RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Παφίλης Απόστολος

2013-02-20T00:04:03Z

Pafilis:

* [[Αξιολόγηση δορυφορικής απεικόνισης υψηλής ανάλυσης του δορυφορικού συστήματος SPOT 5 για ταυτοποίηση καλλιεργειών]]
* [[Αξιολόγηση των δεδομένων του δορυφόρου RADARSAT-1 για εντοπισμό καμένων περιοχών στην Νότια Ευρώπη]]
* [[Χαρτογράφηση σε μεγάλη κλίμακα της κατανομής της βυθισμένης υδρόβιας βλάστησης χρησιμοποιώντας την τηλεπισκόπηση]]
* [[Χαρτογράφηση της δασικής βιομάζας συνδυάζοντας την τεχνολογία της τηλεπισκόπησης με την πληροφορία για την ηλικία των δασών]]
* [[Χρήση των δορυφορικών συστημάτων IKONOS και Landsat για έλεγχο της ελονοσίας στην Κορέα]]
* [[Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird]]
* [[Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους]]
* [[Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης]]
* [[Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης]]
* [[Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird]]

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

Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird

2013-02-20T00:03:18Z

Pafilis:

'''Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird'''

'''Πρωτότυπος τίτλος : Object- and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery'''

'''Συγγραφείς :Isabel Luisa Castillejo-Gonzalez, Francisca Lopez-Granados, Alfonso Garcia-Ferrer & others'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0168169909000982 Science Direct]

'''''1.Εισαγωγή'''''

Η λεκάνη και το κλίμα της Μεσογείου ευνοούν τις γεωργικές πρακτικές οι οποίες οδηγούν στην υποβάθμιση του εδάφους. Οι αρνητικές επιπτώσεις και συνέπειες των παραδοσιακών συστημάτων καλλιέργειας στον γεωργικό τομέα αλλά και στο περιβάλλον είναι γνωστές και γίνονται προσπάθειες, μέσω επιχορηγήσεων της Ε.Ε., για να αντιστραφεί η κατάσταση αυτή.

Στην Νότια Ευρώπη η παρακολούθηση των συστημάτων καλλιέργειας από την Ε.Ε. γίνεται με επιτόπιους δειγματοληπτικούς ελέγχους σε έκταση που καλύπτει τουλάχιστον το 1% της υπό μελέτης περιοχής, μέθοδος χρονοβόρα και αρκετά δαπανηρή, η οποία δίνει αμφίβολα αποτελέσματα λόγω του μικρού μεγέθους των δειγμάτων. Τα προβλήματα αυτά μπορούν να αντιμετωπιστούν κάνοντας χρήση τηλεπισκοπικών δεδομένων για παρακολούθηση των συστημάτων καλλιέργειας και καθορισμό των υποψήφιων επιχορηγήσεων.

Ο περιορισμός που εισάγεται στην περίπτωση των τηλεπισκοπικών δεδομένων έχει να κάνει με την ακρίβεια αυτών. Δορυφορικές εικόνες με μέτρια χωρική ανάλυση (Landsat ΤΜ και SPOT) έχουν κριθεί ανεπαρκείς για τέτοιου είδους μελέτες, σε αντίθεση με εικόνες υψηλότερης χωρικής ανάλυσης, όπως για παράδειγμα αυτές των δορυφορικών συστημάτων IKONOS και QuickBird. Οι εταιρίες που διανέμουν εικόνες δορυφορικής παρατήρησης της γης προσφέρουν δύο διαφορετικά είδη εικόνων : μια παγχρωματική εικόνα υψηλής χωρικής ανάλυσης η οποία είναι απαραίτητη για τον καθορισμό των ορίων που καταλαμβάνει μια έκταση και τον προσδιορισμό των διαφορετικών χαρακτηριστικών του εδάφους, και μια πολυφασματική εικόνα χαμηλής χωρικής ανάλυσης η οποία διευκολύνει την διάκριση των διαφόρων τύπων καλύψεων γης. Η συγχώνευση αυτών των δύο διαφορετικών τύπων εικόνων έχει ως αποτέλεσμα την δημιουργία μιας εικόνας η οποία συνδυάζει την φασματική με την χωρική πληροφορία.(pan-sharpened image)

Αρκετές είναι οι τεχνικές ταξινόμησης – επιβλεπόμενης και μη - που υπάρχουν και έχουν χρησιμοποιηθεί κατά καιρούς σε μελέτες κατάταξης των χρήσεων γης, οι περισσότερες εκ των οποίων βασίζονται στις πληροφορίες που αντλούνται από κάθε pixel της εικόνας. Οι αλγόριθμοι κατάτμησης εισάγουν μια νέα τεχνική ταξινόμησης των δορυφορικών εικόνων στην οποία γειτονικά pixel ομαδοποιούνται με βάση κριτήρια ομοιογένειας και με τον τρόπο αυτό δημιουργούνται στην εικόνα αντικείμενα (objects) με βάση τα οποία γίνεται η ταξινόμηση της εικόνας. Αυτά τα αντικείμενα της εικόνας δεν χαρακτηρίζονται από μια ομοιόμορφη τιμής ανακλαστικότητας αλλά από ορισμένες κοινές ιδιότητες όπως το μέγεθος και το σχήμα των αντικειμένων.

Στην παρούσα μελέτη εξετάζονται πέντε διαφορετικές τεχνικές επιβλεπόμενης ταξινόμησης οι οποίες εφαρμόζονται για εικόνες των οποίων η ανάλυση γίνεται χρησιμοποιώντας ως ελάχιστη μονάδα πληροφορίας (Minimum Information Unit) εικονοστιχεία(pixel-based), αντικείμενα(object-based), αλλά και συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based). Σκοπός είναι να διερευνηθεί η δυναμική της κάθε τεχνικής στην χαρτογράφηση συστημάτων καλλιέργειας και άλλων γεωργο-περιβαλλοντικών χαρακτηριστικών χρησιμοποιώντας δορυφορικές εικόνες του συστήματος QuickBird.

Επιπροσθέτως αξιολογείται η ακρίβεια των τεχνικών ταξινόμησης και των τρόπων με των οποίων γίνεται η ανάλυση των εικόνων χρησιμοποιώντας τόσο πολυφασματικές όσο και pan-sharpened(αποτέλεσμα συγχώνευσης παγχρωματικής εικόνας με πολυφασματική εικόνα) εικόνες για να διαπιστωθεί αν η αύξηση της χωρικής ανάλυσης οδηγεί σε καλύτερα αποτελέσματα ταξινόμησης.

'''''2.Απόκτηση και προεπεξεργασία δεδομένων'''''

[[Εικόνα:Art10_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Εικόνες από τον δορυφόρο QuickBird. a)Πολυφασματική εικόνα, b)Κατάτμηση της πολυφασματικής εικόνας σε αντικείμενα, c)Pan-sharpened εικόνα, d)Κατάτμηση της pan-sharpenedεικόνας σε αντικείμενα]]
Η περιοχή μελέτης βρίσκεται κοντά στην Montilla, επαρχία της Cordoba,Andalusia(βόρεια Ισπανία) και καταλαμβάνει έκταση 87.21km2. Η γεωργική έκταση που εξετάζεται είναι αντιπροσωπευτική της Ανδαλουσιανής ξηρής καλλιεργήσιμης έκτασης. Η περιοχή χωρίστηκε σε δέκα διαφορετικές χρήσεις γης και πραγματοποιήθηκαν επιτόπιοι έλεγχοι για τον προσδιορισμό αυτών και την επαλήθευση των διαδικασιών ταξινόμησης. Μια επιλεγμένη έκταση 130 στρεμμάτων από την εικόνα γεωαναφέρθηκε χρησιμοποιώντας την κατάλληλη τεχνολογία, εκ των οποίων τα 30 στρέμματα χρησιμοποιήθηκαν για την συλλογή δειγμάτων εκπαίδευσης(επιλέχθηκαν 110 δειγματοληπτικά σημεία, 50 μη συνεχόμενα pixel ανά δειγματοληπτικό σημείο). Από τα υπόλοιπα 100 στρέμματα επιλέχθηκαν 350 δείγματα(50 μη συνεχόμενα pixel ανά δείγμα) για την αξιολόγηση της ταξινόμησης.

Ψηφιακά δεδομένα του δορυφορικού συστήματος QuickBird αποκτήθηκαν για την περιοχή μελέτης, αποτελούμενα από μια παγχρωματική εικόνα χωρικής ανάλυσης 0,7m και μια πολυφασματική εικόνα 4 καναλιών(blue 450-520nm , green 520-600nm, red 630-690nm, NIR 760-900nm) χωρικής ανάλυσης 2,8m. Η ραδιομετρική ανάλυση ήταν 8 bit ενώ πραγματοποιήθηκαν ραδιομετρικές και γεωμετρικές διορθώσεις, και γεωαναφορά των εικόνων. Με σκοπό την δημιουργία μιας εικόνας υψηλής χωρικής και φασματικής ανάλυσης οι δύο εικόνες συγχωνεύθηκαν σε μια με την μέθοδο AWLP. Ως αποτέλεσμα προέκυψε μια πολυφασματική pan-sharpened εικόνα 4 καναλιών χωρικής ανάλυσης 0,7m, αρκετά καλής ποιότητας.

'''''3.Μεθοδολογία'''''

Η δορυφορική εικόνα χωρίστηκε σε αντικείμενα με τον αλγόριθμο κατάτμησης FNEA(Fractal Net Evolution Approach). Η διαδικασία αυτή υποδιαιρεί μια εικόνα σε ομοιογενείς περιοχές πολλών pixel βασιζόμενη σε παραμέτρους που καθορίζονται από τον χρήστη. Χρησιμοποιείται για την δημιουργία αντικειμένων στην εικόνα με σκοπό την περαιτέρω ταξινόμηση της εικόνας.

Η εικόνα επεξεργάστηκε με έναν αλγόριθμο πολλαπλών αναλύσεων (multiresolution bottom-up region-merging algorithm), με βάση τον οποίο ανεξάρτητα pixel συγχωνεύονται σε μικρά αντικείμενα τα οποία μεταβάλλονται με τις διαδοχικές επαναλήψεις του αλγόριθμου ως ότου καταλήξουμε στα τελικά βέλτιστα παράγωγα της κατάτμησης, δηλαδή αντικείμενα εικόνας τα οποία εμφανίζουν πολύ μεγάλη ομοιογένεια. Το αποτέλεσμα της διαδικασίας κατάτμησης της εικόνας σε αντικείμενα επηρεάζεται από τις προδιαγραφές των προς επεξεργασία εικόνων αλλά και από άλλες παραμέτρους όπως η κλίμακα, το χρώμα και το μέγεθος που θέλουμε να έχουν τα τελικά αντικείμενα. Η προσέγγιση πολλαπλών αναλύσεων που χρησιμοποιήθηκε στην διαδικασία κατάτμησης της εικόνας επιτρέπει για διαφορετικές κλίμακες της κατάτμησης την ταυτόχρονη απεικόνιση πληροφοριών της εικόνας. Στην παρούσα μελέτη χρησιμοποιούνται δύο είδη πληροφοριών για τις εικόνες, τα φασματικά χαρακτηριστικά και τα χαρακτηριστικά υφής αυτών. Για να περιγράψουμε τα αντικείμενα της εικόνας με βάση τις φασματικές τους ιδιότητες χρησιμοποιείται η μέση φασματική τιμή του αντικειμένου σε κάθε κανάλι, ενώ για να εντοπίσουμε τις διαφορές των αντικειμένων σε χαμηλότερα επίπεδα χρησιμοποιούνται τιμές ομοιογένειας, αντίθεσης και εντροπίας. Η μέση φασματική τιμή είναι η βασική παράμετρος που χρησιμοποιήθηκε για την ταξινόμηση, ενώ διαφορετικές ταξινομήσεις βασίστηκαν σε συνδυασμούς της μέσης τιμής με διαφορετικές παραμέτρους υφής. Προέκυψαν λοιπόν, για κάθε ένα από τα 4 πολυφασματικά ή pansharpened κανάλια, 4 αντικειμενοστραφή χαρακτηριστικά, δημιουργώντας με αυτόν τον τρόπο 16 κανάλια για πολυφασματικές ή pansharpened εικόνες.

Πέντε τεχνικές επιβλεπόμενης ταξινόμησης εξετάστηκαν στην παρούσα μελέτη, ο αλγόριθμος παραλληλεπιπέδου(P), ο αλγόριθμος ελαχίστων αποστάσεων(MD), ο Mahalanobis Classifier Distance(MC), ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) και ο Spectral Angle Mapper(SAM). Στην ανάλυση εικονοστοιχείων(pixel-based) τα 4 πολυφασματικά κανάλια (blue,red,green,NIR) χρησιμοποιούνται για την ταξινόμηση των πολυφασματικών ή pan-sharpened εικόνων. Αντίστοιχα για την ταξινόμηση στην αντικειμενοστραφή (object-based) ανάλυση χρησιμοποιούνται τα 16 κανάλια που περιγράψαμε πως προκύπτουν παραπάνω, ενώ στην pixel+object-based χρησιμοποιούνται και τα 20 κανάλια (4 πολυφασματικά και 16 που προκύπτουν από την κατάτμηση της εικόνας).
[[Εικόνα:Art10_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Αποτελέσματα των λιγότερο(a,b,c,d,e) και των περισσότερο(a',b',c',d',e') ακριβών ταξινομήσεων χρήσεων γης.a) P, (b) MD, (c) MC, (d) SAM, (e) ML για την pan-sharpened εικόνα και pixel ως MIU; (a′) P, (b′) MD, (c′) MC, (d′) SAM για την πολυφασματική εικόνα και pixel + object ως MIU; (e′) ML για την pan-sharpened εικόνα και pixel + object ως MIU. ]]

'''''4.Αποτελέσματα'''''

Προκειμένου να αξιολογηθούν οι διάφοροι αλγόριθμοι ταξινόμησης χρησιμοποιήθηκαν ο συντελεστής ακρίβειας και ο συντελεστής Κ. Τα αποτελέσματα έδειξαν ότι η καλύτερη ταξινόμηση επετεύχθη με τον αλγόριθμο μεγίστης πιθανοφάνειας(ML) στην περίπτωση όπου ως ελάχιστη μονάδα πληροφορίας(MIU) χρησιμοποιήθηκε συνδυασμός εικονοστοιχείων και αντικειμένων (pixel+object-based ανάλυση) σε pan-sharpened εικόνα. Η ακρίβεια της ταξινόμησης σε αυτή την περίπτωση ήταν 94,5% με συντελεστή Κ ίσο με 0,94. Στην αντίπερα όχθη, χειρότερα αποτελέσματα, με ακρίβεια ταξινόμησης μόλις 37,7%, έδωσε η ταξινόμηση παραλληλεπιπέδου(P) σε pan-sharpened εικόνα και ελάχιστη μονάδα πληροφορίας(MIU) το pixel(pixel-based ανάλυση).

Σε γενικές γραμμές, καλύτερα αποτελέσματα ταξινόμησης έδωσαν οι μέθοδοι όπου η ανάλυση της εικόνας γίνεται με βάση αντικείμενα(object-based, αντικειμενοστραφής ανάλυση) ή συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση), ενώ όταν ως ελάχιστη μονάδα πληροφορίας χρησιμοποιήθηκαν τα εικονοστοιχεία τα αποτελέσματα των ταξινομήσεων δεν ήταν ικανοποιητικά.

Στην αντικειμενοστραφή μέθοδο ανάλυσης της εικόνας, οι 4 από τους 5 αλγόριθμους ταξινόμησης, εξαιρουμένου του αλγορίθμου παραλληλεπιπέδου(P), πέτυχαν ακρίβεια μεγαλύτερη από 85% για την πολυφασματική εικόνα. Σε αυτή την μέθοδο ανάλυσης, μόνο ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) είχε καλύτερα αποτελέσματα όσον αφορά την ακρίβεια ταξινόμησης στην pan-sharpened από ότι στην πολυφασματική εικόνα, ενώ όλοι οι υπόλοιποι αλγόριθμοι ταξινόμησης είχαν αντίθετη συμπεριφορά. Το ίδιο φαινόμενο παρατηρήθηκε και όταν η ανάλυση της εικόνας έγινε με βάση τον συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση).

Στην εικόνα 2 φαίνονται τα αποτελέσματα της εφαρμογής των διαφόρων αλγορίθμων ταξινόμησης σε πολυφασματικές και pan-sharpened εικόνες της περιοχής μελέτης, για διάφορες τεχνικές ανάλυσης εικόνων

Το τελικό συμπέρασμα που προκύπτει για την χρησιμότητα των δορυφορικών εικόνων του QuickBirdείναι ότι η pan-sharpened εικόνα βελτιώνει ελάχιστα την ακρίβεια της ταξινόμησης, περίπου κατά 4% για τον ακριβέστερο αλγόριθμο ταξινόμησης, ενώ ο τρόπος απόκτησης της(συγχώνευση πολυχρωματικών και πολυφασματικών εικόνων) είναι ιδιαίτερα πολύπλοκος. Απαιτείται αξιολόγηση του οφέλους που θα προκύψει από την χρησιμοποίηση μιας τέτοιας εικόνας, ανάλογα με την υπό μελέτη εφαρμογή.

[[category:Ταξινόμηση καλλιεργειών]]

Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird

2013-02-19T23:58:11Z

Pafilis:

'''Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird'''

'''Πρωτότυπος τίτλος : Object- and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery'''

'''Συγγραφείς :Isabel Luisa Castillejo-Gonzalez, Francisca Lopez-Granados, Alfonso Garcia-Ferrer & others'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0168169909000982 Science Direct]

'''''1.Εισαγωγή'''''

Η λεκάνη και το κλίμα της Μεσογείου ευνοούν τις γεωργικές πρακτικές οι οποίες οδηγούν στην υποβάθμιση του εδάφους. Οι αρνητικές επιπτώσεις και συνέπειες των παραδοσιακών συστημάτων καλλιέργειας στον γεωργικό τομέα αλλά και στο περιβάλλον είναι γνωστές και γίνονται προσπάθειες, μέσω επιχορηγήσεων της Ε.Ε., για να αντιστραφεί η κατάσταση αυτή.

Στην Νότια Ευρώπη η παρακολούθηση των συστημάτων καλλιέργειας από την Ε.Ε. γίνεται με επιτόπιους δειγματοληπτικούς ελέγχους σε έκταση που καλύπτει τουλάχιστον το 1% της υπό μελέτης περιοχής, μέθοδος χρονοβόρα και αρκετά δαπανηρή, η οποία δίνει αμφίβολα αποτελέσματα λόγω του μικρού μεγέθους των δειγμάτων. Τα προβλήματα αυτά μπορούν να αντιμετωπιστούν κάνοντας χρήση τηλεπισκοπικών δεδομένων για παρακολούθηση των συστημάτων καλλιέργειας και καθορισμό των υποψήφιων επιχορηγήσεων.
[[Εικόνα:Art10_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Εικόνες από τον δορυφόρο QuickBird. a)Πολυφασματική εικόνα, b)Κατάτμηση της πολυφασματικής εικόνας σε αντικείμενα, c)Pan-sharpened εικόνα, d)Κατάτμηση της pan-sharpenedεικόνας σε αντικείμενα]]

Ο περιορισμός που εισάγεται στην περίπτωση των τηλεπισκοπικών δεδομένων έχει να κάνει με την ακρίβεια αυτών. Δορυφορικές εικόνες με μέτρια χωρική ανάλυση (Landsat ΤΜ και SPOT) έχουν κριθεί ανεπαρκείς για τέτοιου είδους μελέτες, σε αντίθεση με εικόνες υψηλότερης χωρικής ανάλυσης, όπως για παράδειγμα αυτές των δορυφορικών συστημάτων IKONOS και QuickBird. Οι εταιρίες που διανέμουν εικόνες δορυφορικής παρατήρησης της γης προσφέρουν δύο διαφορετικά είδη εικόνων : μια παγχρωματική εικόνα υψηλής χωρικής ανάλυσης η οποία είναι απαραίτητη για τον καθορισμό των ορίων που καταλαμβάνει μια έκταση και τον προσδιορισμό των διαφορετικών χαρακτηριστικών του εδάφους, και μια πολυφασματική εικόνα χαμηλής χωρικής ανάλυσης η οποία διευκολύνει την διάκριση των διαφόρων τύπων καλύψεων γης. Η συγχώνευση αυτών των δύο διαφορετικών τύπων εικόνων έχει ως αποτέλεσμα την δημιουργία μιας εικόνας η οποία συνδυάζει την φασματική με την χωρική πληροφορία.(pan-sharpened image)

Αρκετές είναι οι τεχνικές ταξινόμησης – επιβλεπόμενης και μη - που υπάρχουν και έχουν χρησιμοποιηθεί κατά καιρούς σε μελέτες κατάταξης των χρήσεων γης, οι περισσότερες εκ των οποίων βασίζονται στις πληροφορίες που αντλούνται από κάθε pixel της εικόνας. Οι αλγόριθμοι κατάτμησης εισάγουν μια νέα τεχνική ταξινόμησης των δορυφορικών εικόνων στην οποία γειτονικά pixel ομαδοποιούνται με βάση κριτήρια ομοιογένειας και με τον τρόπο αυτό δημιουργούνται στην εικόνα αντικείμενα (objects) με βάση τα οποία γίνεται η ταξινόμηση της εικόνας. Αυτά τα αντικείμενα της εικόνας δεν χαρακτηρίζονται από μια ομοιόμορφη τιμής ανακλαστικότητας αλλά από ορισμένες κοινές ιδιότητες όπως το μέγεθος και το σχήμα των αντικειμένων.

Στην παρούσα μελέτη εξετάζονται πέντε διαφορετικές τεχνικές επιβλεπόμενης ταξινόμησης οι οποίες εφαρμόζονται για εικόνες των οποίων η ανάλυση γίνεται χρησιμοποιώντας ως ελάχιστη μονάδα πληροφορίας (Minimum Information Unit) εικονοστιχεία(pixel-based), αντικείμενα(object-based), αλλά και συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based). Σκοπός είναι να διερευνηθεί η δυναμική της κάθε τεχνικής στην χαρτογράφηση συστημάτων καλλιέργειας και άλλων γεωργο-περιβαλλοντικών χαρακτηριστικών χρησιμοποιώντας δορυφορικές εικόνες του συστήματος QuickBird.

Επιπροσθέτως αξιολογείται η ακρίβεια των τεχνικών ταξινόμησης και των τρόπων με των οποίων γίνεται η ανάλυση των εικόνων χρησιμοποιώντας τόσο πολυφασματικές όσο και pan-sharpened(αποτέλεσμα συγχώνευσης παγχρωματικής εικόνας με πολυφασματική εικόνα) εικόνες για να διαπιστωθεί αν η αύξηση της χωρικής ανάλυσης οδηγεί σε καλύτερα αποτελέσματα ταξινόμησης.

'''''2.Απόκτηση και προεπεξεργασία δεδομένων'''''

Η περιοχή μελέτης βρίσκεται κοντά στην Montilla, επαρχία της Cordoba,Andalusia(βόρεια Ισπανία) και καταλαμβάνει έκταση 87.21km2. Η γεωργική έκταση που εξετάζεται είναι αντιπροσωπευτική της Ανδαλουσιανής ξηρής καλλιεργήσιμης έκτασης. Η περιοχή χωρίστηκε σε δέκα διαφορετικές χρήσεις γης και πραγματοποιήθηκαν επιτόπιοι έλεγχοι για τον προσδιορισμό αυτών και την επαλήθευση των διαδικασιών ταξινόμησης. Μια επιλεγμένη έκταση 130 στρεμμάτων από την εικόνα γεωαναφέρθηκε χρησιμοποιώντας την κατάλληλη τεχνολογία, εκ των οποίων τα 30 στρέμματα χρησιμοποιήθηκαν για την συλλογή δειγμάτων εκπαίδευσης(επιλέχθηκαν 110 δειγματοληπτικά σημεία, 50 μη συνεχόμενα pixel ανά δειγματοληπτικό σημείο). Από τα υπόλοιπα 100 στρέμματα επιλέχθηκαν 350 δείγματα(50 μη συνεχόμενα pixel ανά δείγμα) για την αξιολόγηση της ταξινόμησης.

Ψηφιακά δεδομένα του δορυφορικού συστήματος QuickBird αποκτήθηκαν για την περιοχή μελέτης, αποτελούμενα από μια παγχρωματική εικόνα χωρικής ανάλυσης 0,7m και μια πολυφασματική εικόνα 4 καναλιών(blue 450-520nm , green 520-600nm, red 630-690nm, NIR 760-900nm) χωρικής ανάλυσης 2,8m. Η ραδιομετρική ανάλυση ήταν 8 bit ενώ πραγματοποιήθηκαν ραδιομετρικές και γεωμετρικές διορθώσεις, και γεωαναφορά των εικόνων. Με σκοπό την δημιουργία μιας εικόνας υψηλής χωρικής και φασματικής ανάλυσης οι δύο εικόνες συγχωνεύθηκαν σε μια με την μέθοδο AWLP. Ως αποτέλεσμα προέκυψε μια πολυφασματική pan-sharpened εικόνα 4 καναλιών χωρικής ανάλυσης 0,7m, αρκετά καλής ποιότητας.

'''''3.Μεθοδολογία'''''

[[Εικόνα:Art10_pic2.jpg | thumb | right |'''Εικόνα 2 :''' ]]
Η δορυφορική εικόνα χωρίστηκε σε αντικείμενα με τον αλγόριθμο κατάτμησης FNEA(Fractal Net Evolution Approach). Η διαδικασία αυτή υποδιαιρεί μια εικόνα σε ομοιογενείς περιοχές πολλών pixel βασιζόμενη σε παραμέτρους που καθορίζονται από τον χρήστη. Χρησιμοποιείται για την δημιουργία αντικειμένων στην εικόνα με σκοπό την περαιτέρω ταξινόμηση της εικόνας.

Η εικόνα επεξεργάστηκε με έναν αλγόριθμο πολλαπλών αναλύσεων (multiresolution bottom-up region-merging algorithm), με βάση τον οποίο ανεξάρτητα pixel συγχωνεύονται σε μικρά αντικείμενα τα οποία μεταβάλλονται με τις διαδοχικές επαναλήψεις του αλγόριθμου ως ότου καταλήξουμε στα τελικά βέλτιστα παράγωγα της κατάτμησης, δηλαδή αντικείμενα εικόνας τα οποία εμφανίζουν πολύ μεγάλη ομοιογένεια. Το αποτέλεσμα της διαδικασίας κατάτμησης της εικόνας σε αντικείμενα επηρεάζεται από τις προδιαγραφές των προς επεξεργασία εικόνων αλλά και από άλλες παραμέτρους όπως η κλίμακα, το χρώμα και το μέγεθος που θέλουμε να έχουν τα τελικά αντικείμενα. Η προσέγγιση πολλαπλών αναλύσεων που χρησιμοποιήθηκε στην διαδικασία κατάτμησης της εικόνας επιτρέπει για διαφορετικές κλίμακες της κατάτμησης την ταυτόχρονη απεικόνιση πληροφοριών της εικόνας. Στην παρούσα μελέτη χρησιμοποιούνται δύο είδη πληροφοριών για τις εικόνες, τα φασματικά χαρακτηριστικά και τα χαρακτηριστικά υφής αυτών. Για να περιγράψουμε τα αντικείμενα της εικόνας με βάση τις φασματικές τους ιδιότητες χρησιμοποιείται η μέση φασματική τιμή του αντικειμένου σε κάθε κανάλι, ενώ για να εντοπίσουμε τις διαφορές των αντικειμένων σε χαμηλότερα επίπεδα χρησιμοποιούνται τιμές ομοιογένειας, αντίθεσης και εντροπίας. Η μέση φασματική τιμή είναι η βασική παράμετρος που χρησιμοποιήθηκε για την ταξινόμηση, ενώ διαφορετικές ταξινομήσεις βασίστηκαν σε συνδυασμούς της μέσης τιμής με διαφορετικές παραμέτρους υφής. Προέκυψαν λοιπόν, για κάθε ένα από τα 4 πολυφασματικά ή pansharpened κανάλια, 4 αντικειμενοστραφή χαρακτηριστικά, δημιουργώντας με αυτόν τον τρόπο 16 κανάλια για πολυφασματικές ή pansharpened εικόνες.

