοριών οδικού τμήματος από την ASD βιβλιοθήκη, μελέτη του Πανεπιστημίου Κα

Φασματικές ανακλαστικότητες τεσσάρων διαφορετικών ποιοτικά κατηγοριών οδικού τμήματος από την ASD βιβλιοθήκη, μελέτη του Πανεπιστημίου Καλιφόρνιας

Αρχείο:Eikona1arthro2.png

2013-02-20T19:33:26Z

Nantiaver: Εικόνα από τον AVIRIS της περιοχής μελέτης (Κεντρικοί δρόμοι Fairview Avenue και Cathedral Oaks) και η κατανομή του PCI από τη βάση δεδομένων της Santa Barbara

Εικόνα από τον AVIRIS της περιοχής μελέτης (Κεντρικοί δρόμοι Fairview Avenue και Cathedral Oaks) και η κατανομή του PCI από τη βάση δεδομένων της Santa Barbara

Ραδιομετρία και Υπερφασματική Τηλεπισκόπηση για την ανίχνευση οδικού δικτύου και αξιολόγησης της ποιότητάς του

2013-02-20T19:24:53Z

Nantiaver: Νέα σελίδα με '== Ραδιομετρία και Υπερφασματική Τηλεπισκόπηση για την ανίχνευση οδικού δικτύου και αξιολόγη...'

== Ραδιομετρία και Υπερφασματική Τηλεπισκόπηση για την ανίχνευση οδικού δικτύου και αξιολόγησης της ποιότητάς του ==

'''Αντικείμενο'''

Η συγκεκριμένη εφαρμογή έχει ως σκοπό να προσφέρει μία γρήγορη και οικονομική[[Αρχείο:Eikona1arthro1.jpg|200px|thumb|right|Εικόνα 1: Ανακλαστικότητα του οδικού δικτύου στα κανάλια του VIS και SWIR]][[Αρχείο:Eikona2arthro1.jpg|200px|thumb|right|Εικόνα 2: Το αποτέλεσμα της ταξινόμησης μέσω του eCognition (κάτω), συγκρινόμενο με το ψευδέγχρωμο σύνθετο του IKONOS (πάνω αριστερά) και ψηφιακά δεδομένα που αναπαριστούν τα σπίτια και το οδικό δίκτυο με υπόβαθρο τον λόγο NDVI (πάνω δεξιά)]][[Αρχείο:Eikona3arthro1.jpg|200px|thumb|right|Εικόνα 3: α) εικόνα AVIRIS , β) ταξινόμηση των οδικών επιφανειών (περιλαμβάνονται κάποιες οροφές), γ) εφαρμογή γραμμικού φίλτρου, αφαίρεση κενών, διανυσματοποίηση και εξομάλυνση των αξόνων, δ) χάρτης αναφοράς των αξόνων]][[Αρχείο:Eikona4arthro1.jpg|200px|thumb|right|Εικόνα 4: Βελτίωση της ακρίβειας ταξινόμησης για διαφορετικές ραδιομετρικές ρυθμίσεις συγκρινόμενες με την ταξινόμηση σε IKONOS]]
μέθοδο ανίχνευσης οδικών αξόνων και συλλογής πληροφοριών σχετικά με την ποιοτική κατάσταση στην οποία βρίσκονται. Επιχειρεί την εξαγωγή διάφορων κατηγοριών οδικού δικτύου και συγκρίνει τις φασματικές υπογραφές οι οποίες σχετίζονται με διαφορετικής ποιότητας οδικά δίκτυα. Η περιοχή μελέτης είναι η αστική περιοχή της Goleta στην Santa Barbara, στην Καλιφόρνια, η οποία χαρακτηρίζεται από ποικίλες χρήσεις γης και διάφορες κατηγορίες δρόμου.