Πέντε τεχνικές επιβλεπόμενης ταξινόμησης εξετάστηκαν στην παρούσα μελέτη, ο αλγόριθμος παραλληλεπιπέδου(P), ο αλγόριθμος ελαχίστων αποστάσεων(MD), ο Mahalanobis Classifier Distance(MC), ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) και ο Spectral Angle Mapper(SAM). Στην ανάλυση εικονοστοιχείων(pixel-based) τα 4 πολυφασματικά κανάλια (blue,red,green,NIR) χρησιμοποιούνται για την ταξινόμηση των πολυφασματικών ή pan-sharpened εικόνων. Αντίστοιχα για την ταξινόμηση στην αντικειμενοστραφή (object-based) ανάλυση χρησιμοποιούνται τα 16 κανάλια που περιγράψαμε πως προκύπτουν παραπάνω, ενώ στην pixel+object-based χρησιμοποιούνται και τα 20 κανάλια (4 πολυφασματικά και 16 που προκύπτουν από την κατάτμηση της εικόνας).

'''''4.Αποτελέσματα'''''

Προκειμένου να αξιολογηθούν οι διάφοροι αλγόριθμοι ταξινόμησης χρησιμοποιήθηκαν ο συντελεστής ακρίβειας και ο συντελεστής Κ. Τα αποτελέσματα έδειξαν ότι η καλύτερη ταξινόμηση επετεύχθη με τον αλγόριθμο μεγίστης πιθανοφάνειας(ML) στην περίπτωση όπου ως ελάχιστη μονάδα πληροφορίας(MIU) χρησιμοποιήθηκε συνδυασμός εικονοστοιχείων και αντικειμένων (pixel+object-based ανάλυση) σε pan-sharpened εικόνα. Η ακρίβεια της ταξινόμησης σε αυτή την περίπτωση ήταν 94,5% με συντελεστή Κ ίσο με 0,94. Στην αντίπερα όχθη, χειρότερα αποτελέσματα, με ακρίβεια ταξινόμησης μόλις 37,7%, έδωσε η ταξινόμηση παραλληλεπιπέδου(P) σε pan-sharpened εικόνα και ελάχιστη μονάδα πληροφορίας(MIU) το pixel(pixel-based ανάλυση).

Σε γενικές γραμμές, καλύτερα αποτελέσματα ταξινόμησης έδωσαν οι μέθοδοι όπου η ανάλυση της εικόνας γίνεται με βάση αντικείμενα(object-based, αντικειμενοστραφής ανάλυση) ή συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση), ενώ όταν ως ελάχιστη μονάδα πληροφορίας χρησιμοποιήθηκαν τα εικονοστοιχεία τα αποτελέσματα των ταξινομήσεων δεν ήταν ικανοποιητικά.

Στην αντικειμενοστραφή μέθοδο ανάλυσης της εικόνας, οι 4 από τους 5 αλγόριθμους ταξινόμησης, εξαιρουμένου του αλγορίθμου παραλληλεπιπέδου(P), πέτυχαν ακρίβεια μεγαλύτερη από 85% για την πολυφασματική εικόνα. Σε αυτή την μέθοδο ανάλυσης, μόνο ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) είχε καλύτερα αποτελέσματα όσον αφορά την ακρίβεια ταξινόμησης στην pan-sharpened από ότι στην πολυφασματική εικόνα, ενώ όλοι οι υπόλοιποι αλγόριθμοι ταξινόμησης είχαν αντίθετη συμπεριφορά. Το ίδιο φαινόμενο παρατηρήθηκε και όταν η ανάλυση της εικόνας έγινε με βάση τον συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση).

Στην εικόνα 2 φαίνονται τα αποτελέσματα της εφαρμογής των διαφόρων αλγορίθμων ταξινόμησης σε πολυφασματικές και pan-sharpened εικόνες της περιοχής μελέτης, για διάφορες τεχνικές ανάλυσης εικόνων

Το τελικό συμπέρασμα που προκύπτει για την χρησιμότητα των δορυφορικών εικόνων του QuickBirdείναι ότι η pan-sharpened εικόνα βελτιώνει ελάχιστα την ακρίβεια της ταξινόμησης, περίπου κατά 4% για τον ακριβέστερο αλγόριθμο ταξινόμησης, ενώ ο τρόπος απόκτησης της(συγχώνευση πολυχρωματικών και πολυφασματικών εικόνων) είναι ιδιαίτερα πολύπλοκος. Απαιτείται αξιολόγηση του οφέλους που θα προκύψει από την χρησιμοποίηση μιας τέτοιας εικόνας, ανάλογα με την υπό μελέτη εφαρμογή.

[[category:Ταξινόμηση καλλιεργειών]]

Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird

2013-02-19T23:57:23Z

Pafilis:

'''Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird'''

'''Πρωτότυπος τίτλος : Object- and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery'''

'''Συγγραφείς :Isabel Luisa Castillejo-Gonzalez, Francisca Lopez-Granados, Alfonso Garcia-Ferrer & others'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0168169909000982 Science Direct]

'''''1.Εισαγωγή'''''

Η λεκάνη και το κλίμα της Μεσογείου ευνοούν τις γεωργικές πρακτικές οι οποίες οδηγούν στην υποβάθμιση του εδάφους. Οι αρνητικές επιπτώσεις και συνέπειες των παραδοσιακών συστημάτων καλλιέργειας στον γεωργικό τομέα αλλά και στο περιβάλλον είναι γνωστές και γίνονται προσπάθειες, μέσω επιχορηγήσεων της Ε.Ε., για να αντιστραφεί η κατάσταση αυτή.

Στην Νότια Ευρώπη η παρακολούθηση των συστημάτων καλλιέργειας από την Ε.Ε. γίνεται με επιτόπιους δειγματοληπτικούς ελέγχους σε έκταση που καλύπτει τουλάχιστον το 1% της υπό μελέτης περιοχής, μέθοδος χρονοβόρα και αρκετά δαπανηρή, η οποία δίνει αμφίβολα αποτελέσματα λόγω του μικρού μεγέθους των δειγμάτων. Τα προβλήματα αυτά μπορούν να αντιμετωπιστούν κάνοντας χρήση τηλεπισκοπικών δεδομένων για παρακολούθηση των συστημάτων καλλιέργειας και καθορισμό των υποψήφιων επιχορηγήσεων.

Ο περιορισμός που εισάγεται στην περίπτωση των τηλεπισκοπικών δεδομένων έχει να κάνει με την ακρίβεια αυτών. Δορυφορικές εικόνες με μέτρια χωρική ανάλυση (Landsat ΤΜ και SPOT) έχουν κριθεί ανεπαρκείς για τέτοιου είδους μελέτες, σε αντίθεση με εικόνες υψηλότερης χωρικής ανάλυσης, όπως για παράδειγμα αυτές των δορυφορικών συστημάτων IKONOS και QuickBird. Οι εταιρίες που διανέμουν εικόνες δορυφορικής παρατήρησης της γης προσφέρουν δύο διαφορετικά είδη εικόνων : μια παγχρωματική εικόνα υψηλής χωρικής ανάλυσης η οποία είναι απαραίτητη για τον καθορισμό των ορίων που καταλαμβάνει μια έκταση και τον προσδιορισμό των διαφορετικών χαρακτηριστικών του εδάφους, και μια πολυφασματική εικόνα χαμηλής χωρικής ανάλυσης η οποία διευκολύνει την διάκριση των διαφόρων τύπων καλύψεων γης. Η συγχώνευση αυτών των δύο διαφορετικών τύπων εικόνων έχει ως αποτέλεσμα την δημιουργία μιας εικόνας η οποία συνδυάζει την φασματική με την χωρική πληροφορία.(pan-sharpened image)

Αρκετές είναι οι τεχνικές ταξινόμησης – επιβλεπόμενης και μη - που υπάρχουν και έχουν χρησιμοποιηθεί κατά καιρούς σε μελέτες κατάταξης των χρήσεων γης, οι περισσότερες εκ των οποίων βασίζονται στις πληροφορίες που αντλούνται από κάθε pixel της εικόνας. Οι αλγόριθμοι κατάτμησης εισάγουν μια νέα τεχνική ταξινόμησης των δορυφορικών εικόνων στην οποία γειτονικά pixel ομαδοποιούνται με βάση κριτήρια ομοιογένειας και με τον τρόπο αυτό δημιουργούνται στην εικόνα αντικείμενα (objects) με βάση τα οποία γίνεται η ταξινόμηση της εικόνας. Αυτά τα αντικείμενα της εικόνας δεν χαρακτηρίζονται από μια ομοιόμορφη τιμής ανακλαστικότητας αλλά από ορισμένες κοινές ιδιότητες όπως το μέγεθος και το σχήμα των αντικειμένων.

Στην παρούσα μελέτη εξετάζονται πέντε διαφορετικές τεχνικές επιβλεπόμενης ταξινόμησης οι οποίες εφαρμόζονται για εικόνες των οποίων η ανάλυση γίνεται χρησιμοποιώντας ως ελάχιστη μονάδα πληροφορίας (Minimum Information Unit) εικονοστιχεία(pixel-based), αντικείμενα(object-based), αλλά και συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based). Σκοπός είναι να διερευνηθεί η δυναμική της κάθε τεχνικής στην χαρτογράφηση συστημάτων καλλιέργειας και άλλων γεωργο-περιβαλλοντικών χαρακτηριστικών χρησιμοποιώντας δορυφορικές εικόνες του συστήματος QuickBird.

Επιπροσθέτως αξιολογείται η ακρίβεια των τεχνικών ταξινόμησης και των τρόπων με των οποίων γίνεται η ανάλυση των εικόνων χρησιμοποιώντας τόσο πολυφασματικές όσο και pan-sharpened(αποτέλεσμα συγχώνευσης παγχρωματικής εικόνας με πολυφασματική εικόνα) εικόνες για να διαπιστωθεί αν η αύξηση της χωρικής ανάλυσης οδηγεί σε καλύτερα αποτελέσματα ταξινόμησης.

'''''2.Απόκτηση και προεπεξεργασία δεδομένων'''''

[[Εικόνα:Art10_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Εικόνες από τον δορυφόρο QuickBird. a)Πολυφασματική εικόνα, b)Κατάτμηση της πολυφασματικής εικόνας σε αντικείμενα, c)Pan-sharpened εικόνα, d)Κατάτμηση της pan-sharpenedεικόνας σε αντικείμενα]]
Η περιοχή μελέτης βρίσκεται κοντά στην Montilla, επαρχία της Cordoba,Andalusia(βόρεια Ισπανία) και καταλαμβάνει έκταση 87.21km2. Η γεωργική έκταση που εξετάζεται είναι αντιπροσωπευτική της Ανδαλουσιανής ξηρής καλλιεργήσιμης έκτασης. Η περιοχή χωρίστηκε σε δέκα διαφορετικές χρήσεις γης και πραγματοποιήθηκαν επιτόπιοι έλεγχοι για τον προσδιορισμό αυτών και την επαλήθευση των διαδικασιών ταξινόμησης. Μια επιλεγμένη έκταση 130 στρεμμάτων από την εικόνα γεωαναφέρθηκε χρησιμοποιώντας την κατάλληλη τεχνολογία, εκ των οποίων τα 30 στρέμματα χρησιμοποιήθηκαν για την συλλογή δειγμάτων εκπαίδευσης(επιλέχθηκαν 110 δειγματοληπτικά σημεία, 50 μη συνεχόμενα pixel ανά δειγματοληπτικό σημείο). Από τα υπόλοιπα 100 στρέμματα επιλέχθηκαν 350 δείγματα(50 μη συνεχόμενα pixel ανά δείγμα) για την αξιολόγηση της ταξινόμησης.

Ψηφιακά δεδομένα του δορυφορικού συστήματος QuickBird αποκτήθηκαν για την περιοχή μελέτης, αποτελούμενα από μια παγχρωματική εικόνα χωρικής ανάλυσης 0,7m και μια πολυφασματική εικόνα 4 καναλιών(blue 450-520nm , green 520-600nm, red 630-690nm, NIR 760-900nm) χωρικής ανάλυσης 2,8m. Η ραδιομετρική ανάλυση ήταν 8 bit ενώ πραγματοποιήθηκαν ραδιομετρικές και γεωμετρικές διορθώσεις, και γεωαναφορά των εικόνων. Με σκοπό την δημιουργία μιας εικόνας υψηλής χωρικής και φασματικής ανάλυσης οι δύο εικόνες συγχωνεύθηκαν σε μια με την μέθοδο AWLP. Ως αποτέλεσμα προέκυψε μια πολυφασματική pan-sharpened εικόνα 4 καναλιών χωρικής ανάλυσης 0,7m, αρκετά καλής ποιότητας.

'''''3.Μεθοδολογία'''''

Η δορυφορική εικόνα χωρίστηκε σε αντικείμενα με τον αλγόριθμο κατάτμησης FNEA(Fractal Net Evolution Approach). Η διαδικασία αυτή υποδιαιρεί μια εικόνα σε ομοιογενείς περιοχές πολλών pixel βασιζόμενη σε παραμέτρους που καθορίζονται από τον χρήστη. Χρησιμοποιείται για την δημιουργία αντικειμένων στην εικόνα με σκοπό την περαιτέρω ταξινόμηση της εικόνας.

Η εικόνα επεξεργάστηκε με έναν αλγόριθμο πολλαπλών αναλύσεων (multiresolution bottom-up region-merging algorithm), με βάση τον οποίο ανεξάρτητα pixel συγχωνεύονται σε μικρά αντικείμενα τα οποία μεταβάλλονται με τις διαδοχικές επαναλήψεις του αλγόριθμου ως ότου καταλήξουμε στα τελικά βέλτιστα παράγωγα της κατάτμησης, δηλαδή αντικείμενα εικόνας τα οποία εμφανίζουν πολύ μεγάλη ομοιογένεια. Το αποτέλεσμα της διαδικασίας κατάτμησης της εικόνας σε αντικείμενα επηρεάζεται από τις προδιαγραφές των προς επεξεργασία εικόνων αλλά και από άλλες παραμέτρους όπως η κλίμακα, το χρώμα και το μέγεθος που θέλουμε να έχουν τα τελικά αντικείμενα. Η προσέγγιση πολλαπλών αναλύσεων που χρησιμοποιήθηκε στην διαδικασία κατάτμησης της εικόνας επιτρέπει για διαφορετικές κλίμακες της κατάτμησης την ταυτόχρονη απεικόνιση πληροφοριών της εικόνας. Στην παρούσα μελέτη χρησιμοποιούνται δύο είδη πληροφοριών για τις εικόνες, τα φασματικά χαρακτηριστικά και τα χαρακτηριστικά υφής αυτών. Για να περιγράψουμε τα αντικείμενα της εικόνας με βάση τις φασματικές τους ιδιότητες χρησιμοποιείται η μέση φασματική τιμή του αντικειμένου σε κάθε κανάλι, ενώ για να εντοπίσουμε τις διαφορές των αντικειμένων σε χαμηλότερα επίπεδα χρησιμοποιούνται τιμές ομοιογένειας, αντίθεσης και εντροπίας. Η μέση φασματική τιμή είναι η βασική παράμετρος που χρησιμοποιήθηκε για την ταξινόμηση, ενώ διαφορετικές ταξινομήσεις βασίστηκαν σε συνδυασμούς της μέσης τιμής με διαφορετικές παραμέτρους υφής. Προέκυψαν λοιπόν, για κάθε ένα από τα 4 πολυφασματικά ή pansharpened κανάλια, 4 αντικειμενοστραφή χαρακτηριστικά, δημιουργώντας με αυτόν τον τρόπο 16 κανάλια για πολυφασματικές ή pansharpened εικόνες.

Πέντε τεχνικές επιβλεπόμενης ταξινόμησης εξετάστηκαν στην παρούσα μελέτη, ο αλγόριθμος παραλληλεπιπέδου(P), ο αλγόριθμος ελαχίστων αποστάσεων(MD), ο Mahalanobis Classifier Distance(MC), ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) και ο Spectral Angle Mapper(SAM). Στην ανάλυση εικονοστοιχείων(pixel-based) τα 4 πολυφασματικά κανάλια (blue,red,green,NIR) χρησιμοποιούνται για την ταξινόμηση των πολυφασματικών ή pan-sharpened εικόνων. Αντίστοιχα για την ταξινόμηση στην αντικειμενοστραφή (object-based) ανάλυση χρησιμοποιούνται τα 16 κανάλια που περιγράψαμε πως προκύπτουν παραπάνω, ενώ στην pixel+object-based χρησιμοποιούνται και τα 20 κανάλια (4 πολυφασματικά και 16 που προκύπτουν από την κατάτμηση της εικόνας).

'''''4.Αποτελέσματα'''''

[[Εικόνα:Art10_pic2.jpg | thumb | right |'''Εικόνα 2 :''' ]]
Προκειμένου να αξιολογηθούν οι διάφοροι αλγόριθμοι ταξινόμησης χρησιμοποιήθηκαν ο συντελεστής ακρίβειας και ο συντελεστής Κ. Τα αποτελέσματα έδειξαν ότι η καλύτερη ταξινόμηση επετεύχθη με τον αλγόριθμο μεγίστης πιθανοφάνειας(ML) στην περίπτωση όπου ως ελάχιστη μονάδα πληροφορίας(MIU) χρησιμοποιήθηκε συνδυασμός εικονοστοιχείων και αντικειμένων (pixel+object-based ανάλυση) σε pan-sharpened εικόνα. Η ακρίβεια της ταξινόμησης σε αυτή την περίπτωση ήταν 94,5% με συντελεστή Κ ίσο με 0,94. Στην αντίπερα όχθη, χειρότερα αποτελέσματα, με ακρίβεια ταξινόμησης μόλις 37,7%, έδωσε η ταξινόμηση παραλληλεπιπέδου(P) σε pan-sharpened εικόνα και ελάχιστη μονάδα πληροφορίας(MIU) το pixel(pixel-based ανάλυση).

Σε γενικές γραμμές, καλύτερα αποτελέσματα ταξινόμησης έδωσαν οι μέθοδοι όπου η ανάλυση της εικόνας γίνεται με βάση αντικείμενα(object-based, αντικειμενοστραφής ανάλυση) ή συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση), ενώ όταν ως ελάχιστη μονάδα πληροφορίας χρησιμοποιήθηκαν τα εικονοστοιχεία τα αποτελέσματα των ταξινομήσεων δεν ήταν ικανοποιητικά.

Στην αντικειμενοστραφή μέθοδο ανάλυσης της εικόνας, οι 4 από τους 5 αλγόριθμους ταξινόμησης, εξαιρουμένου του αλγορίθμου παραλληλεπιπέδου(P), πέτυχαν ακρίβεια μεγαλύτερη από 85% για την πολυφασματική εικόνα. Σε αυτή την μέθοδο ανάλυσης, μόνο ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) είχε καλύτερα αποτελέσματα όσον αφορά την ακρίβεια ταξινόμησης στην pan-sharpened από ότι στην πολυφασματική εικόνα, ενώ όλοι οι υπόλοιποι αλγόριθμοι ταξινόμησης είχαν αντίθετη συμπεριφορά. Το ίδιο φαινόμενο παρατηρήθηκε και όταν η ανάλυση της εικόνας έγινε με βάση τον συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση).

Στην εικόνα 2 φαίνονται τα αποτελέσματα της εφαρμογής των διαφόρων αλγορίθμων ταξινόμησης σε πολυφασματικές και pan-sharpened εικόνες της περιοχής μελέτης, για διάφορες τεχνικές ανάλυσης εικόνων

Το τελικό συμπέρασμα που προκύπτει για την χρησιμότητα των δορυφορικών εικόνων του QuickBirdείναι ότι η pan-sharpened εικόνα βελτιώνει ελάχιστα την ακρίβεια της ταξινόμησης, περίπου κατά 4% για τον ακριβέστερο αλγόριθμο ταξινόμησης, ενώ ο τρόπος απόκτησης της(συγχώνευση πολυχρωματικών και πολυφασματικών εικόνων) είναι ιδιαίτερα πολύπλοκος. Απαιτείται αξιολόγηση του οφέλους που θα προκύψει από την χρησιμοποίηση μιας τέτοιας εικόνας, ανάλογα με την υπό μελέτη εφαρμογή.

[[category:Ταξινόμηση καλλιεργειών]]

Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird

2013-02-19T23:52:14Z

Pafilis:

'''Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird'''

'''Πρωτότυπος τίτλος : Object- and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery'''

'''Συγγραφείς :Isabel Luisa Castillejo-Gonzalez, Francisca Lopez-Granados, Alfonso Garcia-Ferrer & others'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0168169909000982 Science Direct]

'''''1.Εισαγωγή'''''

Η λεκάνη και το κλίμα της Μεσογείου ευνοούν τις γεωργικές πρακτικές οι οποίες οδηγούν στην υποβάθμιση του εδάφους. Οι αρνητικές επιπτώσεις και συνέπειες των παραδοσιακών συστημάτων καλλιέργειας στον γεωργικό τομέα αλλά και στο περιβάλλον είναι γνωστές και γίνονται προσπάθειες, μέσω επιχορηγήσεων της Ε.Ε., για να αντιστραφεί η κατάσταση αυτή.

Στην Νότια Ευρώπη η παρακολούθηση των συστημάτων καλλιέργειας από την Ε.Ε. γίνεται με επιτόπιους δειγματοληπτικούς ελέγχους σε έκταση που καλύπτει τουλάχιστον το 1% της υπό μελέτης περιοχής, μέθοδος χρονοβόρα και αρκετά δαπανηρή, η οποία δίνει αμφίβολα αποτελέσματα λόγω του μικρού μεγέθους των δειγμάτων. Τα προβλήματα αυτά μπορούν να αντιμετωπιστούν κάνοντας χρήση τηλεπισκοπικών δεδομένων για παρακολούθηση των συστημάτων καλλιέργειας και καθορισμό των υποψήφιων επιχορηγήσεων.

Ο περιορισμός που εισάγεται στην περίπτωση των τηλεπισκοπικών δεδομένων έχει να κάνει με την ακρίβεια αυτών. Δορυφορικές εικόνες με μέτρια χωρική ανάλυση (Landsat ΤΜ και SPOT) έχουν κριθεί ανεπαρκείς για τέτοιου είδους μελέτες, σε αντίθεση με εικόνες υψηλότερης χωρικής ανάλυσης, όπως για παράδειγμα αυτές των δορυφορικών συστημάτων IKONOS και QuickBird. Οι εταιρίες που διανέμουν εικόνες δορυφορικής παρατήρησης της γης προσφέρουν δύο διαφορετικά είδη εικόνων : μια παγχρωματική εικόνα υψηλής χωρικής ανάλυσης η οποία είναι απαραίτητη για τον καθορισμό των ορίων που καταλαμβάνει μια έκταση και τον προσδιορισμό των διαφορετικών χαρακτηριστικών του εδάφους, και μια πολυφασματική εικόνα χαμηλής χωρικής ανάλυσης η οποία διευκολύνει την διάκριση των διαφόρων τύπων καλύψεων γης. Η συγχώνευση αυτών των δύο διαφορετικών τύπων εικόνων έχει ως αποτέλεσμα την δημιουργία μιας εικόνας η οποία συνδυάζει την φασματική με την χωρική πληροφορία.(pan-sharpened image)

Αρκετές είναι οι τεχνικές ταξινόμησης – επιβλεπόμενης και μη - που υπάρχουν και έχουν χρησιμοποιηθεί κατά καιρούς σε μελέτες κατάταξης των χρήσεων γης, οι περισσότερες εκ των οποίων βασίζονται στις πληροφορίες που αντλούνται από κάθε pixel της εικόνας. Οι αλγόριθμοι κατάτμησης εισάγουν μια νέα τεχνική ταξινόμησης των δορυφορικών εικόνων στην οποία γειτονικά pixel ομαδοποιούνται με βάση κριτήρια ομοιογένειας και με τον τρόπο αυτό δημιουργούνται στην εικόνα αντικείμενα (objects) με βάση τα οποία γίνεται η ταξινόμηση της εικόνας. Αυτά τα αντικείμενα της εικόνας δεν χαρακτηρίζονται από μια ομοιόμορφη τιμής ανακλαστικότητας αλλά από ορισμένες κοινές ιδιότητες όπως το μέγεθος και το σχήμα των αντικειμένων.

Στην παρούσα μελέτη εξετάζονται πέντε διαφορετικές τεχνικές επιβλεπόμενης ταξινόμησης οι οποίες εφαρμόζονται για εικόνες των οποίων η ανάλυση γίνεται χρησιμοποιώντας ως ελάχιστη μονάδα πληροφορίας (Minimum Information Unit) εικονοστιχεία(pixel-based), αντικείμενα(object-based), αλλά και συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based). Σκοπός είναι να διερευνηθεί η δυναμική της κάθε τεχνικής στην χαρτογράφηση συστημάτων καλλιέργειας και άλλων γεωργο-περιβαλλοντικών χαρακτηριστικών χρησιμοποιώντας δορυφορικές εικόνες του συστήματος QuickBird.

Επιπροσθέτως αξιολογείται η ακρίβεια των τεχνικών ταξινόμησης και των τρόπων με των οποίων γίνεται η ανάλυση των εικόνων χρησιμοποιώντας τόσο πολυφασματικές όσο και pan-sharpened(αποτέλεσμα συγχώνευσης παγχρωματικής εικόνας με πολυφασματική εικόνα) εικόνες για να διαπιστωθεί αν η αύξηση της χωρικής ανάλυσης οδηγεί σε καλύτερα αποτελέσματα ταξινόμησης.

'''''2.Απόκτηση και προεπεξεργασία δεδομένων'''''

[[Εικόνα:Art10_pic1.jpg | thumb | right |'''Εικόνα 1 :''' ]]
Η περιοχή μελέτης βρίσκεται κοντά στην Montilla, επαρχία της Cordoba,Andalusia(βόρεια Ισπανία) και καταλαμβάνει έκταση 87.21km2. Η γεωργική έκταση που εξετάζεται είναι αντιπροσωπευτική της Ανδαλουσιανής ξηρής καλλιεργήσιμης έκτασης. Η περιοχή χωρίστηκε σε δέκα διαφορετικές χρήσεις γης και πραγματοποιήθηκαν επιτόπιοι έλεγχοι για τον προσδιορισμό αυτών και την επαλήθευση των διαδικασιών ταξινόμησης. Μια επιλεγμένη έκταση 130 στρεμμάτων από την εικόνα γεωαναφέρθηκε χρησιμοποιώντας την κατάλληλη τεχνολογία, εκ των οποίων τα 30 στρέμματα χρησιμοποιήθηκαν για την συλλογή δειγμάτων εκπαίδευσης(επιλέχθηκαν 110 δειγματοληπτικά σημεία, 50 μη συνεχόμενα pixel ανά δειγματοληπτικό σημείο). Από τα υπόλοιπα 100 στρέμματα επιλέχθηκαν 350 δείγματα(50 μη συνεχόμενα pixel ανά δείγμα) για την αξιολόγηση της ταξινόμησης.

Ψηφιακά δεδομένα του δορυφορικού συστήματος QuickBird αποκτήθηκαν για την περιοχή μελέτης, αποτελούμενα από μια παγχρωματική εικόνα χωρικής ανάλυσης 0,7m και μια πολυφασματική εικόνα 4 καναλιών(blue 450-520nm , green 520-600nm, red 630-690nm, NIR 760-900nm) χωρικής ανάλυσης 2,8m. Η ραδιομετρική ανάλυση ήταν 8 bit ενώ πραγματοποιήθηκαν ραδιομετρικές και γεωμετρικές διορθώσεις, και γεωαναφορά των εικόνων. Με σκοπό την δημιουργία μιας εικόνας υψηλής χωρικής και φασματικής ανάλυσης οι δύο εικόνες συγχωνεύθηκαν σε μια με την μέθοδο AWLP. Ως αποτέλεσμα προέκυψε μια πολυφασματική pan-sharpened εικόνα 4 καναλιών χωρικής ανάλυσης 0,7m, αρκετά καλής ποιότητας.

'''''3.Μεθοδολογία'''''

Η δορυφορική εικόνα χωρίστηκε σε αντικείμενα με τον αλγόριθμο κατάτμησης FNEA(Fractal Net Evolution Approach). Η διαδικασία αυτή υποδιαιρεί μια εικόνα σε ομοιογενείς περιοχές πολλών pixel βασιζόμενη σε παραμέτρους που καθορίζονται από τον χρήστη. Χρησιμοποιείται για την δημιουργία αντικειμένων στην εικόνα με σκοπό την περαιτέρω ταξινόμηση της εικόνας.

Η εικόνα επεξεργάστηκε με έναν αλγόριθμο πολλαπλών αναλύσεων (multiresolution bottom-up region-merging algorithm), με βάση τον οποίο ανεξάρτητα pixel συγχωνεύονται σε μικρά αντικείμενα τα οποία μεταβάλλονται με τις διαδοχικές επαναλήψεις του αλγόριθμου ως ότου καταλήξουμε στα τελικά βέλτιστα παράγωγα της κατάτμησης, δηλαδή αντικείμενα εικόνας τα οποία εμφανίζουν πολύ μεγάλη ομοιογένεια. Το αποτέλεσμα της διαδικασίας κατάτμησης της εικόνας σε αντικείμενα επηρεάζεται από τις προδιαγραφές των προς επεξεργασία εικόνων αλλά και από άλλες παραμέτρους όπως η κλίμακα, το χρώμα και το μέγεθος που θέλουμε να έχουν τα τελικά αντικείμενα. Η προσέγγιση πολλαπλών αναλύσεων που χρησιμοποιήθηκε στην διαδικασία κατάτμησης της εικόνας επιτρέπει για διαφορετικές κλίμακες της κατάτμησης την ταυτόχρονη απεικόνιση πληροφοριών της εικόνας. Στην παρούσα μελέτη χρησιμοποιούνται δύο είδη πληροφοριών για τις εικόνες, τα φασματικά χαρακτηριστικά και τα χαρακτηριστικά υφής αυτών. Για να περιγράψουμε τα αντικείμενα της εικόνας με βάση τις φασματικές τους ιδιότητες χρησιμοποιείται η μέση φασματική τιμή του αντικειμένου σε κάθε κανάλι, ενώ για να εντοπίσουμε τις διαφορές των αντικειμένων σε χαμηλότερα επίπεδα χρησιμοποιούνται τιμές ομοιογένειας, αντίθεσης και εντροπίας. Η μέση φασματική τιμή είναι η βασική παράμετρος που χρησιμοποιήθηκε για την ταξινόμηση, ενώ διαφορετικές ταξινομήσεις βασίστηκαν σε συνδυασμούς της μέσης τιμής με διαφορετικές παραμέτρους υφής. Προέκυψαν λοιπόν, για κάθε ένα από τα 4 πολυφασματικά ή pansharpened κανάλια, 4 αντικειμενοστραφή χαρακτηριστικά, δημιουργώντας με αυτόν τον τρόπο 16 κανάλια για πολυφασματικές ή pansharpened εικόνες.

Πέντε τεχνικές επιβλεπόμενης ταξινόμησης εξετάστηκαν στην παρούσα μελέτη, ο αλγόριθμος παραλληλεπιπέδου(P), ο αλγόριθμος ελαχίστων αποστάσεων(MD), ο Mahalanobis Classifier Distance(MC), ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) και ο Spectral Angle Mapper(SAM). Στην ανάλυση εικονοστοιχείων(pixel-based) τα 4 πολυφασματικά κανάλια (blue,red,green,NIR) χρησιμοποιούνται για την ταξινόμηση των πολυφασματικών ή pan-sharpened εικόνων(a και c στην εικόνα 1). Αντίστοιχα για την ταξινόμηση στην αντικειμενοστραφή (object-based) ανάλυση χρησιμοποιούνται τα 16 κανάλια που περιγράψαμε πως προκύπτουν παραπάνω(b,d στην εικόνα 1), ενώ στην pixel+object-based χρησιμοποιούνται και τα 20 κανάλια (4 πολυφασματικά και 16 που προκύπτουν από την κατάτμηση της εικόνας).

'''''4.Αποτελέσματα'''''

[[Εικόνα:Art10_pic2.jpg | thumb | right |'''Εικόνα 2 :''' ]]
Προκειμένου να αξιολογηθούν οι διάφοροι αλγόριθμοι ταξινόμησης χρησιμοποιήθηκαν ο συντελεστής ακρίβειας και ο συντελεστής Κ. Τα αποτελέσματα έδειξαν ότι η καλύτερη ταξινόμηση επετεύχθη με τον αλγόριθμο μεγίστης πιθανοφάνειας(ML) στην περίπτωση όπου ως ελάχιστη μονάδα πληροφορίας(MIU) χρησιμοποιήθηκε συνδυασμός εικονοστοιχείων και αντικειμένων (pixel+object-based ανάλυση) σε pan-sharpened εικόνα. Η ακρίβεια της ταξινόμησης σε αυτή την περίπτωση ήταν 94,5% με συντελεστή Κ ίσο με 0,94. Στην αντίπερα όχθη, χειρότερα αποτελέσματα, με ακρίβεια ταξινόμησης μόλις 37,7%, έδωσε η ταξινόμηση παραλληλεπιπέδου(P) σε pan-sharpened εικόνα και ελάχιστη μονάδα πληροφορίας(MIU) το pixel(pixel-based ανάλυση).

Σε γενικές γραμμές, καλύτερα αποτελέσματα ταξινόμησης έδωσαν οι μέθοδοι όπου η ανάλυση της εικόνας γίνεται με βάση αντικείμενα(object-based, αντικειμενοστραφής ανάλυση) ή συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση), ενώ όταν ως ελάχιστη μονάδα πληροφορίας χρησιμοποιήθηκαν τα εικονοστοιχεία τα αποτελέσματα των ταξινομήσεων δεν ήταν ικανοποιητικά.

Στην αντικειμενοστραφή μέθοδο ανάλυσης της εικόνας, οι 4 από τους 5 αλγόριθμους ταξινόμησης, εξαιρουμένου του αλγορίθμου παραλληλεπιπέδου(P), πέτυχαν ακρίβεια μεγαλύτερη από 85% για την πολυφασματική εικόνα. Σε αυτή την μέθοδο ανάλυσης, μόνο ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) είχε καλύτερα αποτελέσματα όσον αφορά την ακρίβεια ταξινόμησης στην pan-sharpened από ότι στην πολυφασματική εικόνα, ενώ όλοι οι υπόλοιποι αλγόριθμοι ταξινόμησης είχαν αντίθετη συμπεριφορά. Το ίδιο φαινόμενο παρατηρήθηκε και όταν η ανάλυση της εικόνας έγινε με βάση τον συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση).

Στην εικόνα 2 φαίνονται τα αποτελέσματα της εφαρμογής των διαφόρων αλγορίθμων ταξινόμησης σε πολυφασματικές και pan-sharpened εικόνες της περιοχής μελέτης, για διάφορες τεχνικές ανάλυσης εικόνων

Το τελικό συμπέρασμα που προκύπτει για την χρησιμότητα των δορυφορικών εικόνων του QuickBirdείναι ότι η pan-sharpened εικόνα βελτιώνει ελάχιστα την ακρίβεια της ταξινόμησης, περίπου κατά 4% για τον ακριβέστερο αλγόριθμο ταξινόμησης, ενώ ο τρόπος απόκτησης της(συγχώνευση πολυχρωματικών και πολυφασματικών εικόνων) είναι ιδιαίτερα πολύπλοκος. Απαιτείται αξιολόγηση του οφέλους που θα προκύψει από την χρησιμοποίηση μιας τέτοιας εικόνας, ανάλογα με την υπό μελέτη εφαρμογή.

[[category:Ταξινόμηση καλλιεργειών]]

Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird

2013-02-19T23:46:52Z

Pafilis: Νέα σελίδα με ''''Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρη...'

Αρχείο:Art10 pic2.jpg

2013-02-19T23:37:34Z

Pafilis:

Αρχείο:Art10 pic1.jpg

2013-02-19T23:37:20Z

Pafilis:

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

2013-02-18T20:06:02Z

Pafilis:

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

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

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

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0168169910002632 Science Direct]

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

'''''1. Εισαγωγή'''''

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

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

'''''2. Μεθοδολογία'''''

''2.1 Δεδομένα και περιοχή μελέτης''

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

''2.2 Επεξεργασία εικόνας και τεχνικές ταξινόμησης''

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

'''''3. Αποτελέσματα'''''

Η σύνθεση έγχρωμης IR εικόνας (color infrared composites) που εξήχθη από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 για τις δύο περιοχές μελέτης αποκαλύπτει σαφείς διαφορές μεταξύ των καλλιεργήσιμων εκτάσεων και των άλλων καλύψεων γης, όπως μπορούμε να δούμε και από την εικόνα 1.
[[Εικόνα:Art1_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Έγχρωμη IR εικόνα που απεικονίζει τις δύο περιοχές μελέτης, εξήχθη από μια δορυφορική εικόνας του SPOT 5 ανάλυσης 10m.]]
Στις εικόνες αυτές, οι καλλιέργειες και τα άλλα είδη βλάστησης έχουν γενικά ένα κοκκινωπό χρώμα, το έδαφος έχει ένα γκριζωπό και κυανό τόνο, και το νερό έχει ένα σκοτεινό ή μπλε χώμα.
Στην επόμενη εικόνα(εικόνα 2) παρουσιάζεται ένας ταξινομημένος σε 5 κατηγορίες χάρτης προερχόμενος από την εικόνα ανάλυσης 10m του SPOT 5 (και τα 4 διαθέσιμα κανάλια )βασιζόμενος στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας (maximum likelihood).
[[Εικόνα:Art1_pic2.jpg | thumb | left |'''Εικόνα 2 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5.]]
Συγκρίνοντας τον ταξινομημένο χάρτη με αυτόν της εικόνας 2 παρατηρούμε ότι ο ταξινομημένος χάρτης μας παρέχει μια καλή διάκριση ανάμεσα στις καλλιεργήσιμες και τις μη καλλιεργήσιμες περιοχές. Λόγω των διαφορετικών σταδίων ανάπτυξης των καλλιεργειών και των συνθηκών διαχείρισής τους δεν είναι απόλυτα ξεκάθαρο σε πόσο μεγάλο βαθμό διαχωρίστηκαν οι καλλιέργειες.
Όσον αφορά την ακρίβεια των τεχνικών ταξινόμησης για την εικόνα ανάλυσης 10m των τεσσάρων καναλιών, τα ποσοστά κυμαίνονται από 72,2% (για την τεχνική ταξινόμησης SAM) ως 91% (για την τεχνική maximum likelihood ) για την περιοχή Alamo, και από 68,6%(SAM) ως 87,4(max. likelihood) για την περιοχή Elsa.
Ανάμεσα λοιπόν στις 5 τεχνικές ταξινόμησης που χρησιμοποιήθηκαν, οι τεχνικές SVM και Μεγίστης Πιθανοφάνειας ήταν αυτές που έδωσαν τα καλύτερα αποτελέσματα- 90,6% και 91% αντίστοιχα για την περιοχή Alamo, 86,4% και 87,4% αντίστοιχα για την περιοχή Elsa- χωρίς να υπάρχουν σημαντικές διαφορές ανάμεσα σε αυτές τις δύο.
Η εικόνα 3 παρουσιάζει έναν ταξινομημένο σε 5 κατηγορίες χάρτη προερχόμενο από την εικόνα ανάλυσης 20m(η οποία αναλύσαμε παραπάνω πως προέκυψε) του SPOT 5 (και τα 4 διαθέσιμα κανάλια)βασιζόμενο στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας.
[[Εικόνα:Art1_pic3.jpg | thumb | right |'''Εικόνα 3 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 20m του SPOT 5.]]
Παρατηρούμε ότι οι εικόνες 2 και 3 είναι αρκετά όμοιες μεταξύ τους, γεγονός που μας οδηγεί στο συμπέρασμα ότι η μεγαλύτερη ανάλυση (μεγαλύτερο μέγεθος pixel) δεν έχει σημαντική επίδραση στην ακρίβεια της ταξινόμησης.
Η εικόνα 4 στην συνέχεια παρουσιάζει την ίδια εικόνα ανάλυσης 10m, χρησιμοποιώντας 3 από τα 4 διαθέσιμα κανάλια, αποκλείοντας το βραχύ υπέρυθρο(SWIR) κανάλι. Παρατηρούμε ότι οι ταξινομημένοι χάρτες για τις δύο περιοχές εξέτασης δεν αποτυπώνονται τόσο καθαρά όσο χρησιμοποιώντας και τα 4 κανάλια, οδηγώντας στο συμπέρασμα ότι συμπεριλαμβάνοντας και το βραχύ υπέρυθρο κανάλι έχουμε καλύτερα αποτελέσματα.
[[Εικόνα:Art1_pic4.jpg | thumb | right |'''Εικόνα 4 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 αποκλείωντας το SWIR κανάλι και χρησιμοποιώντας τα υπόλοιπα τρία κανάλια.]]

'''''4. Συμπεράσματα'''''

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2013-02-18T20:05:34Z

Pafilis:

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

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

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

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0168169910002632 Science Direct]

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

'''''1. Εισαγωγή'''''

Οι διάφοροι τύποι καλλιεργειών καθώς και οι ζώνες καλλιέργειας που υπάρχουν σε μια περιοχή αποτελούν σημαντική πληροφορία για την διαχείριση των καλλιεργειών και την ανάπτυξη ενός καλού σχεδιασμού για την γεωργία. Οι τεχνολογίες της τηλεπισκόπησης, από απλές αεροφωτογραφίες μέχρι πολυφασματικές δορυφορικές απεικονίσεις χρησιμοποιούνται εδώ και δεκαετίες για ταυτοποίηση των καλλιεργειών και εκτίμηση της γεωργικής περιοχής, με την δορυφορική απεικόνιση να χρησιμοποιείται στην πλειοψηφία των εφαρμογών λόγω των συγκριτικών πλεονεκτημάτων που προσφέρει (synoptic overview, repetitive large coverage).
Η βάση για τον διαχωρισμό των διαφόρων ειδών καλλιέργειας είναι η υπόθεση πως κάθε είδος καλλιέργειας έχει μια μοναδική(διαφορετική) εμφάνιση ή φασματική υπογραφή στην εικόνα, αλλά ο διαχωρισμός μπορεί να είναι δύσκολος λόγω μεταβολών των ιδιοτήτων του εδάφους, ύπαρξης παρασίτων, κ.α. /

Σημαντικούς περιορισμούς σχετικά με τον προσδιορισμό των καλλιεργειών με δορυφορικές εικόνες εισάγουν επίσης παράμετροι όπως η ανακλαστικότητα των φυτών των διαφόρων καλλιεργειών, ο συνδυασμός καλλιεργειών σε μια περιοχή κ.α.
Σημαντικά βήματα για την ταυτοποίηση των διαφόρων καλλιεργειών και την παράκαμψη των παραπάνω εμποδίων έγιναν με την πρόοδο της ψηφιακής επεξεργασίας εικόνων και των γεωγραφικών συστημάτων πληροφοριών , καθώς και την χρήση προηγμένων τεχνικών ταξινόμησης(νευρωνικά δίκτυα, support vector machines κ.α.).Τα τελευταία χρόνια, εικόνες προερχόμενες από υψηλής χωρικής ανάλυσης δορυφορικά συστήματα, όπως το IKONOS, το QuickBird και το SPOT 5 έγιναν διαθέσιμες, συμβάλλοντας στην ακριβέστερη ταυτοποίηση των γεωργικών καλλιεργειών. Το δορυφορικό σύστημα IKONOS προσφέρει δεδομένα σε τρία ορατά κανάλια και σε ένα εγγύς υπέρυθρο, με δυνατότητα ανάλυσης 4m. Αντίστοιχα, το QuickBird προσφέρει πολυφασματικές εικόνες σε ανάλυση 2,4m ή 2,8m σε 4 φασματικά κανάλια όμοια με αυτά του IKONOS. Το SPOT 5, δεδομένα του οποίου χρησιμοποιήθηκαν στην παρούσα εργασία, προσφέρει πολυφασματικά δεδομένα σε δύο ορατά κανάλια (green, red) ένα εγγύς υπέρυθρο κανάλι με ανάλυση 10m και ένα βραχύ υπέρυθρο (short wave infrared, SWIR) κανάλι με ανάλυση 20m.Οι εικόνες λοιπόν που προέρχονται από τον SPOT 5 περιέχουν 4 φασματικές ζώνες : green(500-590nm), red(610-680nm), NIR(780-890nm), SWIR(1580-1750nm).Τα δεδομένα έχουν 8 bits εύρος.

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

'''''2. Μεθοδολογία'''''

''2.1 Δεδομένα και περιοχή μελέτης''

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

''2.2 Επεξεργασία εικόνας και τεχνικές ταξινόμησης''

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

'''''3. Αποτελέσματα'''''

Η σύνθεση έγχρωμης IR εικόνας (color infrared composites) που εξήχθη από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 για τις δύο περιοχές μελέτης αποκαλύπτει σαφείς διαφορές μεταξύ των καλλιεργήσιμων εκτάσεων και των άλλων καλύψεων γης, όπως μπορούμε να δούμε και από την εικόνα 1.
[[Εικόνα:Art1_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Έγχρωμη IR εικόνα που απεικονίζει τις δύο περιοχές μελέτης, εξήχθη από μια δορυφορική εικόνας του SPOT 5 ανάλυσης 10m.]]
Στις εικόνες αυτές, οι καλλιέργειες και τα άλλα είδη βλάστησης έχουν γενικά ένα κοκκινωπό χρώμα, το έδαφος έχει ένα γκριζωπό και κυανό τόνο, και το νερό έχει ένα σκοτεινό ή μπλε χώμα.
Στην επόμενη εικόνα(εικόνα 2) παρουσιάζεται ένας ταξινομημένος σε 5 κατηγορίες χάρτης προερχόμενος από την εικόνα ανάλυσης 10m του SPOT 5 (και τα 4 διαθέσιμα κανάλια )βασιζόμενος στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας (maximum likelihood).
[[Εικόνα:Art1_pic2.jpg | thumb | left |'''Εικόνα 2 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5.]]
Συγκρίνοντας τον ταξινομημένο χάρτη με αυτόν της εικόνας 2 παρατηρούμε ότι ο ταξινομημένος χάρτης μας παρέχει μια καλή διάκριση ανάμεσα στις καλλιεργήσιμες και τις μη καλλιεργήσιμες περιοχές. Λόγω των διαφορετικών σταδίων ανάπτυξης των καλλιεργειών και των συνθηκών διαχείρισής τους δεν είναι απόλυτα ξεκάθαρο σε πόσο μεγάλο βαθμό διαχωρίστηκαν οι καλλιέργειες.
Όσον αφορά την ακρίβεια των τεχνικών ταξινόμησης για την εικόνα ανάλυσης 10m των τεσσάρων καναλιών, τα ποσοστά κυμαίνονται από 72,2% (για την τεχνική ταξινόμησης SAM) ως 91% (για την τεχνική maximum likelihood ) για την περιοχή Alamo, και από 68,6%(SAM) ως 87,4(max. likelihood) για την περιοχή Elsa.
Ανάμεσα λοιπόν στις 5 τεχνικές ταξινόμησης που χρησιμοποιήθηκαν, οι τεχνικές SVM και Μεγίστης Πιθανοφάνειας ήταν αυτές που έδωσαν τα καλύτερα αποτελέσματα- 90,6% και 91% αντίστοιχα για την περιοχή Alamo, 86,4% και 87,4% αντίστοιχα για την περιοχή Elsa- χωρίς να υπάρχουν σημαντικές διαφορές ανάμεσα σε αυτές τις δύο.
Η εικόνα 3 παρουσιάζει έναν ταξινομημένο σε 5 κατηγορίες χάρτη προερχόμενο από την εικόνα ανάλυσης 20m(η οποία αναλύσαμε παραπάνω πως προέκυψε) του SPOT 5 (και τα 4 διαθέσιμα κανάλια)βασιζόμενο στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας.
[[Εικόνα:Art1_pic3.jpg | thumb | right |'''Εικόνα 3 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 20m του SPOT 5.]]
Παρατηρούμε ότι οι εικόνες 2 και 3 είναι αρκετά όμοιες μεταξύ τους, γεγονός που μας οδηγεί στο συμπέρασμα ότι η μεγαλύτερη ανάλυση (μεγαλύτερο μέγεθος pixel) δεν έχει σημαντική επίδραση στην ακρίβεια της ταξινόμησης.
Η εικόνα 4 στην συνέχεια παρουσιάζει την ίδια εικόνα ανάλυσης 10m, χρησιμοποιώντας 3 από τα 4 διαθέσιμα κανάλια, αποκλείοντας το βραχύ υπέρυθρο(SWIR) κανάλι. Παρατηρούμε ότι οι ταξινομημένοι χάρτες για τις δύο περιοχές εξέτασης δεν αποτυπώνονται τόσο καθαρά όσο χρησιμοποιώντας και τα 4 κανάλια, οδηγώντας στο συμπέρασμα ότι συμπεριλαμβάνοντας και το βραχύ υπέρυθρο κανάλι έχουμε καλύτερα αποτελέσματα.
[[Εικόνα:Art1_pic4.jpg | thumb | right |'''Εικόνα 4 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 αποκλείωντας το SWIR κανάλι και χρησιμοποιώντας τα υπόλοιπα τρία κανάλια.]]

'''''4. Συμπεράσματα'''''

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2013-02-18T20:05:19Z

Pafilis:

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

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

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

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0168169910002632 Science Direct]

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

'''''1. Εισαγωγή'''''

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

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

'''''2. Μεθοδολογία'''''

''2.1 Δεδομένα και περιοχή μελέτης''

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

''2.2 Επεξεργασία εικόνας και τεχνικές ταξινόμησης''

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

'''''3. Αποτελέσματα'''''

Η σύνθεση έγχρωμης IR εικόνας (color infrared composites) που εξήχθη από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 για τις δύο περιοχές μελέτης αποκαλύπτει σαφείς διαφορές μεταξύ των καλλιεργήσιμων εκτάσεων και των άλλων καλύψεων γης, όπως μπορούμε να δούμε και από την εικόνα 1.
[[Εικόνα:Art1_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Έγχρωμη IR εικόνα που απεικονίζει τις δύο περιοχές μελέτης, εξήχθη από μια δορυφορική εικόνας του SPOT 5 ανάλυσης 10m.]]
Στις εικόνες αυτές, οι καλλιέργειες και τα άλλα είδη βλάστησης έχουν γενικά ένα κοκκινωπό χρώμα, το έδαφος έχει ένα γκριζωπό και κυανό τόνο, και το νερό έχει ένα σκοτεινό ή μπλε χώμα.
Στην επόμενη εικόνα(εικόνα 2) παρουσιάζεται ένας ταξινομημένος σε 5 κατηγορίες χάρτης προερχόμενος από την εικόνα ανάλυσης 10m του SPOT 5 (και τα 4 διαθέσιμα κανάλια )βασιζόμενος στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας (maximum likelihood).
[[Εικόνα:Art1_pic2.jpg | thumb | left |'''Εικόνα 2 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5.]]
Συγκρίνοντας τον ταξινομημένο χάρτη με αυτόν της εικόνας 2 παρατηρούμε ότι ο ταξινομημένος χάρτης μας παρέχει μια καλή διάκριση ανάμεσα στις καλλιεργήσιμες και τις μη καλλιεργήσιμες περιοχές. Λόγω των διαφορετικών σταδίων ανάπτυξης των καλλιεργειών και των συνθηκών διαχείρισής τους δεν είναι απόλυτα ξεκάθαρο σε πόσο μεγάλο βαθμό διαχωρίστηκαν οι καλλιέργειες.
Όσον αφορά την ακρίβεια των τεχνικών ταξινόμησης για την εικόνα ανάλυσης 10m των τεσσάρων καναλιών, τα ποσοστά κυμαίνονται από 72,2% (για την τεχνική ταξινόμησης SAM) ως 91% (για την τεχνική maximum likelihood ) για την περιοχή Alamo, και από 68,6%(SAM) ως 87,4(max. likelihood) για την περιοχή Elsa.
Ανάμεσα λοιπόν στις 5 τεχνικές ταξινόμησης που χρησιμοποιήθηκαν, οι τεχνικές SVM και Μεγίστης Πιθανοφάνειας ήταν αυτές που έδωσαν τα καλύτερα αποτελέσματα- 90,6% και 91% αντίστοιχα για την περιοχή Alamo, 86,4% και 87,4% αντίστοιχα για την περιοχή Elsa- χωρίς να υπάρχουν σημαντικές διαφορές ανάμεσα σε αυτές τις δύο.
Η εικόνα 3 παρουσιάζει έναν ταξινομημένο σε 5 κατηγορίες χάρτη προερχόμενο από την εικόνα ανάλυσης 20m(η οποία αναλύσαμε παραπάνω πως προέκυψε) του SPOT 5 (και τα 4 διαθέσιμα κανάλια)βασιζόμενο στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας.
[[Εικόνα:Art1_pic3.jpg | thumb | right |'''Εικόνα 3 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 20m του SPOT 5.]]
Παρατηρούμε ότι οι εικόνες 2 και 3 είναι αρκετά όμοιες μεταξύ τους, γεγονός που μας οδηγεί στο συμπέρασμα ότι η μεγαλύτερη ανάλυση (μεγαλύτερο μέγεθος pixel) δεν έχει σημαντική επίδραση στην ακρίβεια της ταξινόμησης.
Η εικόνα 4 στην συνέχεια παρουσιάζει την ίδια εικόνα ανάλυσης 10m, χρησιμοποιώντας 3 από τα 4 διαθέσιμα κανάλια, αποκλείοντας το βραχύ υπέρυθρο(SWIR) κανάλι. Παρατηρούμε ότι οι ταξινομημένοι χάρτες για τις δύο περιοχές εξέτασης δεν αποτυπώνονται τόσο καθαρά όσο χρησιμοποιώντας και τα 4 κανάλια, οδηγώντας στο συμπέρασμα ότι συμπεριλαμβάνοντας και το βραχύ υπέρυθρο κανάλι έχουμε καλύτερα αποτελέσματα.
[[Εικόνα:Art1_pic4.jpg | thumb | right |'''Εικόνα 4 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 αποκλείωντας το SWIR κανάλι και χρησιμοποιώντας τα υπόλοιπα τρία κανάλια.]]