'''Μεθοδολογία'''

Αρχικά, για τη μελέτη χρησιμοποιήθηκαν συνδυαστικά ο αισθητήρας AVIRIS (224 κανάλια), με εύρος φάσματος 350nm-2500nm, χωρικής ανάλυσης 4m και ραδιόμετρο χειρός στο πεδίο, μέσω των οποίων καταγράφηκαν 6.000 φασματικές υπογραφές οι οποίες ανήκουν σε 147 διαφορετικές επιφάνειες/διαφορετικά αντικείμενα. Το ραδιόμετρο χειρός χρησιμοποιεί τρεις ανιχνευτές, στο ορατό, εγγύς υπέρυθρο (Visible and Near Infrared, VNIR) και στο μικροκυμματικό υπέρυθρο (SWIR1 και SWIR2). Η “αστική” βιβλιοθήκη φασματικών υπογραφών αναπτύχθηκε με δύο τρόπους: 1) χρησιμοποιώντας ραδιόμετρο χειρός στο πεδίο (Analytical Spectral Device, ASD), 2) αντλώντας πληροφορία από τις υπερφασματικές απεικονίσεις του AVIRIS (AVIRIS library). Η επεξεργασία των απεικονίσεων του AVIRIS έγινε με το λογισμικό “MultiSpec”, το οποίο σχεδιάστηκε για την επεξεργασία και ανάλυση των υπερφασματικών δεδομένων. Η πρώτη μέθοδος που εφαρμόστηκε είναι η Bhattacharyya distance για την επιλογή των κατάλληλων καναλιών στα οποία διαχωρίζονται καλύτερα οι φασματικές υπογραφές των κατηγοριών. Χρησιμοποιήθηκαν τα δεδομένα και των δύο βιβλιοθηκών (ASD library, AVIRIS library) και τελικά, επιλέχθηκαν 14 κανάλια στα οποία διακρίθηκε η μεγαλύτερη διαχωριστική ικανότητα των φασματικών υπογραφών των στόχων-αντικειμένων. Στην υπερφασματική απεικόνιση AVIRIS έγινε ταξινόμηση με τη μέθοδο Maximum Likelihood Classification και η παραγόμενη απεικόνιση περιέχει αρκετές κατηγορίες δρόμων, όπως δρόμους με άσφαλτο, τσιμέντο, αμμοχάλικο και χώρους στάθμευσης.
Σε δεύτερο στάδιο, μελετώνται δορυφορικά δεδομένα ΙΚΟΝΟS (4m), με χρήση αντικειμενοστραφούς ανάλυσης, σε μια προσπάθεια υπερκέρασης των μειονεκτημάτων των πολυφασματικών δεδομένων των υπαρχόντων δορυφορικών δεκτών, λόγω της μικρής ραδιομετρικής τους ικανότητας. Η ανάλυση εφαρμόστηκε σε ένα μωσαϊκό επτά εικόνων IKONOS που καλύπτουν όλη της περιοχή της Santa Barbara. Έπειτα πραγματοποιήθηκε μια σύγκριση ταξινομήσεων μεταξύ δεδομένων από δέκτες διαφορετικών ραδιομετρικών χαρακτηριστικών (Εικόνα 4). Συγκρίθηκαν τρεις τύποι δεδομένων. Ο Top 5 VIS, ο οποίος περιελάμβανε 4 κανάλια μικρού εύρους (10 nm) στην ορατή και εγγύς υπέρυθρη περιοχή του φάσματος, αντί για τα 5 πολυφασματικά κανάλια του IKONOS. Ο δεύτερος τύπος εικόνας περιλαμβάνει τα κανάλια του IKONOS και επιπρόσθετα 2 περισσότερο κατάλληλα κανάλια από την εγγύς υπέρυθρη περιοχή. Τέλος ο τρίτος τύπος περιλαμβάνει τα 14 πιο κατάλληλα κανάλια από τα 224 του AVIRIS, τα οποία παρουσιάζουν τη μεγαλύτερη διαχωριστική ικανότητα όσον αφορά στις αστικές θεματικές κατηγορίες κάλυψης του εδάφους.