'''''4. Συμπεράσματα'''''

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2013-02-18T20:05:03Z

Pafilis:

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

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

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

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0168169910002632 Science Direct]

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

'''''1. Εισαγωγή'''''

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

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

'''''2. Μεθοδολογία'''''

''2.1 Δεδομένα και περιοχή μελέτης''

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

''2.2 Επεξεργασία εικόνας και τεχνικές ταξινόμησης''

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

'''''3. Αποτελέσματα'''''

Η σύνθεση έγχρωμης IR εικόνας (color infrared composites) που εξήχθη από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 για τις δύο περιοχές μελέτης αποκαλύπτει σαφείς διαφορές μεταξύ των καλλιεργήσιμων εκτάσεων και των άλλων καλύψεων γης, όπως μπορούμε να δούμε και από την εικόνα 1.
[[Εικόνα:Art1_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Έγχρωμη IR εικόνα που απεικονίζει τις δύο περιοχές μελέτης, εξήχθη από μια δορυφορική εικόνας του SPOT 5 ανάλυσης 10m.]]
Στις εικόνες αυτές, οι καλλιέργειες και τα άλλα είδη βλάστησης έχουν γενικά ένα κοκκινωπό χρώμα, το έδαφος έχει ένα γκριζωπό και κυανό τόνο, και το νερό έχει ένα σκοτεινό ή μπλε χώμα.
Στην επόμενη εικόνα(εικόνα 2) παρουσιάζεται ένας ταξινομημένος σε 5 κατηγορίες χάρτης προερχόμενος από την εικόνα ανάλυσης 10m του SPOT 5 (και τα 4 διαθέσιμα κανάλια )βασιζόμενος στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας (maximum likelihood).
[[Εικόνα:Art1_pic2.jpg | thumb | left |'''Εικόνα 2 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5.]]
Συγκρίνοντας τον ταξινομημένο χάρτη με αυτόν της εικόνας 2 παρατηρούμε ότι ο ταξινομημένος χάρτης μας παρέχει μια καλή διάκριση ανάμεσα στις καλλιεργήσιμες και τις μη καλλιεργήσιμες περιοχές. Λόγω των διαφορετικών σταδίων ανάπτυξης των καλλιεργειών και των συνθηκών διαχείρισής τους δεν είναι απόλυτα ξεκάθαρο σε πόσο μεγάλο βαθμό διαχωρίστηκαν οι καλλιέργειες.
Όσον αφορά την ακρίβεια των τεχνικών ταξινόμησης για την εικόνα ανάλυσης 10m των τεσσάρων καναλιών, τα ποσοστά κυμαίνονται από 72,2% (για την τεχνική ταξινόμησης SAM) ως 91% (για την τεχνική maximum likelihood ) για την περιοχή Alamo, και από 68,6%(SAM) ως 87,4(max. likelihood) για την περιοχή Elsa.
Ανάμεσα λοιπόν στις 5 τεχνικές ταξινόμησης που χρησιμοποιήθηκαν, οι τεχνικές SVM και Μεγίστης Πιθανοφάνειας ήταν αυτές που έδωσαν τα καλύτερα αποτελέσματα- 90,6% και 91% αντίστοιχα για την περιοχή Alamo, 86,4% και 87,4% αντίστοιχα για την περιοχή Elsa- χωρίς να υπάρχουν σημαντικές διαφορές ανάμεσα σε αυτές τις δύο.
Η εικόνα 3 παρουσιάζει έναν ταξινομημένο σε 5 κατηγορίες χάρτη προερχόμενο από την εικόνα ανάλυσης 20m(η οποία αναλύσαμε παραπάνω πως προέκυψε) του SPOT 5 (και τα 4 διαθέσιμα κανάλια)βασιζόμενο στην τεχνική ταξινόμησης μεγίστης πιθανοφάνειας.
[[Εικόνα:Art1_pic3.jpg | thumb | right |'''Εικόνα 3 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 20m του SPOT 5.]]
Παρατηρούμε ότι οι εικόνες 2 και 3 είναι αρκετά όμοιες μεταξύ τους, γεγονός που μας οδηγεί στο συμπέρασμα ότι η μεγαλύτερη ανάλυση (μεγαλύτερο μέγεθος pixel) δεν έχει σημαντική επίδραση στην ακρίβεια της ταξινόμησης.
Η εικόνα 4 στην συνέχεια παρουσιάζει την ίδια εικόνα ανάλυσης 10m, χρησιμοποιώντας 3 από τα 4 διαθέσιμα κανάλια, αποκλείοντας το βραχύ υπέρυθρο(SWIR) κανάλι. Παρατηρούμε ότι οι ταξινομημένοι χάρτες για τις δύο περιοχές εξέτασης δεν αποτυπώνονται τόσο καθαρά όσο χρησιμοποιώντας και τα 4 κανάλια, οδηγώντας στο συμπέρασμα ότι συμπεριλαμβάνοντας και το βραχύ υπέρυθρο κανάλι έχουμε καλύτερα αποτελέσματα.
[[Εικόνα:Art1_pic4.jpg | thumb | right |'''Εικόνα 4 :''' Ταξινομημένοι χάρτες για τις δύο περιοχές μελέτης, παρήχθησαν από την δορυφορική εικόνα ανάλυσης 10m του SPOT 5 αποκλείωντας το SWIR κανάλι και χρησιμοποιώντας τα υπόλοιπα τρία κανάλια.]]

'''''4. Συμπεράσματα'''''

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

[[category:Ταξινόμηση καλλιεργειών]]

Παφίλης Απόστολος

2013-02-16T20:22:06Z

Pafilis:

* [[Αξιολόγηση δορυφορικής απεικόνισης υψηλής ανάλυσης του δορυφορικού συστήματος SPOT 5 για ταυτοποίηση καλλιεργειών]]
* [[Αξιολόγηση των δεδομένων του δορυφόρου RADARSAT-1 για εντοπισμό καμένων περιοχών στην Νότια Ευρώπη]]
* [[Χαρτογράφηση σε μεγάλη κλίμακα της κατανομής της βυθισμένης υδρόβιας βλάστησης χρησιμοποιώντας την τηλεπισκόπηση]]
* [[Χαρτογράφηση της δασικής βιομάζας συνδυάζοντας την τεχνολογία της τηλεπισκόπησης με την πληροφορία για την ηλικία των δασών]]
* [[Χρήση των δορυφορικών συστημάτων IKONOS και Landsat για έλεγχο της ελονοσίας στην Κορέα]]
* [[Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird]]
* [[Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους]]
* [[Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης]]
* [[Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης]]

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

Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης

2013-02-16T20:21:28Z

Pafilis:

'''Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης'''

'''Πρωτότυπος τίτλος : Identifying the boundaries of the historical site of Persepolis using remote sensing'''

'''Συγγραφείς : Behnaz Aminzadeh, Firuzeh Samani'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0034425706000502 Science Direct]

'''''1.Εισαγωγή'''''

[[Εικόνα:Art9_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Ψευδοέγχρωμη εικόνα της περιοχής μελέτης.]]
Το συγκρότημα των ανακτόρων της Περσέπολης αποτελεί ένα από τα πιο εντυπωσιακά στοιχεία της ιρανικής αρχιτεκτονικής. Κατασκευάστηκε το 518π.Χ. από τον βασιλιά Δαρείο και καταστράφηκε εν μέρει από τον Μέγα Αλέξανδρο. Τα ερείπια της Περσέπολης βρίσκονται 70 χλμ βορειοανατολικά της σύγχρονης πόλης Σιράζ του Ιράν και η σπουδαιότητα της περιοχής ως πολιτιστική κληρονομιά επισημαίνεται τόσο από την UNESCO όσο και από άλλους πολιτιστικούς οργανισμούς, οι οποίοι ενθαρρύνουν την αποκατάσταση και αναστήλωση του. Απαραίτητο στοιχείο για να πραγματοποιηθεί κάτι τέτοιο είναι ο καθορισμός της έκτασης και των κατασκευαστικών στοιχείων της τοποθεσίας. Στην μελέτη αυτή λοιπόν η φωτογεωλογία και η τηλεπισκόπηση θα μας βοηθήσουν για να πραγματοποιήσουμε αυτό το πρώτο βήμα.
Σκοπός της παρούσας μελέτης είναι να διαπιστωθεί αν υπήρχε ή όχι τείχος που να περιέβαλλε την αρχαία πόλη, ερώτημα που δεν κατάφεραν να αποσαφηνίσουν προηγούμενες μελέτες.

'''''2.Μεθοδολογία'''''

Η τηλεπισκόπηση έχει χρησιμοποιηθεί σε διάφορες αρχαιολογικές εφαρμογές παγκοσμίως. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα από το δορυφορικό σύστημα LANDSAT ETM+(αποκτήθηκαν στις 20/05/2001), ασπρόμαυρες αεροφωτογραφίες (κλίμακας 1:20000 του 1963, 1:15000 του 1954 και 1:8000 του 2002) και τοπογραφικοί χάρτες κλίμακας 1:50000 και 1:25000 αντίστοιχα. Η προβολή, διόρθωση και συλλογή των δεδομένων έγιναν με το σύστημα αναφοράς WGS84 και το σύστημα προβολών UTM. Για τον προσδιορισμό αρχαιολογικών χαρακτηριστικών καθώς και απομειναριών από την πιθανή ύπαρξη τείχους και παρατηρητηρίων συνδυάστηκαν οι επιστήμες της τηλεπισκόπησης, της γεωλογίας και της φωτογεωλογίας. Η επεξεργασία των εικόνων περιλαμβάνει μεταξύ άλλων ραδιομετρικές διορθώσεις, αφαίρεση θορύβου, γεωκωδικοποίηση και βαθμονόμηση.
[[Εικόνα:Art9_pic2.jpg | thumb | left |'''Εικόνα 2 :''' Αεροφωτοφωτογραφία όπου εμφανίζονται τα ερείπεια της Περσέπολης(a.1)και η ζώνη της αρχαίας πόλης(a.2) ]]
Προκειμένου να τονισθούν χαρακτηριστικά των εικόνων χρησιμοποιήθηκαν λόγοι καναλιών. Ο λόγος καναλιών 5/7 του δορυφορικού δέκτη ΤΜ διακρίνει τα ορυκτά υλικά που περιέχουν υδροξύλιο και άνθρακα. Αντίστοιχα ο λόγος καναλιών 5/4 διακρίνει τα πετρώματα από το έδαφος, επιτρέποντας έτσι τον εντοπισμό αρχαιολογικών ευρημάτων σε καλλιεργούμενες περιοχές. Τα χαρακτηριστικά αυτά ενισχύθηκαν σε RGB(b5/b7, b5/b4, b3/b2) χρωμοσύνθετες εικόνες. Επιπρόσθετα ένα υψιπερατό φίλτρο συνέλιξης εφαρμόστηκε στα κανάλια 5,4 και 7 του δορυφορικού δέκτη ΤΜ και προστέθηκε στις αρχικές εικόνες προκειμένου να επιτευχθεί ενίσχυση των άκρων. Για την ενίσχυση συγκεκριμένων χωρικών χαρακτηριστικών εφαρμόστηκε ένα directional φίλτρο. Πραγματοποιήθηκε επίσης ανάλυση των κύριων συνιστωσών (PCA) του δορυφορικού συστήματος με σκοπό τον καθορισμό γκρεμισμένων τειχών, πέτρινων θραυσμάτων και χαρακτηριστικών καλλιέργειας.

Οι διαφορές στην υφή του εδάφους μπορούν να εξερευνηθούν από τις διακυμάνσεις της θερμοκρασίας, ενώ σε αρκετές περιπτώσεις θαμμένες κατασκευές/αντικείμενα ανιχνεύονται μέσω υπέρυθρων εικόνων(εμφανίζονται διαφορές στην θερμοκρασία του εδάφους όπου είναι πιθανόν να υπάρχουν θαμμένες πέτρες ή άλλα υλικά σε σχέση με το υπόλοιπο έδαφος).

Το παγχρωματικό κανάλι 8 (0,52- 0,90 μm) του δορυφορικού δέκτη ΕΤΜ+ , το οποίο έχει υψηλή ανακλαστικότητα στο ορατό και το υπέρυθρο φασματικό πεδίο χρησιμοποιήθηκε για την ενίσχυση των χαλασμάτων. Λόγω της πυκνής κάλυψης από καλλιέργειες και βλάστηση δεν είναι δυνατόν να ενισχυθεί η απόκριση των αρχαιολογικών χώρων χρησιμοποιώντας συνθέσεις RGB καναλιών ή ψευδο-έγχρωμες εικόνες που προκύπτουν από τους λόγους των καναλιών. Για να μπορέσουμε λοιπόν να ενισχύσουμε τους αρχαιολογικούς χώρους της περιοχής χρησιμοποιήθηκαν η ανάλυση των κυρίων συνιστωσών (PCA) του δορυφορικού δέκτη, ο κανονικοποιημένος δείκτης βλάστησης (NDVI) καθώς και η μεταξύ τους διαφορές. Λόγω της χαμηλής χωρικής ανάλυσης των δεδομένων του δορυφορικού δέκτη ΕΤΜ+ για μελέτη μεγάλη κλίμακας και της μη διαθεσιμότητας δεδομένων υψηλότερης χωρικής ανάλυσης χρησιμοποιήθηκαν αεροφωτογραφίες διαφορετικών χρονολογιών. Στα δεδομένα έγινε μια σειρά επεξεργασιών, κάνοντας χρήση υψιπερατού φίλτρου Laplace, κανονικοποίηση του ιστογράμματος και επεξεργασία χρωμάτων.

Όλα τα επεξεργασμένα στοιχεία χρησιμοποιήθηκαν κατάλληλα προκειμένου να σχηματιστεί η τελική εικόνα για την όψη της Περσέπολης.
[[Εικόνα:Art9_pic3.jpg | thumb | right |'''Εικόνα 3 :''' Αεροφψτογραφία όπου απεικονίζονται οι πιθανές θέσεις των παρατηρητηρίων του αρχαίου τείχους.]]

'''''3.Ευρήματα-Αποτελέσματα'''''

Η εικόνα 1 είναι μια ψευδο-έγχρωμη εικόνα που παρασκευάστηκε στην παρούσα μελέτη. Οι περιοχές που επισημαίνονται με μωβ χρώμα απεικονίζουν περιοχές όπου υπάρχουν αργιλο-λασπώδες υλικά και θραύσματα ασβεστόλιθου. Στο σημείο Α που φαίνεται στην εικόνα, επισημαίνονται τα υπολείμματα ενός προστατευτικού τείχους, ενώ υπάρχουν παρόμοια μπαλώματα σε πολλά σημεία γύρω από την περιοχή που εξετάζεται.

Στην εικόνα 2, στην αεροφωτογραφία (a.1) του 1950 απεικονίζονται τα ερείπια της Περσέπολης, και στην a.2 η ζώνη της αρχαίας πόλης. Με κόκκινο και σκούρο πράσινο χρώμα σημειώνονται τα υλικά που σχηματίζουν ερείπια, ενώ με τα γράμματα σημειώνονται τα σημεία όπου εμφανίζονται υπολείμματα του προστατευτικού τείχους και των παρατηρητηρίων.

Αντίστοιχα στην εικόνα 3, η αεροφωτογραφία b.2που προέρχεται από την επεξεργασία της αεροφωτογραφίας (b.1) του 1970 απεικονίζει 34 κυκλικά σημεία που υπάρχουν απομεινάρια από θραύσματα πετρών και είναι πιθανό να αποτελούν τα σημεία όπου υπήρχαν εγκατεστημένα τα παρατηρητήρια.
[[Εικόνα:Art9_pic4.jpg | thumb | right |'''Εικόνα 4 :''' Χάρτης που απεικονίζει το προστατευτικό τείχος και τα παρατηρητήρια που περιέβαλαν την Περσέπολη]]

Τόσο οι αρχικές αεροφωτογραφίες όσο και οι επεξεργασμένες εικόνες υποδεικνύνουν τα σημάδια ενός γραμμικού στοιχείου το οποίο αποτελεί το αρχαίο τείχος, ενώ τα σημεία που τονίζονται μοιάζουν με τις θέσεις των παρατηρητηρίων γύρω από την Περσέπολη.
Με την επεξεργασία και την ανάλυση των αεροφωτογραφιών και των δορυφορικών εικόνων είναι δυνατόν να εντοπίσεις κάποια χαρακτηριστικά σημεία που έχουν ανώμαλη υφή και τόνο, τα οποία αντιπροσωπεύουν ένα προστατευτικό τείχος και παρατηρητήρια. Υπάρχουν 34 κηλίδες, με διαφορετικά μεγέθη, 17 εκ των οποίων βρίσκονται στα ανατολικά και βορειοανατολικά σημεία της περιοχής και τα υπόλοιπα είναι διάσπαρτα στο πεδινό τμήμα της περιοχής. Τα σημεία αυτά αναπαριστούν τα παρατηρητήρια των ανακτόρων της Περσέπολης.Στον χάρτη της εικόνας 4 απεικονίζεται το προστατευτικό τείχος και τα παρατηρητήρια που περιέβαλαν την Περσέπολη.

'''''4.Συμπεράσματα'''''

Το αποτέλεσμα της μελέτης των ασπρόμαυρων αεροφωτογραφιών και των εικόνων του δορυφορικού δέκτη έδειξε ότι παρά τις ζημιές και τις καταστροφές που έχει υποστεί ο αρχαιολογική περιοχή της Περσέπολης, υπάρχουν κάποια απομεινάρια του προστατευτικού τείχους και των παρατηρητηρίων που προστάτευαν την πόλη.
Προκειμένου να προσδιοριστούν με ακρίβεια οι θέσεις κατοικιών, η ύπαρξη δικτύου ύδρευσης και άλλα σημάδια κοινωνικής ζώης στον αρχαιολογικό χώρο της Περσέπολης απαιτούνται μελέτες που περιλαμβάνουν συστηματικές ανασκαφές, πληροφορίες για την κάλυψη της γης, και ενσωμάτωση πληροφοριών από διαφορετικές πηγές. Τέτοιες μελέτες είναι πιθανό να παρέχουν ακριβέστερες πληροφορίες για την θέση του προστατευτικού τείχους και των παρατηρητηρίων.

[[category:Εντοπισμός αρχαιολογικών θέσεων]]

Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης

2013-02-16T20:20:21Z

Pafilis:

'''Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης'''

'''Πρωτότυπος τίτλος : Identifying the boundaries of the historical site of Persepolis using remote sensing'''

'''Συγγραφείς : Behnaz Aminzadeh, Firuzeh Samani'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0034425706000502 Science Direct]

'''''1.Εισαγωγή'''''

[[Εικόνα:Art9_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Ψευδοέγχρωμη εικόνα της περιοχής μελέτης.]]
Το συγκρότημα των ανακτόρων της Περσέπολης αποτελεί ένα από τα πιο εντυπωσιακά στοιχεία της ιρανικής αρχιτεκτονικής. Κατασκευάστηκε το 518π.Χ. από τον βασιλιά Δαρείο και καταστράφηκε εν μέρει από τον Μέγα Αλέξανδρο. Τα ερείπια της Περσέπολης βρίσκονται 70 χλμ βορειοανατολικά της σύγχρονης πόλης Σιράζ του Ιράν και η σπουδαιότητα της περιοχής ως πολιτιστική κληρονομιά επισημαίνεται τόσο από την UNESCO όσο και από άλλους πολιτιστικούς οργανισμούς, οι οποίοι ενθαρρύνουν την αποκατάσταση και αναστήλωση του. Απαραίτητο στοιχείο για να πραγματοποιηθεί κάτι τέτοιο είναι ο καθορισμός της έκτασης και των κατασκευαστικών στοιχείων της τοποθεσίας. Στην μελέτη αυτή λοιπόν η φωτογεωλογία και η τηλεπισκόπηση θα μας βοηθήσουν για να πραγματοποιήσουμε αυτό το πρώτο βήμα.
Σκοπός της παρούσας μελέτης είναι να διαπιστωθεί αν υπήρχε ή όχι τείχος που να περιέβαλλε την αρχαία πόλη, ερώτημα που δεν κατάφεραν να αποσαφηνίσουν προηγούμενες μελέτες.
[[Εικόνα:Art9_pic2.jpg | thumb | left |'''Εικόνα 2 :''' Αεροφωτοφωτογραφία όπου εμφανίζονται τα ερείπεια της Περσέπολης(a.1)και η ζώνη της αρχαίας πόλης(a.2) ]]

'''''2.Μεθοδολογία'''''

Η τηλεπισκόπηση έχει χρησιμοποιηθεί σε διάφορες αρχαιολογικές εφαρμογές παγκοσμίως. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα από το δορυφορικό σύστημα LANDSAT ETM+(αποκτήθηκαν στις 20/05/2001), ασπρόμαυρες αεροφωτογραφίες (κλίμακας 1:20000 του 1963, 1:15000 του 1954 και 1:8000 του 2002) και τοπογραφικοί χάρτες κλίμακας 1:50000 και 1:25000 αντίστοιχα. Η προβολή, διόρθωση και συλλογή των δεδομένων έγιναν με το σύστημα αναφοράς WGS84 και το σύστημα προβολών UTM. Για τον προσδιορισμό αρχαιολογικών χαρακτηριστικών καθώς και απομειναριών από την πιθανή ύπαρξη τείχους και παρατηρητηρίων συνδυάστηκαν οι επιστήμες της τηλεπισκόπησης, της γεωλογίας και της φωτογεωλογίας. Η επεξεργασία των εικόνων περιλαμβάνει μεταξύ άλλων ραδιομετρικές διορθώσεις, αφαίρεση θορύβου, γεωκωδικοποίηση και βαθμονόμηση.

Προκειμένου να τονισθούν χαρακτηριστικά των εικόνων χρησιμοποιήθηκαν λόγοι καναλιών. Ο λόγος καναλιών 5/7 του δορυφορικού δέκτη ΤΜ διακρίνει τα ορυκτά υλικά που περιέχουν υδροξύλιο και άνθρακα. Αντίστοιχα ο λόγος καναλιών 5/4 διακρίνει τα πετρώματα από το έδαφος, επιτρέποντας έτσι τον εντοπισμό αρχαιολογικών ευρημάτων σε καλλιεργούμενες περιοχές. Τα χαρακτηριστικά αυτά ενισχύθηκαν σε RGB(b5/b7, b5/b4, b3/b2) χρωμοσύνθετες εικόνες. Επιπρόσθετα ένα υψιπερατό φίλτρο συνέλιξης εφαρμόστηκε στα κανάλια 5,4 και 7 του δορυφορικού δέκτη ΤΜ και προστέθηκε στις αρχικές εικόνες προκειμένου να επιτευχθεί ενίσχυση των άκρων. Για την ενίσχυση συγκεκριμένων χωρικών χαρακτηριστικών εφαρμόστηκε ένα directional φίλτρο. Πραγματοποιήθηκε επίσης ανάλυση των κύριων συνιστωσών (PCA) του δορυφορικού συστήματος με σκοπό τον καθορισμό γκρεμισμένων τειχών, πέτρινων θραυσμάτων και χαρακτηριστικών καλλιέργειας.

Οι διαφορές στην υφή του εδάφους μπορούν να εξερευνηθούν από τις διακυμάνσεις της θερμοκρασίας, ενώ σε αρκετές περιπτώσεις θαμμένες κατασκευές/αντικείμενα ανιχνεύονται μέσω υπέρυθρων εικόνων(εμφανίζονται διαφορές στην θερμοκρασία του εδάφους όπου είναι πιθανόν να υπάρχουν θαμμένες πέτρες ή άλλα υλικά σε σχέση με το υπόλοιπο έδαφος).

Το παγχρωματικό κανάλι 8 (0,52- 0,90 μm) του δορυφορικού δέκτη ΕΤΜ+ , το οποίο έχει υψηλή ανακλαστικότητα στο ορατό και το υπέρυθρο φασματικό πεδίο χρησιμοποιήθηκε για την ενίσχυση των χαλασμάτων. Λόγω της πυκνής κάλυψης από καλλιέργειες και βλάστηση δεν είναι δυνατόν να ενισχυθεί η απόκριση των αρχαιολογικών χώρων χρησιμοποιώντας συνθέσεις RGB καναλιών ή ψευδο-έγχρωμες εικόνες που προκύπτουν από τους λόγους των καναλιών. Για να μπορέσουμε λοιπόν να ενισχύσουμε τους αρχαιολογικούς χώρους της περιοχής χρησιμοποιήθηκαν η ανάλυση των κυρίων συνιστωσών (PCA) του δορυφορικού δέκτη, ο κανονικοποιημένος δείκτης βλάστησης (NDVI) καθώς και η μεταξύ τους διαφορές. Λόγω της χαμηλής χωρικής ανάλυσης των δεδομένων του δορυφορικού δέκτη ΕΤΜ+ για μελέτη μεγάλη κλίμακας και της μη διαθεσιμότητας δεδομένων υψηλότερης χωρικής ανάλυσης χρησιμοποιήθηκαν αεροφωτογραφίες διαφορετικών χρονολογιών. Στα δεδομένα έγινε μια σειρά επεξεργασιών, κάνοντας χρήση υψιπερατού φίλτρου Laplace, κανονικοποίηση του ιστογράμματος και επεξεργασία χρωμάτων.

Όλα τα επεξεργασμένα στοιχεία χρησιμοποιήθηκαν κατάλληλα προκειμένου να σχηματιστεί η τελική εικόνα για την όψη της Περσέπολης.
[[Εικόνα:Art9_pic3.jpg | thumb | right |'''Εικόνα 3 :''' Αεροφψτογραφία όπου απεικονίζονται οι πιθανές θέσεις των παρατηρητηρίων του αρχαίου τείχους.]]