'''Αποτελέσματα'''

Αρχικά, η πληροφορία η οποία αποκτάται με τις μεθόδους Τηλεπισκόπησης δεν είναι τόσο λεπτομερής όσο εκείνη η οποία αποκτάται από μετρήσεις στο πεδίο. Ωστόσο, παρατηρήθηκε πως σε ορισμένα κανάλια του ορατού υπέρυθρου (VIS) και του μικροκυμματικού υπέρυθρου (SWIR) διακρίνονται κάποιες διαφορές στην ανακλαστικότητα λόγω “ηλικίας” και ποιότητας. Το αποτέλεσμα των φασματικών ανακλαστικοτήτων των στόχων σε αυτά τα κανάλια παρουσιάζεται στην Εικόνα 1.
Η ακρίβεια που επιτεύχθηκε από τα δεδομένα ΙΚΟΝΟS με αντικειμενοστραφή ανάλυση, ήταν 64% και θεωρείται καλή αν κανείς αναλογιστεί τον μειωμένο αριθμό καναλιών του δέκτη. Μετά από την ταξινόμηση του οδικού δικτύου, ο παραγόμενος χάρτης μπορεί να χρησιμοποιηθεί για την εξαγωγή των αξόνων των δρόμων κατά την οποία θα πρέπει να ληφθούν υπ’ όψιν οι ανακρίβειες της ταξινόμησης και η χωρική ανάλυση των δεδομένων (Εικόνες 2, 3). Από την σύγκριση ταξινομήσεων μεταξύ δεδομένων από δέκτες διαφορετικών ραδιομετρικών χαρακτηριστικών (Εικόνα 4), παρατηρείται ότι ο δέκτης με τα 14 κατάλληλα κανάλια επιτυγχάνει μεγαλύτερη ακρίβεια κατά την ταξινόμηση όλων σχεδόν των θεματικών κατηγοριών σε σχέση με τους δύο πρώτους δέκτες, ενώ όπου δεν υπερτερεί, οι διαφορές στην ακρίβεια είναι ελάχιστες.

'''Συμπεράσματα'''

Σύμφωνα με αυτή την έρευνα προκύπτουν τα εξής συμπεράσματα (Εικόνα 1):

• Οι πρόσφατα επιστρωμένοι δρόμοι εμφανίζουν χαμηλή ανακλαστικότητα (πράσινο, κίτρινο χρώμα).

• Η ανακλαστικότητα αυξάνεται όσο αυξάνεται η “ηλικία” των δρόμων.

• Οι περισσότεροι δρόμοι της περιοχής χαρακτηρίζονται παλαιοί και μέτριας ποιότητας.

Όσον αφορά στην εξαγωγή των αξόνων του οδικού δικτύου, τα δεδομένα AVIRIS εξήγαγαν επιτυχή αποτελέσματα, όχι όμως και τέλεια σε αστικές περιοχές. Υπάρχει η δυνατότητα βελτίωσης των αποτελεσμάτων με χρήση αντικειμενοστραφούς ανάλυσης, βασισμένη στη γεωμετρία, τοπολογία και εγγύτητα αλλά και σε συνδυασμό με υψομετρικά δεδομένα όπως LiDAR.
Στη συγκεκριμένη έρευνα επιτεύχθηκε ο διαχωρισμός των διαφορετικών τύπων οδοστρώματος αλλά και διερεύνησης της ηλικίας τους, κάτι το οποίο αποτελεί πολύ χρήσιμη πληροφορία για την ποιότητα του οδοστρώματος. Όμως τέτοιου είδους έρευνα δεν είναι εφικτή με υπερφασματικά δεδομένα αυτής της χωρικής ανάλυσης (4m).
Οι παραπάνω μέθοδοι ανάλυσης δεδομένων AVIRIS, μπορούν να χαρακτηριστούν ως πολύπλοκες και μεγάλου κόστους διαδικασίες. Με βάση την έρευνα αυτή, το πρόβλημα ανάγεται στο πολυφασματικό επίπεδο, αφήνοντας το πρόβλημα της διάκρισης μεταξύ των αστικών υλικών στο υπερφασματικό επίπεδο των 224 καναλιών του AVIRIS. Έτσι ο ρόλος του AVIRIS θα ήταν να χρησιμοποιηθεί για το σχεδιασμό κάποιου πολυφασματικού σαρωτή εξειδικευμένου στη χαρτογράφηση του αστικού περιβάλλοντος, ο οποίος έπειτα λόγω της χαμηλής ραδιομετρικής του ικανότητας, θα ήταν περισσότερο ανεκτός οικονομικά και κατ’ επέκταση θα τύγχανε ευρείας χρήσης.