'''''3.Ευρήματα-Αποτελέσματα'''''

Η εικόνα 1 είναι μια ψευδο-έγχρωμη εικόνα που παρασκευάστηκε στην παρούσα μελέτη. Οι περιοχές που επισημαίνονται με μωβ χρώμα απεικονίζουν περιοχές όπου υπάρχουν αργιλο-λασπώδες υλικά και θραύσματα ασβεστόλιθου. Στο σημείο Α που φαίνεται στην εικόνα, επισημαίνονται τα υπολείμματα ενός προστατευτικού τείχους, ενώ υπάρχουν παρόμοια μπαλώματα σε πολλά σημεία γύρω από την περιοχή που εξετάζεται.

Στην εικόνα 2, στην αεροφωτογραφία (a.1) του 1950 απεικονίζονται τα ερείπια της Περσέπολης, και στην a.2 η ζώνη της αρχαίας πόλης. Με κόκκινο και σκούρο πράσινο χρώμα σημειώνονται τα υλικά που σχηματίζουν ερείπια, ενώ με τα γράμματα σημειώνονται τα σημεία όπου εμφανίζονται υπολείμματα του προστατευτικού τείχους και των παρατηρητηρίων.

Αντίστοιχα στην εικόνα 3, η αεροφωτογραφία b.2που προέρχεται από την επεξεργασία της αεροφωτογραφίας (b.1) του 1970 απεικονίζει 34 κυκλικά σημεία που υπάρχουν απομεινάρια από θραύσματα πετρών και είναι πιθανό να αποτελούν τα σημεία όπου υπήρχαν εγκατεστημένα τα παρατηρητήρια.
[[Εικόνα:Art9_pic4.jpg | thumb | right |'''Εικόνα 4 :''' Χάρτης που απεικονίζει το προστατευτικό τείχος και τα παρατηρητήρια που περιέβαλαν την Περσέπολη]]

Τόσο οι αρχικές αεροφωτογραφίες όσο και οι επεξεργασμένες εικόνες υποδεικνύνουν τα σημάδια ενός γραμμικού στοιχείου το οποίο αποτελεί το αρχαίο τείχος, ενώ τα σημεία που τονίζονται μοιάζουν με τις θέσεις των παρατηρητηρίων γύρω από την Περσέπολη.
Με την επεξεργασία και την ανάλυση των αεροφωτογραφιών και των δορυφορικών εικόνων είναι δυνατόν να εντοπίσεις κάποια χαρακτηριστικά σημεία που έχουν ανώμαλη υφή και τόνο, τα οποία αντιπροσωπεύουν ένα προστατευτικό τείχος και παρατηρητήρια. Υπάρχουν 34 κηλίδες, με διαφορετικά μεγέθη, 17 εκ των οποίων βρίσκονται στα ανατολικά και βορειοανατολικά σημεία της περιοχής και τα υπόλοιπα είναι διάσπαρτα στο πεδινό τμήμα της περιοχής. Τα σημεία αυτά αναπαριστούν τα παρατηρητήρια των ανακτόρων της Περσέπολης.Στον χάρτη της εικόνας 4 απεικονίζεται το προστατευτικό τείχος και τα παρατηρητήρια που περιέβαλαν την Περσέπολη.

'''''4.Συμπεράσματα'''''

Το αποτέλεσμα της μελέτης των ασπρόμαυρων αεροφωτογραφιών και των εικόνων του δορυφορικού δέκτη έδειξε ότι παρά τις ζημιές και τις καταστροφές που έχει υποστεί ο αρχαιολογική περιοχή της Περσέπολης, υπάρχουν κάποια απομεινάρια του προστατευτικού τείχους και των παρατηρητηρίων που προστάτευαν την πόλη.
Προκειμένου να προσδιοριστούν με ακρίβεια οι θέσεις κατοικιών, η ύπαρξη δικτύου ύδρευσης και άλλα σημάδια κοινωνικής ζώης στον αρχαιολογικό χώρο της Περσέπολης απαιτούνται μελέτες που περιλαμβάνουν συστηματικές ανασκαφές, πληροφορίες για την κάλυψη της γης, και ενσωμάτωση πληροφοριών από διαφορετικές πηγές. Τέτοιες μελέτες είναι πιθανό να παρέχουν ακριβέστερες πληροφορίες για την θέση του προστατευτικού τείχους και των παρατηρητηρίων.

[[category:Εντοπισμός αρχαιολογικών θέσεων]]

Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης

2013-02-16T20:19:55Z

Pafilis:

'''Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης'''

'''Πρωτότυπος τίτλος : Identifying the boundaries of the historical site of Persepolis using remote sensing'''

'''Συγγραφείς : Behnaz Aminzadeh, Firuzeh Samani'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0034425706000502 Science Direct]

'''''1.Εισαγωγή'''''

[[Εικόνα:Art9_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Ψευδοέγχρωμη εικόνα της περιοχής μελέτης.]]
Το συγκρότημα των ανακτόρων της Περσέπολης αποτελεί ένα από τα πιο εντυπωσιακά στοιχεία της ιρανικής αρχιτεκτονικής. Κατασκευάστηκε το 518π.Χ. από τον βασιλιά Δαρείο και καταστράφηκε εν μέρει από τον Μέγα Αλέξανδρο. Τα ερείπια της Περσέπολης βρίσκονται 70 χλμ βορειοανατολικά της σύγχρονης πόλης Σιράζ του Ιράν και η σπουδαιότητα της περιοχής ως πολιτιστική κληρονομιά επισημαίνεται τόσο από την UNESCO όσο και από άλλους πολιτιστικούς οργανισμούς, οι οποίοι ενθαρρύνουν την αποκατάσταση και αναστήλωση του. Απαραίτητο στοιχείο για να πραγματοποιηθεί κάτι τέτοιο είναι ο καθορισμός της έκτασης και των κατασκευαστικών στοιχείων της τοποθεσίας. Στην μελέτη αυτή λοιπόν η φωτογεωλογία και η τηλεπισκόπηση θα μας βοηθήσουν για να πραγματοποιήσουμε αυτό το πρώτο βήμα.
Σκοπός της παρούσας μελέτης είναι να διαπιστωθεί αν υπήρχε ή όχι τείχος που να περιέβαλλε την αρχαία πόλη, ερώτημα που δεν κατάφεραν να αποσαφηνίσουν προηγούμενες μελέτες.

'''''2.Μεθοδολογία'''''

[[Εικόνα:Art9_pic2.jpg | thumb | left |'''Εικόνα 2 :''' Αεροφωτοφωτογραφία όπου εμφανίζονται τα ερείπεια της Περσέπολης(a.1)και η ζώνη της αρχαίας πόλης(a.2) ]]
Η τηλεπισκόπηση έχει χρησιμοποιηθεί σε διάφορες αρχαιολογικές εφαρμογές παγκοσμίως. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα από το δορυφορικό σύστημα LANDSAT ETM+(αποκτήθηκαν στις 20/05/2001), ασπρόμαυρες αεροφωτογραφίες (κλίμακας 1:20000 του 1963, 1:15000 του 1954 και 1:8000 του 2002) και τοπογραφικοί χάρτες κλίμακας 1:50000 και 1:25000 αντίστοιχα. Η προβολή, διόρθωση και συλλογή των δεδομένων έγιναν με το σύστημα αναφοράς WGS84 και το σύστημα προβολών UTM. Για τον προσδιορισμό αρχαιολογικών χαρακτηριστικών καθώς και απομειναριών από την πιθανή ύπαρξη τείχους και παρατηρητηρίων συνδυάστηκαν οι επιστήμες της τηλεπισκόπησης, της γεωλογίας και της φωτογεωλογίας. Η επεξεργασία των εικόνων περιλαμβάνει μεταξύ άλλων ραδιομετρικές διορθώσεις, αφαίρεση θορύβου, γεωκωδικοποίηση και βαθμονόμηση.

Προκειμένου να τονισθούν χαρακτηριστικά των εικόνων χρησιμοποιήθηκαν λόγοι καναλιών. Ο λόγος καναλιών 5/7 του δορυφορικού δέκτη ΤΜ διακρίνει τα ορυκτά υλικά που περιέχουν υδροξύλιο και άνθρακα. Αντίστοιχα ο λόγος καναλιών 5/4 διακρίνει τα πετρώματα από το έδαφος, επιτρέποντας έτσι τον εντοπισμό αρχαιολογικών ευρημάτων σε καλλιεργούμενες περιοχές. Τα χαρακτηριστικά αυτά ενισχύθηκαν σε RGB(b5/b7, b5/b4, b3/b2) χρωμοσύνθετες εικόνες. Επιπρόσθετα ένα υψιπερατό φίλτρο συνέλιξης εφαρμόστηκε στα κανάλια 5,4 και 7 του δορυφορικού δέκτη ΤΜ και προστέθηκε στις αρχικές εικόνες προκειμένου να επιτευχθεί ενίσχυση των άκρων. Για την ενίσχυση συγκεκριμένων χωρικών χαρακτηριστικών εφαρμόστηκε ένα directional φίλτρο. Πραγματοποιήθηκε επίσης ανάλυση των κύριων συνιστωσών (PCA) του δορυφορικού συστήματος με σκοπό τον καθορισμό γκρεμισμένων τειχών, πέτρινων θραυσμάτων και χαρακτηριστικών καλλιέργειας.

Οι διαφορές στην υφή του εδάφους μπορούν να εξερευνηθούν από τις διακυμάνσεις της θερμοκρασίας, ενώ σε αρκετές περιπτώσεις θαμμένες κατασκευές/αντικείμενα ανιχνεύονται μέσω υπέρυθρων εικόνων(εμφανίζονται διαφορές στην θερμοκρασία του εδάφους όπου είναι πιθανόν να υπάρχουν θαμμένες πέτρες ή άλλα υλικά σε σχέση με το υπόλοιπο έδαφος).

Το παγχρωματικό κανάλι 8 (0,52- 0,90 μm) του δορυφορικού δέκτη ΕΤΜ+ , το οποίο έχει υψηλή ανακλαστικότητα στο ορατό και το υπέρυθρο φασματικό πεδίο χρησιμοποιήθηκε για την ενίσχυση των χαλασμάτων. Λόγω της πυκνής κάλυψης από καλλιέργειες και βλάστηση δεν είναι δυνατόν να ενισχυθεί η απόκριση των αρχαιολογικών χώρων χρησιμοποιώντας συνθέσεις RGB καναλιών ή ψευδο-έγχρωμες εικόνες που προκύπτουν από τους λόγους των καναλιών. Για να μπορέσουμε λοιπόν να ενισχύσουμε τους αρχαιολογικούς χώρους της περιοχής χρησιμοποιήθηκαν η ανάλυση των κυρίων συνιστωσών (PCA) του δορυφορικού δέκτη, ο κανονικοποιημένος δείκτης βλάστησης (NDVI) καθώς και η μεταξύ τους διαφορές. Λόγω της χαμηλής χωρικής ανάλυσης των δεδομένων του δορυφορικού δέκτη ΕΤΜ+ για μελέτη μεγάλη κλίμακας και της μη διαθεσιμότητας δεδομένων υψηλότερης χωρικής ανάλυσης χρησιμοποιήθηκαν αεροφωτογραφίες διαφορετικών χρονολογιών. Στα δεδομένα έγινε μια σειρά επεξεργασιών, κάνοντας χρήση υψιπερατού φίλτρου Laplace, κανονικοποίηση του ιστογράμματος και επεξεργασία χρωμάτων.

Όλα τα επεξεργασμένα στοιχεία χρησιμοποιήθηκαν κατάλληλα προκειμένου να σχηματιστεί η τελική εικόνα για την όψη της Περσέπολης.
[[Εικόνα:Art9_pic3.jpg | thumb | right |'''Εικόνα 3 :''' Αεροφψτογραφία όπου απεικονίζονται οι πιθανές θέσεις των παρατηρητηρίων του αρχαίου τείχους.]]

'''''3.Ευρήματα-Αποτελέσματα'''''

Η εικόνα 1 είναι μια ψευδο-έγχρωμη εικόνα που παρασκευάστηκε στην παρούσα μελέτη. Οι περιοχές που επισημαίνονται με μωβ χρώμα απεικονίζουν περιοχές όπου υπάρχουν αργιλο-λασπώδες υλικά και θραύσματα ασβεστόλιθου. Στο σημείο Α που φαίνεται στην εικόνα, επισημαίνονται τα υπολείμματα ενός προστατευτικού τείχους, ενώ υπάρχουν παρόμοια μπαλώματα σε πολλά σημεία γύρω από την περιοχή που εξετάζεται.

Στην εικόνα 2, στην αεροφωτογραφία (a.1) του 1950 απεικονίζονται τα ερείπια της Περσέπολης, και στην a.2 η ζώνη της αρχαίας πόλης. Με κόκκινο και σκούρο πράσινο χρώμα σημειώνονται τα υλικά που σχηματίζουν ερείπια, ενώ με τα γράμματα σημειώνονται τα σημεία όπου εμφανίζονται υπολείμματα του προστατευτικού τείχους και των παρατηρητηρίων.

Αντίστοιχα στην εικόνα 3, η αεροφωτογραφία b.2που προέρχεται από την επεξεργασία της αεροφωτογραφίας (b.1) του 1970 απεικονίζει 34 κυκλικά σημεία που υπάρχουν απομεινάρια από θραύσματα πετρών και είναι πιθανό να αποτελούν τα σημεία όπου υπήρχαν εγκατεστημένα τα παρατηρητήρια.
[[Εικόνα:Art9_pic4.jpg | thumb | right |'''Εικόνα 4 :''' Χάρτης που απεικονίζει το προστατευτικό τείχος και τα παρατηρητήρια που περιέβαλαν την Περσέπολη]]

Τόσο οι αρχικές αεροφωτογραφίες όσο και οι επεξεργασμένες εικόνες υποδεικνύνουν τα σημάδια ενός γραμμικού στοιχείου το οποίο αποτελεί το αρχαίο τείχος, ενώ τα σημεία που τονίζονται μοιάζουν με τις θέσεις των παρατηρητηρίων γύρω από την Περσέπολη.
Με την επεξεργασία και την ανάλυση των αεροφωτογραφιών και των δορυφορικών εικόνων είναι δυνατόν να εντοπίσεις κάποια χαρακτηριστικά σημεία που έχουν ανώμαλη υφή και τόνο, τα οποία αντιπροσωπεύουν ένα προστατευτικό τείχος και παρατηρητήρια. Υπάρχουν 34 κηλίδες, με διαφορετικά μεγέθη, 17 εκ των οποίων βρίσκονται στα ανατολικά και βορειοανατολικά σημεία της περιοχής και τα υπόλοιπα είναι διάσπαρτα στο πεδινό τμήμα της περιοχής. Τα σημεία αυτά αναπαριστούν τα παρατηρητήρια των ανακτόρων της Περσέπολης.Στον χάρτη της εικόνας 4 απεικονίζεται το προστατευτικό τείχος και τα παρατηρητήρια που περιέβαλαν την Περσέπολη.

'''''4.Συμπεράσματα'''''

Το αποτέλεσμα της μελέτης των ασπρόμαυρων αεροφωτογραφιών και των εικόνων του δορυφορικού δέκτη έδειξε ότι παρά τις ζημιές και τις καταστροφές που έχει υποστεί ο αρχαιολογική περιοχή της Περσέπολης, υπάρχουν κάποια απομεινάρια του προστατευτικού τείχους και των παρατηρητηρίων που προστάτευαν την πόλη.
Προκειμένου να προσδιοριστούν με ακρίβεια οι θέσεις κατοικιών, η ύπαρξη δικτύου ύδρευσης και άλλα σημάδια κοινωνικής ζώης στον αρχαιολογικό χώρο της Περσέπολης απαιτούνται μελέτες που περιλαμβάνουν συστηματικές ανασκαφές, πληροφορίες για την κάλυψη της γης, και ενσωμάτωση πληροφοριών από διαφορετικές πηγές. Τέτοιες μελέτες είναι πιθανό να παρέχουν ακριβέστερες πληροφορίες για την θέση του προστατευτικού τείχους και των παρατηρητηρίων.

[[category:Εντοπισμός αρχαιολογικών θέσεων]]

Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης

2013-02-16T20:13:31Z

Pafilis:

'''Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης'''

'''Πρωτότυπος τίτλος : Identifying the boundaries of the historical site of Persepolis using remote sensing'''

'''Συγγραφείς : Behnaz Aminzadeh, Firuzeh Samani'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0034425706000502 Science Direct]

'''''1.Εισαγωγή'''''

[[Εικόνα:Art9_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Ψευδοέγχρωμη εικόνα της περιοχής μελέτης.]]
Το συγκρότημα των ανακτόρων της Περσέπολης αποτελεί ένα από τα πιο εντυπωσιακά στοιχεία της ιρανικής αρχιτεκτονικής. Κατασκευάστηκε το 518π.Χ. από τον βασιλιά Δαρείο και καταστράφηκε εν μέρει από τον Μέγα Αλέξανδρο. Τα ερείπια της Περσέπολης βρίσκονται 70 χλμ βορειοανατολικά της σύγχρονης πόλης Σιράζ του Ιράν και η σπουδαιότητα της περιοχής ως πολιτιστική κληρονομιά επισημαίνεται τόσο από την UNESCO όσο και από άλλους πολιτιστικούς οργανισμούς, οι οποίοι ενθαρρύνουν την αποκατάσταση και αναστήλωση του. Απαραίτητο στοιχείο για να πραγματοποιηθεί κάτι τέτοιο είναι ο καθορισμός της έκτασης και των κατασκευαστικών στοιχείων της τοποθεσίας. Στην μελέτη αυτή λοιπόν η φωτογεωλογία και η τηλεπισκόπηση θα μας βοηθήσουν για να πραγματοποιήσουμε αυτό το πρώτο βήμα.
Σκοπός της παρούσας μελέτης είναι να διαπιστωθεί αν υπήρχε ή όχι τείχος που να περιέβαλλε την αρχαία πόλη, ερώτημα που δεν κατάφεραν να αποσαφηνίσουν προηγούμενες μελέτες.

'''''2.Μεθοδολογία'''''

[[Εικόνα:Art9_pic2.jpg | thumb | left |'''Εικόνα 2 :''' ]]
Η τηλεπισκόπηση έχει χρησιμοποιηθεί σε διάφορες αρχαιολογικές εφαρμογές παγκοσμίως. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα από το δορυφορικό σύστημα LANDSAT ETM+(αποκτήθηκαν στις 20/05/2001), ασπρόμαυρες αεροφωτογραφίες (κλίμακας 1:20000 του 1963, 1:15000 του 1954 και 1:8000 του 2002) και τοπογραφικοί χάρτες κλίμακας 1:50000 και 1:25000 αντίστοιχα. Η προβολή, διόρθωση και συλλογή των δεδομένων έγιναν με το σύστημα αναφοράς WGS84 και το σύστημα προβολών UTM. Για τον προσδιορισμό αρχαιολογικών χαρακτηριστικών καθώς και απομειναριών από την πιθανή ύπαρξη τείχους και παρατηρητηρίων συνδυάστηκαν οι επιστήμες της τηλεπισκόπησης, της γεωλογίας και της φωτογεωλογίας. Η επεξεργασία των εικόνων περιλαμβάνει μεταξύ άλλων ραδιομετρικές διορθώσεις, αφαίρεση θορύβου, γεωκωδικοποίηση και βαθμονόμηση.

Προκειμένου να τονισθούν χαρακτηριστικά των εικόνων χρησιμοποιήθηκαν λόγοι καναλιών. Ο λόγος καναλιών 5/7 του δορυφορικού δέκτη ΤΜ διακρίνει τα ορυκτά υλικά που περιέχουν υδροξύλιο και άνθρακα. Αντίστοιχα ο λόγος καναλιών 5/4 διακρίνει τα πετρώματα από το έδαφος, επιτρέποντας έτσι τον εντοπισμό αρχαιολογικών ευρημάτων σε καλλιεργούμενες περιοχές. Τα χαρακτηριστικά αυτά ενισχύθηκαν σε RGB(b5/b7, b5/b4, b3/b2) χρωμοσύνθετες εικόνες. Επιπρόσθετα ένα υψιπερατό φίλτρο συνέλιξης εφαρμόστηκε στα κανάλια 5,4 και 7 του δορυφορικού δέκτη ΤΜ και προστέθηκε στις αρχικές εικόνες προκειμένου να επιτευχθεί ενίσχυση των άκρων. Για την ενίσχυση συγκεκριμένων χωρικών χαρακτηριστικών εφαρμόστηκε ένα directional φίλτρο. Πραγματοποιήθηκε επίσης ανάλυση των κύριων συνιστωσών (PCA) του δορυφορικού συστήματος με σκοπό τον καθορισμό γκρεμισμένων τειχών, πέτρινων θραυσμάτων και χαρακτηριστικών καλλιέργειας.

Οι διαφορές στην υφή του εδάφους μπορούν να εξερευνηθούν από τις διακυμάνσεις της θερμοκρασίας, ενώ σε αρκετές περιπτώσεις θαμμένες κατασκευές/αντικείμενα ανιχνεύονται μέσω υπέρυθρων εικόνων(εμφανίζονται διαφορές στην θερμοκρασία του εδάφους όπου είναι πιθανόν να υπάρχουν θαμμένες πέτρες ή άλλα υλικά σε σχέση με το υπόλοιπο έδαφος).

Το παγχρωματικό κανάλι 8 (0,52- 0,90 μm) του δορυφορικού δέκτη ΕΤΜ+ , το οποίο έχει υψηλή ανακλαστικότητα στο ορατό και το υπέρυθρο φασματικό πεδίο χρησιμοποιήθηκε για την ενίσχυση των χαλασμάτων. Λόγω της πυκνής κάλυψης από καλλιέργειες και βλάστηση δεν είναι δυνατόν να ενισχυθεί η απόκριση των αρχαιολογικών χώρων χρησιμοποιώντας συνθέσεις RGB καναλιών ή ψευδο-έγχρωμες εικόνες που προκύπτουν από τους λόγους των καναλιών. Για να μπορέσουμε λοιπόν να ενισχύσουμε τους αρχαιολογικούς χώρους της περιοχής χρησιμοποιήθηκαν η ανάλυση των κυρίων συνιστωσών (PCA) του δορυφορικού δέκτη, ο κανονικοποιημένος δείκτης βλάστησης (NDVI) καθώς και η μεταξύ τους διαφορές. Λόγω της χαμηλής χωρικής ανάλυσης των δεδομένων του δορυφορικού δέκτη ΕΤΜ+ για μελέτη μεγάλη κλίμακας και της μη διαθεσιμότητας δεδομένων υψηλότερης χωρικής ανάλυσης χρησιμοποιήθηκαν αεροφωτογραφίες διαφορετικών χρονολογιών. Στα δεδομένα έγινε μια σειρά επεξεργασιών, κάνοντας χρήση υψιπερατού φίλτρου Laplace, κανονικοποίηση του ιστογράμματος και επεξεργασία χρωμάτων.

Όλα τα επεξεργασμένα στοιχεία χρησιμοποιήθηκαν κατάλληλα προκειμένου να σχηματιστεί η τελική εικόνα για την όψη της Περσέπολης.
[[Εικόνα:Art9_pic3.jpg | thumb | right |'''Εικόνα 3 :''' ]]

'''''3.Ευρήματα-Αποτελέσματα'''''

Η εικόνα 1 είναι μια ψευδο-έγχρωμη εικόνα που παρασκευάστηκε στην παρούσα μελέτη. Οι περιοχές που επισημαίνονται με μωβ χρώμα απεικονίζουν περιοχές όπου υπάρχουν αργιλο-λασπώδες υλικά και θραύσματα ασβεστόλιθου. Στο σημείο Α που φαίνεται στην εικόνα, επισημαίνονται τα υπολείμματα ενός προστατευτικού τείχους, ενώ υπάρχουν παρόμοια μπαλώματα σε πολλά σημεία γύρω από την περιοχή που εξετάζεται.

Στην εικόνα 2, στην αεροφωτογραφία (a.1) του 1950 απεικονίζονται τα ερείπια της Περσέπολης, και στην a.2 η ζώνη της αρχαίας πόλης. Με κόκκινο και σκούρο πράσινο χρώμα σημειώνονται τα υλικά που σχηματίζουν ερείπια, ενώ με τα γράμματα σημειώνονται τα σημεία όπου εμφανίζονται υπολείμματα του προστατευτικού τείχους και των παρατηρητηρίων.

Αντίστοιχα στην εικόνα 3, η αεροφωτογραφία b.2που προέρχεται από την επεξεργασία της αεροφωτογραφίας (b.1) του 1970 απεικονίζει 34 κυκλικά σημεία που υπάρχουν απομεινάρια από θραύσματα πετρών και είναι πιθανό να αποτελούν τα σημεία όπου υπήρχαν εγκατεστημένα τα παρατηρητήρια.
[[Εικόνα:Art9_pic4.jpg | thumb | right |'''Εικόνα 4 :''' ]]

Τόσο οι αρχικές αεροφωτογραφίες όσο και οι επεξεργασμένες εικόνες υποδεικνύνουν τα σημάδια ενός γραμμικού στοιχείου το οποίο αποτελεί το αρχαίο τείχος, ενώ τα σημεία που τονίζονται μοιάζουν με τις θέσεις των παρατηρητηρίων γύρω από την Περσέπολη.
Με την επεξεργασία και την ανάλυση των αεροφωτογραφιών και των δορυφορικών εικόνων είναι δυνατόν να εντοπίσεις κάποια χαρακτηριστικά σημεία που έχουν ανώμαλη υφή και τόνο, τα οποία αντιπροσωπεύουν ένα προστατευτικό τείχος και παρατηρητήρια. Υπάρχουν 34 κηλίδες, με διαφορετικά μεγέθη, 17 εκ των οποίων βρίσκονται στα ανατολικά και βορειοανατολικά σημεία της περιοχής και τα υπόλοιπα είναι διάσπαρτα στο πεδινό τμήμα της περιοχής. Τα σημεία αυτά αναπαριστούν τα παρατηρητήρια των ανακτόρων της Περσέπολης.Στον χάρτη της εικόνας 4 απεικονίζεται το προστατευτικό τείχος και τα παρατηρητήρια που περιέβαλαν την Περσέπολη.

'''''4.Συμπεράσματα'''''

Το αποτέλεσμα της μελέτης των ασπρόμαυρων αεροφωτογραφιών και των εικόνων του δορυφορικού δέκτη έδειξε ότι παρά τις ζημιές και τις καταστροφές που έχει υποστεί ο αρχαιολογική περιοχή της Περσέπολης, υπάρχουν κάποια απομεινάρια του προστατευτικού τείχους και των παρατηρητηρίων που προστάτευαν την πόλη.
Προκειμένου να προσδιοριστούν με ακρίβεια οι θέσεις κατοικιών, η ύπαρξη δικτύου ύδρευσης και άλλα σημάδια κοινωνικής ζώης στον αρχαιολογικό χώρο της Περσέπολης απαιτούνται μελέτες που περιλαμβάνουν συστηματικές ανασκαφές, πληροφορίες για την κάλυψη της γης, και ενσωμάτωση πληροφοριών από διαφορετικές πηγές. Τέτοιες μελέτες είναι πιθανό να παρέχουν ακριβέστερες πληροφορίες για την θέση του προστατευτικού τείχους και των παρατηρητηρίων.

[[category:Εντοπισμός αρχαιολογικών θέσεων]]

Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης

2013-02-16T20:10:11Z

Pafilis: Νέα σελίδα με ''''Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία...'

'''Προσδιορισμός των ορίων του ιστορικού τόπου της Περσέπολης χρησιμοποιώντας την τεχνολογία της τηλεπισκόπησης'''

'''Πρωτότυπος τίτλος : Identifying the boundaries of the historical site of Persepolis using remote sensing'''

'''Συγγραφείς : Behnaz Aminzadeh, Firuzeh Samani'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0034425706000502 Science Direct]

'''''1.Εισαγωγή'''''

Το συγκρότημα των ανακτόρων της Περσέπολης αποτελεί ένα από τα πιο εντυπωσιακά στοιχεία της ιρανικής αρχιτεκτονικής. Κατασκευάστηκε το 518π.Χ. από τον βασιλιά Δαρείο και καταστράφηκε εν μέρει από τον Μέγα Αλέξανδρο. Τα ερείπια της Περσέπολης βρίσκονται 70 χλμ βορειοανατολικά της σύγχρονης πόλης Σιράζ του Ιράν και η σπουδαιότητα της περιοχής ως πολιτιστική κληρονομιά επισημαίνεται τόσο από την UNESCO όσο και από άλλους πολιτιστικούς οργανισμούς, οι οποίοι ενθαρρύνουν την αποκατάσταση και αναστήλωση του. Απαραίτητο στοιχείο για να πραγματοποιηθεί κάτι τέτοιο είναι ο καθορισμός της έκτασης και των κατασκευαστικών στοιχείων της τοποθεσίας. Στην μελέτη αυτή λοιπόν η φωτογεωλογία και η τηλεπισκόπηση θα μας βοηθήσουν για να πραγματοποιήσουμε αυτό το πρώτο βήμα.
Σκοπός της παρούσας μελέτης είναι να διαπιστωθεί αν υπήρχε ή όχι τείχος που να περιέβαλλε την αρχαία πόλη, ερώτημα που δεν κατάφεραν να αποσαφηνίσουν προηγούμενες μελέτες.

'''''2.Μεθοδολογία'''''

[[Εικόνα:Art9_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Ψευδοέγχρωμη εικόνα της περιοχής μελέτης.]]
Η τηλεπισκόπηση έχει χρησιμοποιηθεί σε διάφορες αρχαιολογικές εφαρμογές παγκοσμίως. Στην παρούσα μελέτη χρησιμοποιήθηκαν δεδομένα από το δορυφορικό σύστημα LANDSAT ETM+(αποκτήθηκαν στις 20/05/2001), ασπρόμαυρες αεροφωτογραφίες (κλίμακας 1:20000 του 1963, 1:15000 του 1954 και 1:8000 του 2002) και τοπογραφικοί χάρτες κλίμακας 1:50000 και 1:25000 αντίστοιχα. Η προβολή, διόρθωση και συλλογή των δεδομένων έγιναν με το σύστημα αναφοράς WGS84 και το σύστημα προβολών UTM. Για τον προσδιορισμό αρχαιολογικών χαρακτηριστικών καθώς και απομειναριών από την πιθανή ύπαρξη τείχους και παρατηρητηρίων συνδυάστηκαν οι επιστήμες της τηλεπισκόπησης, της γεωλογίας και της φωτογεωλογίας. Η επεξεργασία των εικόνων περιλαμβάνει μεταξύ άλλων ραδιομετρικές διορθώσεις, αφαίρεση θορύβου, γεωκωδικοποίηση και βαθμονόμηση.

Προκειμένου να τονισθούν χαρακτηριστικά των εικόνων χρησιμοποιήθηκαν λόγοι καναλιών. Ο λόγος καναλιών 5/7 του δορυφορικού δέκτη ΤΜ διακρίνει τα ορυκτά υλικά που περιέχουν υδροξύλιο και άνθρακα. Αντίστοιχα ο λόγος καναλιών 5/4 διακρίνει τα πετρώματα από το έδαφος, επιτρέποντας έτσι τον εντοπισμό αρχαιολογικών ευρημάτων σε καλλιεργούμενες περιοχές. Τα χαρακτηριστικά αυτά ενισχύθηκαν σε RGB(b5/b7, b5/b4, b3/b2) χρωμοσύνθετες εικόνες. Επιπρόσθετα ένα υψιπερατό φίλτρο συνέλιξης εφαρμόστηκε στα κανάλια 5,4 και 7 του δορυφορικού δέκτη ΤΜ και προστέθηκε στις αρχικές εικόνες προκειμένου να επιτευχθεί ενίσχυση των άκρων. Για την ενίσχυση συγκεκριμένων χωρικών χαρακτηριστικών εφαρμόστηκε ένα directional φίλτρο. Πραγματοποιήθηκε επίσης ανάλυση των κύριων συνιστωσών (PCA) του δορυφορικού συστήματος με σκοπό τον καθορισμό γκρεμισμένων τειχών, πέτρινων θραυσμάτων και χαρακτηριστικών καλλιέργειας.

Οι διαφορές στην υφή του εδάφους μπορούν να εξερευνηθούν από τις διακυμάνσεις της θερμοκρασίας, ενώ σε αρκετές περιπτώσεις θαμμένες κατασκευές/αντικείμενα ανιχνεύονται μέσω υπέρυθρων εικόνων(εμφανίζονται διαφορές στην θερμοκρασία του εδάφους όπου είναι πιθανόν να υπάρχουν θαμμένες πέτρες ή άλλα υλικά σε σχέση με το υπόλοιπο έδαφος).
[[Εικόνα:Art9_pic2.jpg | thumb | left |'''Εικόνα 2 :''' ]]
Το παγχρωματικό κανάλι 8 (0,52- 0,90 μm) του δορυφορικού δέκτη ΕΤΜ+ , το οποίο έχει υψηλή ανακλαστικότητα στο ορατό και το υπέρυθρο φασματικό πεδίο χρησιμοποιήθηκε για την ενίσχυση των χαλασμάτων. Λόγω της πυκνής κάλυψης από καλλιέργειες και βλάστηση δεν είναι δυνατόν να ενισχυθεί η απόκριση των αρχαιολογικών χώρων χρησιμοποιώντας συνθέσεις RGB καναλιών ή ψευδο-έγχρωμες εικόνες που προκύπτουν από τους λόγους των καναλιών. Για να μπορέσουμε λοιπόν να ενισχύσουμε τους αρχαιολογικούς χώρους της περιοχής χρησιμοποιήθηκαν η ανάλυση των κυρίων συνιστωσών (PCA) του δορυφορικού δέκτη, ο κανονικοποιημένος δείκτης βλάστησης (NDVI) καθώς και η μεταξύ τους διαφορές. Λόγω της χαμηλής χωρικής ανάλυσης των δεδομένων του δορυφορικού δέκτη ΕΤΜ+ για μελέτη μεγάλη κλίμακας και της μη διαθεσιμότητας δεδομένων υψηλότερης χωρικής ανάλυσης χρησιμοποιήθηκαν αεροφωτογραφίες διαφορετικών χρονολογιών. Στα δεδομένα έγινε μια σειρά επεξεργασιών, κάνοντας χρήση υψιπερατού φίλτρου Laplace, κανονικοποίηση του ιστογράμματος και επεξεργασία χρωμάτων.

Όλα τα επεξεργασμένα στοιχεία χρησιμοποιήθηκαν κατάλληλα προκειμένου να σχηματιστεί η τελική εικόνα για την όψη της Περσέπολης.
[[Εικόνα:Art9_pic3.jpg | thumb | right |'''Εικόνα 3 :''' ]]

'''''3.Ευρήματα-Αποτελέσματα'''''

Η εικόνα 1 είναι μια ψευδο-έγχρωμη εικόνα που παρασκευάστηκε στην παρούσα μελέτη. Οι περιοχές που επισημαίνονται με μωβ χρώμα απεικονίζουν περιοχές όπου υπάρχουν αργιλο-λασπώδες υλικά και θραύσματα ασβεστόλιθου. Στο σημείο Α που φαίνεται στην εικόνα, επισημαίνονται τα υπολείμματα ενός προστατευτικού τείχους, ενώ υπάρχουν παρόμοια μπαλώματα σε πολλά σημεία γύρω από την περιοχή που εξετάζεται.

Στην εικόνα 2, στην αεροφωτογραφία (a.1) του 1950 απεικονίζονται τα ερείπια της Περσέπολης, και στην a.2 η ζώνη της αρχαίας πόλης. Με κόκκινο και σκούρο πράσινο χρώμα σημειώνονται τα υλικά που σχηματίζουν ερείπια, ενώ με τα γράμματα σημειώνονται τα σημεία όπου εμφανίζονται υπολείμματα του προστατευτικού τείχους και των παρατηρητηρίων.

Αντίστοιχα στην εικόνα 3, η αεροφωτογραφία b.2που προέρχεται από την επεξεργασία της αεροφωτογραφίας (b.1) του 1970 απεικονίζει 34 κυκλικά σημεία που υπάρχουν απομεινάρια από θραύσματα πετρών και είναι πιθανό να αποτελούν τα σημεία όπου υπήρχαν εγκατεστημένα τα παρατηρητήρια.
[[Εικόνα:Art9_pic4.jpg | thumb | right |'''Εικόνα 4 :''' ]]

Τόσο οι αρχικές αεροφωτογραφίες όσο και οι επεξεργασμένες εικόνες υποδεικνύνουν τα σημάδια ενός γραμμικού στοιχείου το οποίο αποτελεί το αρχαίο τείχος, ενώ τα σημεία που τονίζονται μοιάζουν με τις θέσεις των παρατηρητηρίων γύρω από την Περσέπολη.
Με την επεξεργασία και την ανάλυση των αεροφωτογραφιών και των δορυφορικών εικόνων είναι δυνατόν να εντοπίσεις κάποια χαρακτηριστικά σημεία που έχουν ανώμαλη υφή και τόνο, τα οποία αντιπροσωπεύουν ένα προστατευτικό τείχος και παρατηρητήρια. Υπάρχουν 34 κηλίδες, με διαφορετικά μεγέθη, 17 εκ των οποίων βρίσκονται στα ανατολικά και βορειοανατολικά σημεία της περιοχής και τα υπόλοιπα είναι διάσπαρτα στο πεδινό τμήμα της περιοχής. Τα σημεία αυτά αναπαριστούν τα παρατηρητήρια των ανακτόρων της Περσέπολης.Στον χάρτη της εικόνας 4 απεικονίζεται το προστατευτικό τείχος και τα παρατηρητήρια που περιέβαλαν την Περσέπολη.

'''''4.Συμπεράσματα'''''

Το αποτέλεσμα της μελέτης των ασπρόμαυρων αεροφωτογραφιών και των εικόνων του δορυφορικού δέκτη έδειξε ότι παρά τις ζημιές και τις καταστροφές που έχει υποστεί ο αρχαιολογική περιοχή της Περσέπολης, υπάρχουν κάποια απομεινάρια του προστατευτικού τείχους και των παρατηρητηρίων που προστάτευαν την πόλη.
Προκειμένου να προσδιοριστούν με ακρίβεια οι θέσεις κατοικιών, η ύπαρξη δικτύου ύδρευσης και άλλα σημάδια κοινωνικής ζώης στον αρχαιολογικό χώρο της Περσέπολης απαιτούνται μελέτες που περιλαμβάνουν συστηματικές ανασκαφές, πληροφορίες για την κάλυψη της γης, και ενσωμάτωση πληροφοριών από διαφορετικές πηγές. Τέτοιες μελέτες είναι πιθανό να παρέχουν ακριβέστερες πληροφορίες για την θέση του προστατευτικού τείχους και των παρατηρητηρίων.

[[category:Εντοπισμός αρχαιολογικών θέσεων]]

Αρχείο:Art9 pic4.jpg

2013-02-16T19:59:21Z

Pafilis:

Αρχείο:Art9 pic3.jpg

2013-02-16T19:59:07Z

Pafilis:

Αρχείο:Art9 pic2.jpg

2013-02-16T19:58:48Z

Pafilis:

Αρχείο:Art9 pic1.jpg

2013-02-16T19:58:34Z

Pafilis:

Παφίλης Απόστολος

2013-02-16T19:52:21Z

Pafilis:

* [[Αξιολόγηση δορυφορικής απεικόνισης υψηλής ανάλυσης του δορυφορικού συστήματος SPOT 5 για ταυτοποίηση καλλιεργειών]]
* [[Αξιολόγηση των δεδομένων του δορυφόρου RADARSAT-1 για εντοπισμό καμένων περιοχών στην Νότια Ευρώπη]]
* [[Χαρτογράφηση σε μεγάλη κλίμακα της κατανομής της βυθισμένης υδρόβιας βλάστησης χρησιμοποιώντας την τηλεπισκόπηση]]
* [[Χαρτογράφηση της δασικής βιομάζας συνδυάζοντας την τεχνολογία της τηλεπισκόπησης με την πληροφορία για την ηλικία των δασών]]
* [[Χρήση των δορυφορικών συστημάτων IKONOS και Landsat για έλεγχο της ελονοσίας στην Κορέα]]
* [[Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird]]
* [[Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους]]
* [[Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης]]

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

Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης

2013-02-16T19:51:07Z

Pafilis:

'''Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης'''

'''Πρωτότυπος τίτλος : Study of land cover classification based on knowledge rules using high-resolution remote sensing images'''

'''Συγγραφείς : Zhang Rongqun, Zhu Daolin'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0957417410009656 Science Direct]

Η παρούσα εργασία ασχολείται με τους περιορισμούς της οπτικής ερμηνείας των τηλεπισκοπικών εικόνων υψηλής ανάλυσης και της αυτόματης ταξινόμησης, εξαρτώμενης αποκλειστικά από φασματικά δεδομένα, και προτείνει μια μέθοδο, βασισμένη τόσο σε φασματικά χαρακτηριστικά, όσο και σε χαρακτηριστικά υφής και σχήματος, με σκοπό την ταξινόμηση των χρήσεων κάλυψης/γης μιας περιοχής της πόλης του Πεκίνο.

'''''1.Εισαγωγή'''''

[[Εικόνα:Article8_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Η εικόνα που προέκυψε μετά την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων που χρησιμοποιήθηκαν στην παρούσα εργασία.]]
Στις μέρες μας, η τηλεπισκόπηση είναι μια από τις πιο σημαντικές τεχνικές για την απόκτηση δεδομένων σχετικά με την χρήση/κάλυψη γης. Παλιότερα, η οπτική κρίση ήταν η κύρια μέθοδος για την εξαγωγή συμπερασμάτων από τηλεπισκοπικές εικόνες, μια τεχνική με σχετικά υψηλή ακρίβεια, αλλά χαμηλή αποτελεσματικότητα. Οι κύριες μέθοδοι για την αυτόματη εξαγωγή πληροφοριών από τηλεπισκοπικές εικόνες είναι η επιβλεπόμενη και η μη επιβλεπόμενη ταξινόμηση. Παρόλα αυτά, η παρουσία φασματικής σύγχυσης λόγω των αντικειμένων του εδάφους, δεν επιτρέπει μεγάλη ακρίβεια στα αποτελέσματα της ταξινόμησης.
Λόγω της χαμηλής ακρίβειας που παρείχαν οι μέθοδοι ταξινόμησης των τηλεπισκοπικών εικόνων, «γεννήθηκε» η ανάγκη για ανάπτυξη νέων τεχνικών για να «διαβάζουμε» τις εικόνες. Αναπτύχθηκαν λοιπόν τεχνικές οι οποίες στηρίζονται σε φασματικά χαρακτηριστικά, καθώς και σε χαρακτηριστικά υφής και μεγέθους των αντικειμένων του εδάφους. Στην παρούσα εργασία, χρησιμοποιούμε κανόνες εκμάθησης για ταξινόμηση μιας δορυφορικής εικόνας υψηλής ανάλυσης προερχόμενης από το δορυφορικό σύστημα Quickbird, η οποία απεικονίζει την περιοχή μεταξύ των αστικών και προαστιακών περιοχών του Πεκίνου. Τα προς ταξινόμηση αντικείμενα περιλαμβάνουν κτίρια, δρόμους, δασικές εκτάσεις, αγροτικές εκτάσεις και υδάτινους όγκους.

'''''2.Επεξεργασία δεδομένων και ανάλυση'''''

''2.1 Σύνθεση δεδομένων''

Όπως προαναφέραμε, τα δεδομένα που χρησιμοποιήθηκαν προέρχονταν από τον δορυφόρο Quickbird και περιλαμβάνουν εικόνες από τέσσερα φασματικά κανάλια (κανάλι 1:μπλε, κανάλι 2 : πράσινο, κανάλι 3 : κόκκινο, κανάλι 4 : εγγύς υπέρυθρο, με ανάλυση 2,4m) που χρησιμοποιούνται για πολυφασματική απεικόνιση, και από ένα παγχρωματικό κανάλι(με ανάλυση 0,61m). Οι μέθοδοι που χρησιμοποιήθηκαν για την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων περιλαμβάνουν μετασχηματισμό απόχρωσης, έντασης και κορεσμού (HIS transformation), PCA(Principal Composition Analysis), εξομάλυνση χρώματος και μετασχηματισμό κυματιδίων (wavelet transform). Πριν την σύνθεση των πολυφασματικών και πολυχρωματικών δεδομένων, που είχε ως αποτέλεσμα την πολυφασματική εικόνα ανάλυσης 0,61m της εικόνας 1, είχε προηγηθεί γεωμετρική διόρθωση των εικόνων.

''2.2 Ανάλυση φασματικών χαρακτηριστικών και χαρακτηριστικών υφής και σχήματος''

[[Εικόνα:Article8_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Καμπύλες φασματικής απόκρισης των διαφόρων αντικειμένων του εδάφους.]]
Βασιζόμενοι στο συνδυασμό έρευνας πεδίου και οπτικής κρίσης των χαρτών χρήσης γης, η υπό εξέταση περιοχή χωρίστηκε σε τύπους κάλυψης γης, και συγκεκριμένα σε κτίρια, δρόμους, τυπικούς υδάτινους όγκους (μη μολυσμένους και με χαμηλή υδρόβια βλάστηση), μη τυπικούς υδάτινους όγκους( μολυσμένους ή με αυξημένη υδρόβια βλάστηση), δασικές εκτάσεις και γεωργικές εκτάσεις. Μια ξεχωριστή κατηγορία αποτελούν οι περιοχές σκίασης, οι οποίες αποτελούν χαρακτηριστικό του Quickbird. Gray-scale sampling πραγματοποιήθηκε σε όλες τις κατηγορίες αντικειμένων εδάφους που αναφέρθηκαν, έτσι ώστε να σχηματιστούν οι καμπύλες φασματικής απόκρισης των αντικειμένων σε όλα τα κανάλια, οι οποίες παρουσιάζονται στην εικόνα 2.

Προκύπτει λοιπόν ότι με χρήση φασματικών χαρακτηριστικών των διαφόρων αντικειμένων μπορούμε να διακρίνουμε τις δασικές από τις γεωργικές εκτάσεις , τους τυπικούς υδάτινους όγκους. Αντίθετα οι μη τυπικοί υδάτινοι όγκοι δεν ξεχωρίζουν από τις περιοχές σκίασης, και το ίδιο συμβαίνει και με τους δρόμους και τα κτίρια, καθώς οι φασματικές τους αποκρίσεις σχεδόν συμπίπτουν. Για τον διαχωρισμό λοιπόν ανάμεσα στους δρόμους και τα κτίρια, έγινε χρήση κάποιον δεικτών υφής (ομοιογένεια, αντίθεση, εντροπία κ.α. ), οι τιμές των οποίων διαφέρουν για τις δύο αυτές διαφορετικές κατηγορίες. Επίσης, μέσω των χαρακτηριστικών υφής μπορούν και διαχωρίζονται κτίρια τα οποία εύκολα θα μπορούσε να μπερδέψει κανείς με τυπικούς υδάτινους όγκους. Όμως, και πάλι δεν μπορεί να γίνει σαφής διάκρισης μεταξύ μη τυπικών υδάτινων όγκων και σκιών, η οποία εν τέλει επιτυγχάνεται παρατηρώντας τις διαφορές στα σχήματα των δύο αυτών κατηγοριών.

'''''3.Θέσπιση κανόνων εκμάθησης και ταξινόμηση'''''

[[Εικόνα:Article8_pic3.jpg | thumb | right |'''Εικόνα 3 :'''Ο ταξινομημένος χάρτης που προέκυψε.]]
Με βάση την ανάλυση των χαρακτηριστικών που προηγήθηκε, θεσπίστηκαν συνολικά 12 κανόνες εκμάθησης προκειμένου να επιτευχθεί η διάκριση μεταξύ των τύπων των αντικειμένων εδάφους. Στην συνέχεια πραγματοποιήθηκε μια «pixel-based» ταξινόμηση της εικόνας, καθώς και cluster analysis, κάτι που οδήγησε στην τελική μας εικόνα(εικόνα 3).
Η ανάλυση ακρίβειας έδειξε ότι πληροφορίες σχετικά με δασικές εκτάσεις, τυπικούς υδάτινους όγκους, αγροτικές εκτάσεις και κτίρια μπορούν να εξαχθούν με σχετικά μεγάλη ακρίβεια (πάνω από 90%). Από την άλλη, το ποσοστό ακρίβειας για πληροφορίες σχετικά με τους μη τυπικούς υδάτινους όγκους, δρόμους και περιοχές σκίασης κυμαίνεται λίγο πάνω από το 80%.Συνολικά η ακρίβεια της ταξινόμησης κρίνεται πολύ ικανοποιητική.

'''''4.Συμπεράσματα'''''

Τα συμπεράσματα της παραπάνω εργασίας μπορούν να συνοψιστούν στα εξής :
* Ο μετασχηματισμός PCA ήταν μια αποτελεσματική μέθοδος προκειμένου να επιτευχθεί η σύντηξη των πολυφασματικών και παγχρωματικών δεδομένων . Πρέπει να τονιστεί επίσης η χρησιμότητα τόσο των φασματικών όσο και των χωρικών πληροφοριών για την μελέτη της ταξινόμησης
* Η ταξινόμηση κάνοντας χρήση χαρακτηριστικών υφής και σχήματος, συνεισφέρει στην διάκριση μεταξύ στοιχείων με ίδια φασματική απόκριση, αυξάνοντας την ακρίβεια διάκρισης αντικειμένων
* Η μέθοδος ταξινόμησης που περιγράφεται σε αυτή την εργασία, μπορεί να αυξήσει αποτελεσματικά την ακρίβεια ταξινόμησης των αντικειμένων του εδάφους, και θα μπορούσε να παρέχει θεωρητικές βάσεις και προσεγγίσεις για αυτοανοσοποίηση της κάλυψης γης. Η μέθοδος αναμένεται να μπορεί να εφαρμοστεί σε ένα ευρύ φάσμα τηλεπισκοπικών εικόνων υψηλής ανάλυσης από διαφορετικές πηγές, με καλές προοπτικές για την μελέτη της κάλυψης γης σε ένα ευρύ φάσμα καταστάσεων. Σε αυτή την εργασία φασματικά χαρακτηριστικά, καθώς και χαρακτηριστικά υφής και σχήματος χρησιμοποιήθηκαν για την θέσπιση κανόνες εκμάθησης, αλλά η δυνατότητα χρησιμοποίησης περισσοτέρων γεωγραφικών πληροφοριών, η ακρίβεια της ταξινόμησης θα μπορούσε να γίνει ακόμα καλύτερη.

[[category:Εδαφολογική χαρτογράφηση]]

Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης

2013-02-16T19:50:06Z

Pafilis:

'''Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης'''

'''Πρωτότυπος τίτλος : Study of land cover classification based on knowledge rules using high-resolution remote sensing images'''

'''Συγγραφείς : Zhang Rongqun, Zhu Daolin'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0957417410009656 Science Direct]

Η παρούσα εργασία ασχολείται με τους περιορισμούς της οπτικής ερμηνείας των τηλεπισκοπικών εικόνων υψηλής ανάλυσης και της αυτόματης ταξινόμησης, εξαρτώμενης αποκλειστικά από φασματικά δεδομένα, και προτείνει μια μέθοδο, βασισμένη τόσο σε φασματικά χαρακτηριστικά, όσο και σε χαρακτηριστικά υφής και σχήματος, με σκοπό την ταξινόμηση των χρήσεων κάλυψης/γης μιας περιοχής της πόλης του Πεκίνο.

'''''1.Εισαγωγή'''''

[[Εικόνα:Article8_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Η εικόνα που προέκυψε μετά την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων που χρησιμοποιήθηκαν στην παρούσα εργασία.]]
Στις μέρες μας, η τηλεπισκόπηση είναι μια από τις πιο σημαντικές τεχνικές για την απόκτηση δεδομένων σχετικά με την χρήση/κάλυψη γης. Παλιότερα, η οπτική κρίση ήταν η κύρια μέθοδος για την εξαγωγή συμπερασμάτων από τηλεπισκοπικές εικόνες, μια τεχνική με σχετικά υψηλή ακρίβεια, αλλά χαμηλή αποτελεσματικότητα. Οι κύριες μέθοδοι για την αυτόματη εξαγωγή πληροφοριών από τηλεπισκοπικές εικόνες είναι η επιβλεπόμενη και η μη επιβλεπόμενη ταξινόμηση. Παρόλα αυτά, η παρουσία φασματικής σύγχυσης λόγω των αντικειμένων του εδάφους, δεν επιτρέπει μεγάλη ακρίβεια στα αποτελέσματα της ταξινόμησης.
Λόγω της χαμηλής ακρίβειας που παρείχαν οι μέθοδοι ταξινόμησης των τηλεπισκοπικών εικόνων, «γεννήθηκε» η ανάγκη για ανάπτυξη νέων τεχνικών για να «διαβάζουμε» τις εικόνες. Αναπτύχθηκαν λοιπόν τεχνικές οι οποίες στηρίζονται σε φασματικά χαρακτηριστικά, καθώς και σε χαρακτηριστικά υφής και μεγέθους των αντικειμένων του εδάφους. Στην παρούσα εργασία, χρησιμοποιούμε κανόνες εκμάθησης για ταξινόμηση μιας δορυφορικής εικόνας υψηλής ανάλυσης προερχόμενης από το δορυφορικό σύστημα Quickbird, η οποία απεικονίζει την περιοχή μεταξύ των αστικών και προαστιακών περιοχών του Πεκίνου. Τα προς ταξινόμηση αντικείμενα περιλαμβάνουν κτίρια, δρόμους, δασικές εκτάσεις, αγροτικές εκτάσεις και υδάτινους όγκους.

'''''2.Επεξεργασία δεδομένων και ανάλυση'''''

''2.1 Σύνθεση δεδομένων''

Όπως προαναφέραμε, τα δεδομένα που χρησιμοποιήθηκαν προέρχονταν από τον δορυφόρο Quickbird και περιλαμβάνουν εικόνες από τέσσερα φασματικά κανάλια (κανάλι 1:μπλε, κανάλι 2 : πράσινο, κανάλι 3 : κόκκινο, κανάλι 4 : εγγύς υπέρυθρο, με ανάλυση 2,4m) που χρησιμοποιούνται για πολυφασματική απεικόνιση, και από ένα παγχρωματικό κανάλι(με ανάλυση 0,61m). Οι μέθοδοι που χρησιμοποιήθηκαν για την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων περιλαμβάνουν μετασχηματισμό απόχρωσης, έντασης και κορεσμού (HIS transformation), PCA(Principal Composition Analysis), εξομάλυνση χρώματος και μετασχηματισμό κυματιδίων (wavelet transform). Πριν την σύνθεση των πολυφασματικών και πολυχρωματικών δεδομένων, που είχε ως αποτέλεσμα την πολυφασματική εικόνα ανάλυσης 0,61m της εικόνας 1, είχε προηγηθεί γεωμετρική διόρθωση των εικόνων.