Πήγη: Noronha V., Herold M., Roberts D., & Gardner M., 2002. SPECTROMETRY AND HYPERSPECTRAL REMOTE SENSING FOR ROAD CENTERLINE EXTRACTION AND EVALUATION OF PAVEMENT CONDITION. ''National Consortium on Remote Sensing in Transportation — Infrastructure Management'', Department of Geography, University of California Santa Barbara

[[category:Μελέτες για το πλάτος και τη κατάσταση των δρόμων/πεζοδρομίων]]

Αρχείο:Eikona4arthro1.jpg

2013-02-20T19:07:56Z

Nantiaver: Βελτίωση της ακρίβειας ταξινόμησης για διαφορετικές ραδιομετρικές ρυθμίσεις συγκρινόμενες με την ταξινόμηση σε IKONOS

Βελτίωση της ακρίβειας ταξινόμησης για διαφορετικές ραδιομετρικές ρυθμίσεις συγκρινόμενες με την ταξινόμηση σε IKONOS

Αρχείο:Eikona3arthro1.jpg

2013-02-20T19:05:08Z

Nantiaver: α) εικόνα AVIRIS , β) ταξινόμηση των οδικών επιφανειών (περιλαμβάνονται κάποιες οροφές), γ) εφαρμογή γραμμικού φίλτρου, αφαίρεση κενών, διανυσμα

α) εικόνα AVIRIS , β) ταξινόμηση των οδικών επιφανειών (περιλαμβάνονται κάποιες οροφές), γ) εφαρμογή γραμμικού φίλτρου, αφαίρεση κενών, διανυσματοποίηση και εξομάλυνση των αξόνων, δ) χάρτης αναφοράς των αξόνων

Αρχείο:Eikona2arthro1.jpg

2013-02-20T19:03:26Z

Nantiaver: Το αποτέλεσμα της ταξινόμησης μέσω του eCognition (κάτω), συγκρινόμενο με το ψευδέγχρωμο σύνθετο του IKONOS (πάνω αριστερά) και ψηφιακά δεδομένα που

Το αποτέλεσμα της ταξινόμησης μέσω του eCognition (κάτω), συγκρινόμενο με το ψευδέγχρωμο σύνθετο του IKONOS (πάνω αριστερά) και ψηφιακά δεδομένα που αναπαριστούν τα σπίτια και το οδικό δίκτυο με υπόβαθρο τον λόγο NDVI (πάνω δεξιά)

Αρχείο:Eikona1arthro1.jpg

2013-02-20T19:01:21Z

Nantiaver: Ανακλαστικότητα του οδικού δικτύου στα κανάλια του VIS και SWIR

Ανακλαστικότητα του οδικού δικτύου στα κανάλια του VIS και SWIR

Αρχείο:Εικόνα 1 1.jpg

2013-02-20T18:58:37Z

Nantiaver: Ανακλαστικότητα του οδικού δικτύου στα κανάλια του VIS και SWIR

Ανακλαστικότητα του οδικού δικτύου στα κανάλια του VIS και SWIR