''2.2 Ανάλυση φασματικών χαρακτηριστικών και χαρακτηριστικών υφής και σχήματος''

[[Εικόνα:Article8_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Καμπύλες φασματικής απόκρισης των διαφόρων αντικειμένων του εδάφους.]]
Βασιζόμενοι στο συνδυασμό έρευνας πεδίου και οπτικής κρίσης των χαρτών χρήσης γης, η υπό εξέταση περιοχή χωρίστηκε σε τύπους κάλυψης γης, και συγκεκριμένα σε κτίρια, δρόμους, τυπικούς υδάτινους όγκους (μη μολυσμένους και με χαμηλή υδρόβια βλάστηση), μη τυπικούς υδάτινους όγκους( μολυσμένους ή με αυξημένη υδρόβια βλάστηση), δασικές εκτάσεις και γεωργικές εκτάσεις. Μια ξεχωριστή κατηγορία αποτελούν οι περιοχές σκίασης, οι οποίες αποτελούν χαρακτηριστικό του Quickbird. Gray-scale sampling πραγματοποιήθηκε σε όλες τις κατηγορίες αντικειμένων εδάφους που αναφέρθηκαν, έτσι ώστε να σχηματιστούν οι καμπύλες φασματικής απόκρισης των αντικειμένων σε όλα τα κανάλια, οι οποίες παρουσιάζονται στην εικόνα 2.
Προκύπτει λοιπόν ότι με χρήση φασματικών χαρακτηριστικών των διαφόρων αντικειμένων μπορούμε να διακρίνουμε τις δασικές από τις γεωργικές εκτάσεις , τους τυπικούς υδάτινους όγκους. Αντίθετα οι μη τυπικοί υδάτινοι όγκοι δεν ξεχωρίζουν από τις περιοχές σκίασης, και το ίδιο συμβαίνει και με τους δρόμους και τα κτίρια, καθώς οι φασματικές τους αποκρίσεις σχεδόν συμπίπτουν. Για τον διαχωρισμό λοιπόν ανάμεσα στους δρόμους και τα κτίρια, έγινε χρήση κάποιον δεικτών υφής (ομοιογένεια, αντίθεση, εντροπία κ.α. ), οι τιμές των οποίων διαφέρουν για τις δύο αυτές διαφορετικές κατηγορίες. Επίσης, μέσω των χαρακτηριστικών υφής μπορούν και διαχωρίζονται κτίρια τα οποία εύκολα θα μπορούσε να μπερδέψει κανείς με τυπικούς υδάτινους όγκους. Όμως, και πάλι δεν μπορεί να γίνει σαφής διάκρισης μεταξύ μη τυπικών υδάτινων όγκων και σκιών, η οποία εν τέλει επιτυγχάνεται παρατηρώντας τις διαφορές στα σχήματα των δύο αυτών κατηγοριών.

'''''3.Θέσπιση κανόνων εκμάθησης και ταξινόμηση'''''

[[Εικόνα:Article8_pic3.jpg | thumb | right |'''Εικόνα 3 :'''Ο ταξινομημένος χάρτης που προέκυψε.]]
Με βάση την ανάλυση των χαρακτηριστικών που προηγήθηκε, θεσπίστηκαν συνολικά 12 κανόνες εκμάθησης προκειμένου να επιτευχθεί η διάκριση μεταξύ των τύπων των αντικειμένων εδάφους. Στην συνέχεια πραγματοποιήθηκε μια «pixel-based» ταξινόμηση της εικόνας, καθώς και cluster analysis, κάτι που οδήγησε στην τελική μας εικόνα(εικόνα 3).
Η ανάλυση ακρίβειας έδειξε ότι πληροφορίες σχετικά με δασικές εκτάσεις, τυπικούς υδάτινους όγκους, αγροτικές εκτάσεις και κτίρια μπορούν να εξαχθούν με σχετικά μεγάλη ακρίβεια (πάνω από 90%). Από την άλλη, το ποσοστό ακρίβειας για πληροφορίες σχετικά με τους μη τυπικούς υδάτινους όγκους, δρόμους και περιοχές σκίασης κυμαίνεται λίγο πάνω από το 80%.Συνολικά η ακρίβεια της ταξινόμησης κρίνεται πολύ ικανοποιητική.

'''''4.Συμπεράσματα'''''

Τα συμπεράσματα της παραπάνω εργασίας μπορούν να συνοψιστούν στα εξής :
* Ο μετασχηματισμός PCA ήταν μια αποτελεσματική μέθοδος προκειμένου να επιτευχθεί η σύντηξη των πολυφασματικών και παγχρωματικών δεδομένων . Πρέπει να τονιστεί επίσης η χρησιμότητα τόσο των φασματικών όσο και των χωρικών πληροφοριών για την μελέτη της ταξινόμησης
* Η ταξινόμηση κάνοντας χρήση χαρακτηριστικών υφής και σχήματος, συνεισφέρει στην διάκριση μεταξύ στοιχείων με ίδια φασματική απόκριση, αυξάνοντας την ακρίβεια διάκρισης αντικειμένων
* Η μέθοδος ταξινόμησης που περιγράφεται σε αυτή την εργασία, μπορεί να αυξήσει αποτελεσματικά την ακρίβεια ταξινόμησης των αντικειμένων του εδάφους, και θα μπορούσε να παρέχει θεωρητικές βάσεις και προσεγγίσεις για αυτοανοσοποίηση της κάλυψης γης. Η μέθοδος αναμένεται να μπορεί να εφαρμοστεί σε ένα ευρύ φάσμα τηλεπισκοπικών εικόνων υψηλής ανάλυσης από διαφορετικές πηγές, με καλές προοπτικές για την μελέτη της κάλυψης γης σε ένα ευρύ φάσμα καταστάσεων. Σε αυτή την εργασία φασματικά χαρακτηριστικά, καθώς και χαρακτηριστικά υφής και σχήματος χρησιμοποιήθηκαν για την θέσπιση κανόνες εκμάθησης, αλλά η δυνατότητα χρησιμοποίησης περισσοτέρων γεωγραφικών πληροφοριών, η ακρίβεια της ταξινόμησης θα μπορούσε να γίνει ακόμα καλύτερη.

[[category:Εδαφολογική χαρτογράφηση]]

Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης

2013-02-16T19:49:39Z

Pafilis:

'''Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης'''

'''Πρωτότυπος τίτλος : Study of land cover classification based on knowledge rules using high-resolution remote sensing images'''

'''Συγγραφείς : Zhang Rongqun, Zhu Daolin'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0957417410009656 Science Direct]

Η παρούσα εργασία ασχολείται με τους περιορισμούς της οπτικής ερμηνείας των τηλεπισκοπικών εικόνων υψηλής ανάλυσης και της αυτόματης ταξινόμησης, εξαρτώμενης αποκλειστικά από φασματικά δεδομένα, και προτείνει μια μέθοδο, βασισμένη τόσο σε φασματικά χαρακτηριστικά, όσο και σε χαρακτηριστικά υφής και σχήματος, με σκοπό την ταξινόμηση των χρήσεων κάλυψης/γης μιας περιοχής της πόλης του Πεκίνο.

'''''1.Εισαγωγή'''''

Στις μέρες μας, η τηλεπισκόπηση είναι μια από τις πιο σημαντικές τεχνικές για την απόκτηση δεδομένων σχετικά με την χρήση/κάλυψη γης. Παλιότερα, η οπτική κρίση ήταν η κύρια μέθοδος για την εξαγωγή συμπερασμάτων από τηλεπισκοπικές εικόνες, μια τεχνική με σχετικά υψηλή ακρίβεια, αλλά χαμηλή αποτελεσματικότητα. Οι κύριες μέθοδοι για την αυτόματη εξαγωγή πληροφοριών από τηλεπισκοπικές εικόνες είναι η επιβλεπόμενη και η μη επιβλεπόμενη ταξινόμηση. Παρόλα αυτά, η παρουσία φασματικής σύγχυσης λόγω των αντικειμένων του εδάφους, δεν επιτρέπει μεγάλη ακρίβεια στα αποτελέσματα της ταξινόμησης.
Λόγω της χαμηλής ακρίβειας που παρείχαν οι μέθοδοι ταξινόμησης των τηλεπισκοπικών εικόνων, «γεννήθηκε» η ανάγκη για ανάπτυξη νέων τεχνικών για να «διαβάζουμε» τις εικόνες. Αναπτύχθηκαν λοιπόν τεχνικές οι οποίες στηρίζονται σε φασματικά χαρακτηριστικά, καθώς και σε χαρακτηριστικά υφής και μεγέθους των αντικειμένων του εδάφους. Στην παρούσα εργασία, χρησιμοποιούμε κανόνες εκμάθησης για ταξινόμηση μιας δορυφορικής εικόνας υψηλής ανάλυσης προερχόμενης από το δορυφορικό σύστημα Quickbird, η οποία απεικονίζει την περιοχή μεταξύ των αστικών και προαστιακών περιοχών του Πεκίνου. Τα προς ταξινόμηση αντικείμενα περιλαμβάνουν κτίρια, δρόμους, δασικές εκτάσεις, αγροτικές εκτάσεις και υδάτινους όγκους.
[[Εικόνα:Article8_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Η εικόνα που προέκυψε μετά την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων που χρησιμοποιήθηκαν στην παρούσα εργασία.]]

'''''2.Επεξεργασία δεδομένων και ανάλυση'''''

''2.1 Σύνθεση δεδομένων''

Όπως προαναφέραμε, τα δεδομένα που χρησιμοποιήθηκαν προέρχονταν από τον δορυφόρο Quickbird και περιλαμβάνουν εικόνες από τέσσερα φασματικά κανάλια (κανάλι 1:μπλε, κανάλι 2 : πράσινο, κανάλι 3 : κόκκινο, κανάλι 4 : εγγύς υπέρυθρο, με ανάλυση 2,4m) που χρησιμοποιούνται για πολυφασματική απεικόνιση, και από ένα παγχρωματικό κανάλι(με ανάλυση 0,61m). Οι μέθοδοι που χρησιμοποιήθηκαν για την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων περιλαμβάνουν μετασχηματισμό απόχρωσης, έντασης και κορεσμού (HIS transformation), PCA(Principal Composition Analysis), εξομάλυνση χρώματος και μετασχηματισμό κυματιδίων (wavelet transform). Πριν την σύνθεση των πολυφασματικών και πολυχρωματικών δεδομένων, που είχε ως αποτέλεσμα την πολυφασματική εικόνα ανάλυσης 0,61m της εικόνας 1, είχε προηγηθεί γεωμετρική διόρθωση των εικόνων.

''2.2 Ανάλυση φασματικών χαρακτηριστικών και χαρακτηριστικών υφής και σχήματος''

[[Εικόνα:Article8_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Καμπύλες φασματικής απόκρισης των διαφόρων αντικειμένων του εδάφους.]]
Βασιζόμενοι στο συνδυασμό έρευνας πεδίου και οπτικής κρίσης των χαρτών χρήσης γης, η υπό εξέταση περιοχή χωρίστηκε σε τύπους κάλυψης γης, και συγκεκριμένα σε κτίρια, δρόμους, τυπικούς υδάτινους όγκους (μη μολυσμένους και με χαμηλή υδρόβια βλάστηση), μη τυπικούς υδάτινους όγκους( μολυσμένους ή με αυξημένη υδρόβια βλάστηση), δασικές εκτάσεις και γεωργικές εκτάσεις. Μια ξεχωριστή κατηγορία αποτελούν οι περιοχές σκίασης, οι οποίες αποτελούν χαρακτηριστικό του Quickbird. Gray-scale sampling πραγματοποιήθηκε σε όλες τις κατηγορίες αντικειμένων εδάφους που αναφέρθηκαν, έτσι ώστε να σχηματιστούν οι καμπύλες φασματικής απόκρισης των αντικειμένων σε όλα τα κανάλια, οι οποίες παρουσιάζονται στην εικόνα 2.
Προκύπτει λοιπόν ότι με χρήση φασματικών χαρακτηριστικών των διαφόρων αντικειμένων μπορούμε να διακρίνουμε τις δασικές από τις γεωργικές εκτάσεις , τους τυπικούς υδάτινους όγκους. Αντίθετα οι μη τυπικοί υδάτινοι όγκοι δεν ξεχωρίζουν από τις περιοχές σκίασης, και το ίδιο συμβαίνει και με τους δρόμους και τα κτίρια, καθώς οι φασματικές τους αποκρίσεις σχεδόν συμπίπτουν. Για τον διαχωρισμό λοιπόν ανάμεσα στους δρόμους και τα κτίρια, έγινε χρήση κάποιον δεικτών υφής (ομοιογένεια, αντίθεση, εντροπία κ.α. ), οι τιμές των οποίων διαφέρουν για τις δύο αυτές διαφορετικές κατηγορίες. Επίσης, μέσω των χαρακτηριστικών υφής μπορούν και διαχωρίζονται κτίρια τα οποία εύκολα θα μπορούσε να μπερδέψει κανείς με τυπικούς υδάτινους όγκους. Όμως, και πάλι δεν μπορεί να γίνει σαφής διάκρισης μεταξύ μη τυπικών υδάτινων όγκων και σκιών, η οποία εν τέλει επιτυγχάνεται παρατηρώντας τις διαφορές στα σχήματα των δύο αυτών κατηγοριών.

'''''3.Θέσπιση κανόνων εκμάθησης και ταξινόμηση'''''

[[Εικόνα:Article8_pic3.jpg | thumb | right |'''Εικόνα 3 :'''Ο ταξινομημένος χάρτης που προέκυψε.]]
Με βάση την ανάλυση των χαρακτηριστικών που προηγήθηκε, θεσπίστηκαν συνολικά 12 κανόνες εκμάθησης προκειμένου να επιτευχθεί η διάκριση μεταξύ των τύπων των αντικειμένων εδάφους. Στην συνέχεια πραγματοποιήθηκε μια «pixel-based» ταξινόμηση της εικόνας, καθώς και cluster analysis, κάτι που οδήγησε στην τελική μας εικόνα(εικόνα 3).
Η ανάλυση ακρίβειας έδειξε ότι πληροφορίες σχετικά με δασικές εκτάσεις, τυπικούς υδάτινους όγκους, αγροτικές εκτάσεις και κτίρια μπορούν να εξαχθούν με σχετικά μεγάλη ακρίβεια (πάνω από 90%). Από την άλλη, το ποσοστό ακρίβειας για πληροφορίες σχετικά με τους μη τυπικούς υδάτινους όγκους, δρόμους και περιοχές σκίασης κυμαίνεται λίγο πάνω από το 80%.Συνολικά η ακρίβεια της ταξινόμησης κρίνεται πολύ ικανοποιητική.

'''''4.Συμπεράσματα'''''

Τα συμπεράσματα της παραπάνω εργασίας μπορούν να συνοψιστούν στα εξής :
* Ο μετασχηματισμός PCA ήταν μια αποτελεσματική μέθοδος προκειμένου να επιτευχθεί η σύντηξη των πολυφασματικών και παγχρωματικών δεδομένων . Πρέπει να τονιστεί επίσης η χρησιμότητα τόσο των φασματικών όσο και των χωρικών πληροφοριών για την μελέτη της ταξινόμησης
* Η ταξινόμηση κάνοντας χρήση χαρακτηριστικών υφής και σχήματος, συνεισφέρει στην διάκριση μεταξύ στοιχείων με ίδια φασματική απόκριση, αυξάνοντας την ακρίβεια διάκρισης αντικειμένων
* Η μέθοδος ταξινόμησης που περιγράφεται σε αυτή την εργασία, μπορεί να αυξήσει αποτελεσματικά την ακρίβεια ταξινόμησης των αντικειμένων του εδάφους, και θα μπορούσε να παρέχει θεωρητικές βάσεις και προσεγγίσεις για αυτοανοσοποίηση της κάλυψης γης. Η μέθοδος αναμένεται να μπορεί να εφαρμοστεί σε ένα ευρύ φάσμα τηλεπισκοπικών εικόνων υψηλής ανάλυσης από διαφορετικές πηγές, με καλές προοπτικές για την μελέτη της κάλυψης γης σε ένα ευρύ φάσμα καταστάσεων. Σε αυτή την εργασία φασματικά χαρακτηριστικά, καθώς και χαρακτηριστικά υφής και σχήματος χρησιμοποιήθηκαν για την θέσπιση κανόνες εκμάθησης, αλλά η δυνατότητα χρησιμοποίησης περισσοτέρων γεωγραφικών πληροφοριών, η ακρίβεια της ταξινόμησης θα μπορούσε να γίνει ακόμα καλύτερη.

[[category:Εδαφολογική χαρτογράφηση]]

Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης

2013-02-16T19:48:02Z

Pafilis: Νέα σελίδα με ''''Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφο...'

'''Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης'''

'''Πρωτότυπος τίτλος : Study of land cover classification based on knowledge rules using high-resolution remote sensing images'''

'''Συγγραφείς : Zhang Rongqun, Zhu Daolin'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0957417410009656 Science Direct]

Η παρούσα εργασία ασχολείται με τους περιορισμούς της οπτικής ερμηνείας των τηλεπισκοπικών εικόνων υψηλής ανάλυσης και της αυτόματης ταξινόμησης, εξαρτώμενης αποκλειστικά από φασματικά δεδομένα, και προτείνει μια μέθοδο, βασισμένη τόσο σε φασματικά χαρακτηριστικά, όσο και σε χαρακτηριστικά υφής και σχήματος, με σκοπό την ταξινόμηση των χρήσεων κάλυψης/γης μιας περιοχής της πόλης του Πεκίνο.

'''''1.Εισαγωγή'''''

Στις μέρες μας, η τηλεπισκόπηση είναι μια από τις πιο σημαντικές τεχνικές για την απόκτηση δεδομένων σχετικά με την χρήση/κάλυψη γης. Παλιότερα, η οπτική κρίση ήταν η κύρια μέθοδος για την εξαγωγή συμπερασμάτων από τηλεπισκοπικές εικόνες, μια τεχνική με σχετικά υψηλή ακρίβεια, αλλά χαμηλή αποτελεσματικότητα. Οι κύριες μέθοδοι για την αυτόματη εξαγωγή πληροφοριών από τηλεπισκοπικές εικόνες είναι η επιβλεπόμενη και η μη επιβλεπόμενη ταξινόμηση. Παρόλα αυτά, η παρουσία φασματικής σύγχυσης λόγω των αντικειμένων του εδάφους, δεν επιτρέπει μεγάλη ακρίβεια στα αποτελέσματα της ταξινόμησης.
Λόγω της χαμηλής ακρίβειας που παρείχαν οι μέθοδοι ταξινόμησης των τηλεπισκοπικών εικόνων, «γεννήθηκε» η ανάγκη για ανάπτυξη νέων τεχνικών για να «διαβάζουμε» τις εικόνες. Αναπτύχθηκαν λοιπόν τεχνικές οι οποίες στηρίζονται σε φασματικά χαρακτηριστικά, καθώς και σε χαρακτηριστικά υφής και μεγέθους των αντικειμένων του εδάφους. Στην παρούσα εργασία, χρησιμοποιούμε κανόνες εκμάθησης για ταξινόμηση μιας δορυφορικής εικόνας υψηλής ανάλυσης προερχόμενης από το δορυφορικό σύστημα Quickbird, η οποία απεικονίζει την περιοχή μεταξύ των αστικών και προαστιακών περιοχών του Πεκίνου. Τα προς ταξινόμηση αντικείμενα περιλαμβάνουν κτίρια, δρόμους, δασικές εκτάσεις, αγροτικές εκτάσεις και υδάτινους όγκους.

'''''2.Επεξεργασία δεδομένων και ανάλυση'''''

''2.1 Σύνθεση δεδομένων''

[[Εικόνα:Article8_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Η εικόνα που προέκυψε μετά την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων που χρησιμοποιήθηκαν στην παρούσα εργασία.]]
Όπως προαναφέραμε, τα δεδομένα που χρησιμοποιήθηκαν προέρχονταν από τον δορυφόρο Quickbird και περιλαμβάνουν εικόνες από τέσσερα φασματικά κανάλια (κανάλι 1:μπλε, κανάλι 2 : πράσινο, κανάλι 3 : κόκκινο, κανάλι 4 : εγγύς υπέρυθρο, με ανάλυση 2,4m) που χρησιμοποιούνται για πολυφασματική απεικόνιση, και από ένα παγχρωματικό κανάλι(με ανάλυση 0,61m). Οι μέθοδοι που χρησιμοποιήθηκαν για την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων περιλαμβάνουν μετασχηματισμό απόχρωσης, έντασης και κορεσμού (HIS transformation), PCA(Principal Composition Analysis), εξομάλυνση χρώματος και μετασχηματισμό κυματιδίων (wavelet transform). Πριν την σύνθεση των πολυφασματικών και πολυχρωματικών δεδομένων, που είχε ως αποτέλεσμα την πολυφασματική εικόνα ανάλυσης 0,61m της εικόνας 1, είχε προηγηθεί γεωμετρική διόρθωση των εικόνων.

''2.2 Ανάλυση φασματικών χαρακτηριστικών και χαρακτηριστικών υφής και σχήματος''

[[Εικόνα:Article8_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Καμπύλες φασματικής απόκρισης των διαφόρων αντικειμένων του εδάφους.]]
Βασιζόμενοι στο συνδυασμό έρευνας πεδίου και οπτικής κρίσης των χαρτών χρήσης γης, η υπό εξέταση περιοχή χωρίστηκε σε τύπους κάλυψης γης, και συγκεκριμένα σε κτίρια, δρόμους, τυπικούς υδάτινους όγκους (μη μολυσμένους και με χαμηλή υδρόβια βλάστηση), μη τυπικούς υδάτινους όγκους( μολυσμένους ή με αυξημένη υδρόβια βλάστηση), δασικές εκτάσεις και γεωργικές εκτάσεις. Μια ξεχωριστή κατηγορία αποτελούν οι περιοχές σκίασης, οι οποίες αποτελούν χαρακτηριστικό του Quickbird. Gray-scale sampling πραγματοποιήθηκε σε όλες τις κατηγορίες αντικειμένων εδάφους που αναφέρθηκαν, έτσι ώστε να σχηματιστούν οι καμπύλες φασματικής απόκρισης των αντικειμένων σε όλα τα κανάλια, οι οποίες παρουσιάζονται στην εικόνα 2.
Προκύπτει λοιπόν ότι με χρήση φασματικών χαρακτηριστικών των διαφόρων αντικειμένων μπορούμε να διακρίνουμε τις δασικές από τις γεωργικές εκτάσεις , τους τυπικούς υδάτινους όγκους. Αντίθετα οι μη τυπικοί υδάτινοι όγκοι δεν ξεχωρίζουν από τις περιοχές σκίασης, και το ίδιο συμβαίνει και με τους δρόμους και τα κτίρια, καθώς οι φασματικές τους αποκρίσεις σχεδόν συμπίπτουν. Για τον διαχωρισμό λοιπόν ανάμεσα στους δρόμους και τα κτίρια, έγινε χρήση κάποιον δεικτών υφής (ομοιογένεια, αντίθεση, εντροπία κ.α. ), οι τιμές των οποίων διαφέρουν για τις δύο αυτές διαφορετικές κατηγορίες. Επίσης, μέσω των χαρακτηριστικών υφής μπορούν και διαχωρίζονται κτίρια τα οποία εύκολα θα μπορούσε να μπερδέψει κανείς με τυπικούς υδάτινους όγκους. Όμως, και πάλι δεν μπορεί να γίνει σαφής διάκρισης μεταξύ μη τυπικών υδάτινων όγκων και σκιών, η οποία εν τέλει επιτυγχάνεται παρατηρώντας τις διαφορές στα σχήματα των δύο αυτών κατηγοριών.

'''''3.Θέσπιση κανόνων εκμάθησης και ταξινόμηση'''''

[[Εικόνα:Article8_pic3.jpg | thumb | right |'''Εικόνα 3 :'''Ο ταξινομημένος χάρτης που προέκυψε.]]
Με βάση την ανάλυση των χαρακτηριστικών που προηγήθηκε, θεσπίστηκαν συνολικά 12 κανόνες εκμάθησης προκειμένου να επιτευχθεί η διάκριση μεταξύ των τύπων των αντικειμένων εδάφους. Στην συνέχεια πραγματοποιήθηκε μια «pixel-based» ταξινόμηση της εικόνας, καθώς και cluster analysis, κάτι που οδήγησε στην τελική μας εικόνα(εικόνα 3).
Η ανάλυση ακρίβειας έδειξε ότι πληροφορίες σχετικά με δασικές εκτάσεις, τυπικούς υδάτινους όγκους, αγροτικές εκτάσεις και κτίρια μπορούν να εξαχθούν με σχετικά μεγάλη ακρίβεια (πάνω από 90%). Από την άλλη, το ποσοστό ακρίβειας για πληροφορίες σχετικά με τους μη τυπικούς υδάτινους όγκους, δρόμους και περιοχές σκίασης κυμαίνεται λίγο πάνω από το 80%.Συνολικά η ακρίβεια της ταξινόμησης κρίνεται πολύ ικανοποιητική.

'''''4.Συμπεράσματα'''''

Τα συμπεράσματα της παραπάνω εργασίας μπορούν να συνοψιστούν στα εξής :
* Ο μετασχηματισμός PCA ήταν μια αποτελεσματική μέθοδος προκειμένου να επιτευχθεί η σύντηξη των πολυφασματικών και παγχρωματικών δεδομένων . Πρέπει να τονιστεί επίσης η χρησιμότητα τόσο των φασματικών όσο και των χωρικών πληροφοριών για την μελέτη της ταξινόμησης
* Η ταξινόμηση κάνοντας χρήση χαρακτηριστικών υφής και σχήματος, συνεισφέρει στην διάκριση μεταξύ στοιχείων με ίδια φασματική απόκριση, αυξάνοντας την ακρίβεια διάκρισης αντικειμένων
* Η μέθοδος ταξινόμησης που περιγράφεται σε αυτή την εργασία, μπορεί να αυξήσει αποτελεσματικά την ακρίβεια ταξινόμησης των αντικειμένων του εδάφους, και θα μπορούσε να παρέχει θεωρητικές βάσεις και προσεγγίσεις για αυτοανοσοποίηση της κάλυψης γης. Η μέθοδος αναμένεται να μπορεί να εφαρμοστεί σε ένα ευρύ φάσμα τηλεπισκοπικών εικόνων υψηλής ανάλυσης από διαφορετικές πηγές, με καλές προοπτικές για την μελέτη της κάλυψης γης σε ένα ευρύ φάσμα καταστάσεων. Σε αυτή την εργασία φασματικά χαρακτηριστικά, καθώς και χαρακτηριστικά υφής και σχήματος χρησιμοποιήθηκαν για την θέσπιση κανόνες εκμάθησης, αλλά η δυνατότητα χρησιμοποίησης περισσοτέρων γεωγραφικών πληροφοριών, η ακρίβεια της ταξινόμησης θα μπορούσε να γίνει ακόμα καλύτερη.

[[category:Εδαφολογική χαρτογράφηση]]

Αρχείο:Article8 pic3.jpg

2013-02-16T19:31:22Z

Pafilis:

Αρχείο:Article8 pic2.jpg

2013-02-16T19:31:06Z

Pafilis:

Αρχείο:Article8 pic1.jpg

2013-02-16T19:30:50Z

Pafilis:

Αρχείο:Art8 pic3.jpg

2013-02-14T22:02:12Z

Pafilis:

Αρχείο:Art8 pic2.jpg

2013-02-14T22:02:00Z

Pafilis:

Αρχείο:Art8 pic1.jpg

2013-02-14T22:01:49Z

Pafilis:

Παφίλης Απόστολος

2013-02-14T21:51:18Z

Pafilis:

Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους

2013-02-14T21:50:29Z

Pafilis:

'''Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους'''

'''Πρωτότυπος τίτλος : A synthesis of remote sensing and local knowledge approaches in land degradation assessment in the Bakhu East District, Ghana'''

'''Συγγραφείς : G.A.B. Yiran, J.M. Kusimi, S.K. Kufogbe'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0303243411001395 Science Direct]

'''''1.Εισαγωγή'''''

Η υποβάθμιση του εδάφους (Land degradation) ορίζεται ως η μείωση της ικανότητας της γης να εκτελέσει τις λειτουργίες των οικοσυστημάτων και των υπηρεσιών που υποστηρίζουν την κοινωνία και την ανάπτυξη. Οι αλλαγές στην χρήση/κάλυψη γης, σε οποιαδήποτε κλίμακα, αν είναι αρνητικές για την ευημερία του περιβάλλοντος έχουν ως αποτέλεσμα την υποβάθμιση του εδάφους. Η υποβάθμιση του εδάφους είναι μια δυναμική διαδικασία και η τηλεπισκόπηση έχει μεγάλη αξία για την παρακολούθηση της οπτικής πλευράς αυτής της διαδικασίας, μέσω της ανάλυσης των αλλαγών στην χρήση γης. Αυτό δύναται να επιτευχθεί με την χρήση δορυφορικών τηλεπισκοπικών τεχνικών για την ποσοτική μέτρηση των αλλαγών της χρήσης/κάλυψης γης μέσα σε μια χρονική περίοδο.
Η περιοχή μελέτης που εξετάζεται στην παρούσα εργασία βρίσκεται στη βορειοανατολική γωνία της Γκάνας, το Bakhu East District. Η γεωργία αποτελεί την κύρια οικονομική δραστηριότητα των κατοίκων, απασχολώντας το 68% του συνόλου των κατοίκων στους τομείς της φυτικής παραγωγής, της κτηνοτροφίας και της δασοκομίας. Γίνεται αντιληπτό ότι λόγω του αγροτικού χαρακτήρα της οικονομίας της περιοχής, ο αντίκτυπος της υποβάθμισης του εδάφους – χαμηλή γονιμότητα εδάφους, διάβρωση του εδάφους, απώλεια φυτικής κάλυψης – είναι μεγάλος στην κοινωνία της περιοχής.
Η αντιστροφή της υποβάθμισης του εδάφους και η μείωση των αρνητικών επιπτώσεων στις ζωές των κατοίκων της περιοχής απαιτεί αειφόρο αναπτυξιακό σχεδιασμό. Απαιτείται λοιπόν κατανόηση των αγρο-οικολογικών προβλημάτων που διαμορφώνουν και υποβαθμίζουν το φυσικό τοπίο. Η πλήρης κατανόηση του προβλήματος επιτυγχάνεται με την συλλογή δεδομένων και γνώσεων σχετικά με τον τρόπο και το μέγεθος της υποβάθμισης του εδάφους. Για να γίνει αυτό χρειάζεται χρονική ανάλυση των διαθέσιμων τηλεπισκοπικών δεδομένων για την περιοχή με παράλληλη ενσωμάτωση της γνώσης της περιοχής.

Προς αυτή την κατεύθυνση κινείται η παρούσα μελέτη, αντικειμενικοί στόχοι της οποίας είναι οι εξής :
* Χρήση τηλεπισκοπικών τεχνικών με σκοπό την λήψη πληροφοριών για τα χωρικά πρότυπα και τις τάσεις υποβάθμισης του εδάφους για την περιοχή μελέτης
* Διερεύνηση της τοπικής γνώσης για την εκτίμηση της υποβάθμισης του εδάφους
* Εξέταση της ένταξης της επιστημονικής και τοπικής γνώσης στη σωστή διαχείριση του εδάφους

'''''2.Μεθοδολογία'''''

Οι βασικές τεχνικές που χρησιμοποιούνται για την συλλογή και την ανάλυση δεδομένων περιλαμβάνουν την τηλεπισκόπηση, την ποιοτική και ποσοτική έρευνα και την ανασκόπηση της βιβλιογραφίας. Όσον αφορά την πλευρά της τηλεπισκόπησης, αποκτήθηκαν και αναλύθηκαν μια εικόνα του δορυφόρου LANDSAT TM του 1989 και δύο εικόνες του LANDSAT ETM+ του 1999 και του 2006 αντίστοιχα, με σκοπό την εξακρίβωση του χωρο-χρονικού μοντέλου υποβάθμισης του εδάφους.(Εικόνες του δορυφόρου LANDSAT έχουν χρησιμοποιηθεί σε προηγούμενες μελέτες βλάστησης που περιλάμβαναν ανίχνευση μεταβολών )
Η περιοχή μελέτης αποτελείται από δύο περιοχές οι οποίες ορίστηκαν στην δορυφορική εικόνα. Οι περιοχές αυτές καταγράφηκαν στις 11/11 και στις 7/11 για τις εικόνες του 1989 και 1999 αντίστοιχα. Η εικόνα όμως του 2006 είχε μόνο μια καταγεγραμμένη περιοχή (από τις 25/10), και για τον λόγο αυτό οι περιοχές των προηγούμενων ετών συγχωνεύθηκαν και αναδιαστασιολογήθηκαν. Η αναδιαστασιολόγηση έγινε έτσι ώστε όλες οι ταξινομημένες εικόνες να έχουν το ίδιο μέγεθος και να μπορεί να πραγματοποιηθεί σύγκριση της χρήσης/κάλυψης γης. Οι εικόνες στην συνέχεια ταξινομήθηκαν ψηφιακά.
Τα κανάλια 4(red) 3(green) 2(blue) χρησιμοποιήθηκαν για την δημιουργία ψευδό-χρωμοσύνθετων εικόνων με την χρήση του λογισμικού ENVI. Μια δοκιμή μη επιβλεπόμενης ταξινόμησης δεν κατάφερε να διαφοροποιήσει συγκεκριμένα χαρακτηριστικά (όπως για παράδειγμα αστική και καλλιεργήσιμη γη), και για τον λόγο αυτό χρησιμοποιήθηκε επιβλεπόμενη ταξινόμηση για την ποιοτική και ποσοτική ανάλυση των τηλεπισκοπικών εικόνων. Πριν την ταξινόμηση, πραγματοποιήθηκε συλλογή δειγμάτων εκπαίδευσης από την περιοχή με την βοήθεια των εικόνων και ενός συστήματος GPS. Η συλλογή έγινε την ίδια χρονική περίοδο(Νοέμβριο) που αποκτήθηκαν και οι εικόνες έτσι ώστε να συσχετίζονται σωστά οι φασματικές αποκρίσεις των εικόνων με τα χαρακτηριστικά του εδάφους. Η ικανότητα διαχωρισμού των τάξεων που έχουν ψηφιοποιηθεί αξιολογήθηκε χρησιμοποιώντας στατιστικά στοιχεία των φασματικών υπογραφών τους. Τιμές διαχωριστικότητας μεγαλύτερες από 1,9 υποδηλώνουν ότι όλες οι φασματικές υπογραφές των κατηγοριών είναι διακριτές, και αυτό διαπιστώθηκε για όλες τις κατηγορίες που αναφέρθηκαν. Η ανίχνευση των αλλαγών πραγματοποιήθηκε μέσω image differencing, αφαιρώντας δηλαδή την ταξινομημένη εικόνα του 1989 από την αντίστοιχη ταξινομημένη εικόνα του 1999, την εικόνα του 1999 από αυτήν του 2006 και την εικόνα του 1989 από αυτήν του 2006.
Για τον εντοπισμό των καμμένων εκτάσεων δημιουργήθηκε ένα χρωμοσύνθετο (κανάλι 6-θερμικό, 4-πράσινο, 3-μπλε), όπου μέσω της μέτρησης της θερμικής ακτινοβολίας (κανάλι 6) διευκολύνθηκε η οριοθέτηση των καμμένων περιοχών. Τα δείγματα εκπαίδευσης ψηφιοποιήθηκαν στην εικόνα.
Κομμάτι της μεθοδολογίας αποτέλεσε και η αξιολόγηση των γνώσεων των ντόπιων πληθυσμών σχετικά με την υποβάθμιση του εδάφους, με σκοπό να εξακριβωθεί πως οι απόψεις τους θα μπορούσαν να συνδυαστούν με την αλλαγή κάλυψης/χρήσης γης για να διαπιστωθεί η υποβάθμιση του εδάφους. Έγιναν επίσης προσωπικές παρατηρήσεις της περιοχής ώστε να συγκεντρωθούν πληροφορίες που ίσως να μην συλλέχθηκαν από τον δορυφόρο.
[[Εικόνα:Art7_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Οι τρεις δορυφορικές εικόνες ταξινομημένες]]

'''''3.Αποτελέσματα'''''

Οι δορυφορικές εικόνες επεξεργάστηκαν και ταξινομήθηκαν σε διάφορες κατηγορίες χρήσης/κάλυψης γης. Οι τελικές κατηγορίες που δημιουργήθηκαν είναι οι εξής :
1. Exposed soil : περιλαμβάνει χωράφια, γυμνό έδαφος, ανασκαφές, οικοδομήσιμες περιοχές
2. Close savannah woodland : περιλαμβάνει δασικές περιοχές, δασικά αποθέματα, προστατευόμενες φυσικές περιοχές
3. Open savannah woodland : περιλαμβάνει περιοχές με λιγότερη κάλυψη από δέντρα σε σχέση με την Close savannah woodland, θάμνους κ.α.
4. Mixture of grasses and shrubs with scattered trees - Grassland : περιλαμβάνει περιοχές όπου το έδαφος καλύπτεται πάνω από 50% με γρασίδι, γεωργικές εκτάσεις που εξακολουθούν να έχουν καλλιέργειες, κ.α.
5. Water bodies : περιλαμβάνει ποτάμια, ρέματα, φράγματα ή δεξαμενές που περιείχαν νερό κατά την περίοδο απεικόνισης
6. Burnt Scars : περιλαμβάνει καμένες περιοχές κ περιοχές που καίγονταν κατά την περίοδο της απεικόνισης
7. Settlement : περιλαμβάνει – κατά κύριο λόγο - κατοικημένες περιοχές

Στην εικόνα 1 φαίνονται τα αποτελέσματα της ταξινόμησης για τις τρεις διαθέσιμες δορυφορικές εικόνες.

Πραγματοποιήθηκαν στατιστική έρευνα για την ανίχνευση των αλλαγών, καθώς και ανά κατηγορία image differencing για την εξακρίβωση των αλλαγών στην χρήση/κάλυψη γης για τις περιόδους ανάμεσα στο 1989 – 1999 και 1989-2006. Παρατηρήθηκαν μεγάλες αλλαγές στις χρήσεις/καλύψεις γης ανάμεσα στις υπό εξέταση χρονικές περιόδους. Η παρακάτω εικόνα που παράχθηκε από το λογισμικό ENVI παρατίθεται για να απεικονίσει τις αλλαγές χρήσεις/κάλυψης γης ανάμεσα στο 1989 και το 2006. Οι περιοχές που απεικονίζονται με μαύρο χρώμα δεν άλλαξαν με την πάροδο του χρόνου, περιοχές όμως με διαφορετικό χρώμα αντιπροσωπεύουν αλλαγές από μια κατηγορία χρήσης/κάλυψης γης σε μια άλλη. Για παράδειγμα, το ανοιχτό πράσινο χρώμα στην εικόνα 2 δείχνει ότι η Close savannah woodland άλλαξε σε Open savannah woodland.
[[Εικόνα:Art7_pic2.jpg | thumb | right |'''Εικόνα 2 :Αλλαγές από την κατηγορία Close savannah woodland σε άλλες κατηγορίες''' ]]

Η ανάλυση της αντίληψης των ντόπιων πληθυσμών, σχετικά με την υποβάθμιση και διάβρωση του εδάφους, την ποιοτική και ποσοτική μείωση της βλάστησης κ.α., έπαιξε σημαντικό ρόλο καθώς αποτέλεσε μέσο επαλήθευσης των αποτελεσμάτων της τηλεπισκοπικής μεθόδου. Οι κάτοικοι των περιοχών απέδωσαν μερίδιο ευθύνης για την κακή κατάσταση των εδαφών τους στις ανασκαφές για την διάνοιξη δρόμων και άλλων κατασκευών, αλλά και στις κλιματικές συνθήκες(για παράδειγμα μειωμένες βροχοπτώσεις) που επικρατούν στην περιοχή.

Το συμπέρασμα που προκύπτει λοιπόν είναι ότι για την αποτελεσματική διαχείριση της υποβάθμισης του εδάφους είναι απαραίτητο το πάντρεμα της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών. Χρησιμοποιώντας επιστημονικές μεθόδους, όπως οι τεχνικές τηλεπισκόπησης, επιτυγχάνουμε την παρακολούθηση – διαμέσου του χρόνου – των μεταβολών του εδάφους, ενώ η άποψη της τοπικής κοινωνίας μας δίνει πληροφορίες για τα αιτία των μεταβολών αυτών.

[[category:Υποβάθμιση εδαφών]]

Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους

2013-02-14T21:49:36Z

Pafilis:

'''Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους'''

'''Πρωτότυπος τίτλος : A synthesis of remote sensing and local knowledge approaches in land degradation assessment in the Bakhu East District, Ghana'''

'''Συγγραφείς : G.A.B. Yiran, J.M. Kusimi, S.K. Kufogbe'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0303243411001395 Science Direct]

'''''1.Εισαγωγή'''''

Η υποβάθμιση του εδάφους (Land degradation) ορίζεται ως η μείωση της ικανότητας της γης να εκτελέσει τις λειτουργίες των οικοσυστημάτων και των υπηρεσιών που υποστηρίζουν την κοινωνία και την ανάπτυξη. Οι αλλαγές στην χρήση/κάλυψη γης, σε οποιαδήποτε κλίμακα, αν είναι αρνητικές για την ευημερία του περιβάλλοντος έχουν ως αποτέλεσμα την υποβάθμιση του εδάφους. Η υποβάθμιση του εδάφους είναι μια δυναμική διαδικασία και η τηλεπισκόπηση έχει μεγάλη αξία για την παρακολούθηση της οπτικής πλευράς αυτής της διαδικασίας, μέσω της ανάλυσης των αλλαγών στην χρήση γης. Αυτό δύναται να επιτευχθεί με την χρήση δορυφορικών τηλεπισκοπικών τεχνικών για την ποσοτική μέτρηση των αλλαγών της χρήσης/κάλυψης γης μέσα σε μια χρονική περίοδο.
Η περιοχή μελέτης που εξετάζεται στην παρούσα εργασία βρίσκεται στη βορειοανατολική γωνία της Γκάνας, το Bakhu East District. Η γεωργία αποτελεί την κύρια οικονομική δραστηριότητα των κατοίκων, απασχολώντας το 68% του συνόλου των κατοίκων στους τομείς της φυτικής παραγωγής, της κτηνοτροφίας και της δασοκομίας. Γίνεται αντιληπτό ότι λόγω του αγροτικού χαρακτήρα της οικονομίας της περιοχής, ο αντίκτυπος της υποβάθμισης του εδάφους – χαμηλή γονιμότητα εδάφους, διάβρωση του εδάφους, απώλεια φυτικής κάλυψης – είναι μεγάλος στην κοινωνία της περιοχής.
Η αντιστροφή της υποβάθμισης του εδάφους και η μείωση των αρνητικών επιπτώσεων στις ζωές των κατοίκων της περιοχής απαιτεί αειφόρο αναπτυξιακό σχεδιασμό. Απαιτείται λοιπόν κατανόηση των αγρο-οικολογικών προβλημάτων που διαμορφώνουν και υποβαθμίζουν το φυσικό τοπίο. Η πλήρης κατανόηση του προβλήματος επιτυγχάνεται με την συλλογή δεδομένων και γνώσεων σχετικά με τον τρόπο και το μέγεθος της υποβάθμισης του εδάφους. Για να γίνει αυτό χρειάζεται χρονική ανάλυση των διαθέσιμων τηλεπισκοπικών δεδομένων για την περιοχή με παράλληλη ενσωμάτωση της γνώσης της περιοχής.

Προς αυτή την κατεύθυνση κινείται η παρούσα μελέτη, αντικειμενικοί στόχοι της οποίας είναι οι εξής :
* Χρήση τηλεπισκοπικών τεχνικών με σκοπό την λήψη πληροφοριών για τα χωρικά πρότυπα και τις τάσεις υποβάθμισης του εδάφους για την περιοχή μελέτης
* Διερεύνηση της τοπικής γνώσης για την εκτίμηση της υποβάθμισης του εδάφους
* Εξέταση της ένταξης της επιστημονικής και τοπικής γνώσης στη σωστή διαχείριση του εδάφους

'''''2.Μεθοδολογία'''''

Οι βασικές τεχνικές που χρησιμοποιούνται για την συλλογή και την ανάλυση δεδομένων περιλαμβάνουν την τηλεπισκόπηση, την ποιοτική και ποσοτική έρευνα και την ανασκόπηση της βιβλιογραφίας. Όσον αφορά την πλευρά της τηλεπισκόπησης, αποκτήθηκαν και αναλύθηκαν μια εικόνα του δορυφόρου LANDSAT TM του 1989 και δύο εικόνες του LANDSAT ETM+ του 1999 και του 2006 αντίστοιχα, με σκοπό την εξακρίβωση του χωρο-χρονικού μοντέλου υποβάθμισης του εδάφους.(Εικόνες του δορυφόρου LANDSAT έχουν χρησιμοποιηθεί σε προηγούμενες μελέτες βλάστησης που περιλάμβαναν ανίχνευση μεταβολών )
Η περιοχή μελέτης αποτελείται από δύο περιοχές οι οποίες ορίστηκαν στην δορυφορική εικόνα. Οι περιοχές αυτές καταγράφηκαν στις 11/11 και στις 7/11 για τις εικόνες του 1989 και 1999 αντίστοιχα. Η εικόνα όμως του 2006 είχε μόνο μια καταγεγραμμένη περιοχή (από τις 25/10), και για τον λόγο αυτό οι περιοχές των προηγούμενων ετών συγχωνεύθηκαν και αναδιαστασιολογήθηκαν. Η αναδιαστασιολόγηση έγινε έτσι ώστε όλες οι ταξινομημένες εικόνες να έχουν το ίδιο μέγεθος και να μπορεί να πραγματοποιηθεί σύγκριση της χρήσης/κάλυψης γης. Οι εικόνες στην συνέχεια ταξινομήθηκαν ψηφιακά.
Τα κανάλια 4(red) 3(green) 2(blue) χρησιμοποιήθηκαν για την δημιουργία ψευδό-χρωμοσύνθετων εικόνων με την χρήση του λογισμικού ENVI. Μια δοκιμή μη επιβλεπόμενης ταξινόμησης δεν κατάφερε να διαφοροποιήσει συγκεκριμένα χαρακτηριστικά (όπως για παράδειγμα αστική και καλλιεργήσιμη γη), και για τον λόγο αυτό χρησιμοποιήθηκε επιβλεπόμενη ταξινόμηση για την ποιοτική και ποσοτική ανάλυση των τηλεπισκοπικών εικόνων. Πριν την ταξινόμηση, πραγματοποιήθηκε συλλογή δειγμάτων εκπαίδευσης από την περιοχή με την βοήθεια των εικόνων και ενός συστήματος GPS. Η συλλογή έγινε την ίδια χρονική περίοδο(Νοέμβριο) που αποκτήθηκαν και οι εικόνες έτσι ώστε να συσχετίζονται σωστά οι φασματικές αποκρίσεις των εικόνων με τα χαρακτηριστικά του εδάφους. Η ικανότητα διαχωρισμού των τάξεων που έχουν ψηφιοποιηθεί αξιολογήθηκε χρησιμοποιώντας στατιστικά στοιχεία των φασματικών υπογραφών τους. Τιμές διαχωριστικότητας μεγαλύτερες από 1,9 υποδηλώνουν ότι όλες οι φασματικές υπογραφές των κατηγοριών είναι διακριτές, και αυτό διαπιστώθηκε για όλες τις κατηγορίες που αναφέρθηκαν. Η ανίχνευση των αλλαγών πραγματοποιήθηκε μέσω image differencing, αφαιρώντας δηλαδή την ταξινομημένη εικόνα του 1989 από την αντίστοιχη ταξινομημένη εικόνα του 1999, την εικόνα του 1999 από αυτήν του 2006 και την εικόνα του 1989 από αυτήν του 2006.
Για τον εντοπισμό των καμμένων εκτάσεων δημιουργήθηκε ένα χρωμοσύνθετο (κανάλι 6-θερμικό, 4-πράσινο, 3-μπλε), όπου μέσω της μέτρησης της θερμικής ακτινοβολίας (κανάλι 6) διευκολύνθηκε η οριοθέτηση των καμμένων περιοχών. Τα δείγματα εκπαίδευσης ψηφιοποιήθηκαν στην εικόνα.
Κομμάτι της μεθοδολογίας αποτέλεσε και η αξιολόγηση των γνώσεων των ντόπιων πληθυσμών σχετικά με την υποβάθμιση του εδάφους, με σκοπό να εξακριβωθεί πως οι απόψεις τους θα μπορούσαν να συνδυαστούν με την αλλαγή κάλυψης/χρήσης γης για να διαπιστωθεί η υποβάθμιση του εδάφους. Έγιναν επίσης προσωπικές παρατηρήσεις της περιοχής ώστε να συγκεντρωθούν πληροφορίες που ίσως να μην συλλέχθηκαν από τον δορυφόρο.
[[Εικόνα:Art7_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Οι τρεις δορυφορικές εικόνες ταξινομημένες]]

'''''3.Αποτελέσματα'''''

Οι δορυφορικές εικόνες επεξεργάστηκαν και ταξινομήθηκαν σε διάφορες κατηγορίες χρήσης/κάλυψης γης. Οι τελικές κατηγορίες που δημιουργήθηκαν είναι οι εξής :
1. Exposed soil : περιλαμβάνει χωράφια, γυμνό έδαφος, ανασκαφές, οικοδομήσιμες περιοχές
2. Close savannah woodland : περιλαμβάνει δασικές περιοχές, δασικά αποθέματα, προστατευόμενες φυσικές περιοχές
3. Open savannah woodland : περιλαμβάνει περιοχές με λιγότερη κάλυψη από δέντρα σε σχέση με την Close savannah woodland, θάμνους κ.α.
4. Mixture of grasses and shrubs with scattered trees - Grassland : περιλαμβάνει περιοχές όπου το έδαφος καλύπτεται πάνω από 50% με γρασίδι, γεωργικές εκτάσεις που εξακολουθούν να έχουν καλλιέργειες, κ.α.
5. Water bodies : περιλαμβάνει ποτάμια, ρέματα, φράγματα ή δεξαμενές που περιείχαν νερό κατά την περίοδο απεικόνισης
6. Burnt Scars : περιλαμβάνει καμένες περιοχές κ περιοχές που καίγονταν κατά την περίοδο της απεικόνισης
7. Settlement : περιλαμβάνει – κατά κύριο λόγο - κατοικημένες περιοχές

Στην εικόνα 1 φαίνονται τα αποτελέσματα της ταξινόμησης για τις τρεις διαθέσιμες δορυφορικές εικόνες.

Πραγματοποιήθηκαν στατιστική έρευνα για την ανίχνευση των αλλαγών, καθώς και ανά κατηγορία image differencing για την εξακρίβωση των αλλαγών στην χρήση/κάλυψη γης για τις περιόδους ανάμεσα στο 1989 – 1999 και 1989-2006. Παρατηρήθηκαν μεγάλες αλλαγές στις χρήσεις/καλύψεις γης ανάμεσα στις υπό εξέταση χρονικές περιόδους. Η παρακάτω εικόνα που παράχθηκε από το λογισμικό ENVI παρατίθεται για να απεικονίσει τις αλλαγές χρήσεις/κάλυψης γης ανάμεσα στο 1989 και το 2006. Οι περιοχές που απεικονίζονται με μαύρο χρώμα δεν άλλαξαν με την πάροδο του χρόνου, περιοχές όμως με διαφορετικό χρώμα αντιπροσωπεύουν αλλαγές από μια κατηγορία χρήσης/κάλυψης γης σε μια άλλη. Για παράδειγμα, το ανοιχτό πράσινο χρώμα στην εικόνα 2 δείχνει ότι η Close savannah woodland άλλαξε σε Open savannah woodland.
[[Εικόνα:Art7_pic2.jpg | thumb | right |'''Εικόνα 2 :Αλλαγές από την κατηγορία Close savannah woodland σε άλλες κατηγορίες''' ]]

Η ανάλυση της αντίληψης των ντόπιων πληθυσμών, σχετικά με την υποβάθμιση και διάβρωση του εδάφους, την ποιοτική και ποσοτική μείωση της βλάστησης κ.α., έπαιξε σημαντικό ρόλο καθώς αποτέλεσε μέσο επαλήθευσης των αποτελεσμάτων της τηλεπισκοπικής μεθόδου. Οι κάτοικοι των περιοχών απέδωσαν μερίδιο ευθύνης για την κακή κατάσταση των εδαφών τους στις ανασκαφές για την διάνοιξη δρόμων και άλλων κατασκευών, αλλά και στις κλιματικές συνθήκες(για παράδειγμα μειωμένες βροχοπτώσεις) που επικρατούν στην περιοχή.
Το συμπέρασμα που προκύπτει λοιπόν είναι ότι για την αποτελεσματική διαχείριση της υποβάθμισης του εδάφους είναι απαραίτητο το πάντρεμα της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών. Χρησιμοποιώντας επιστημονικές μεθόδους, όπως οι τεχνικές τηλεπισκόπησης, επιτυγχάνουμε την παρακολούθηση – διαμέσου του χρόνου – των μεταβολών του εδάφους, ενώ η άποψη της τοπικής κοινωνίας μας δίνει πληροφορίες για τα αιτία των μεταβολών αυτών.

[[category:Υποβάθμιση εδαφών]]

Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους

2013-02-14T21:45:41Z

Pafilis:

'''Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους'''

'''Πρωτότυπος τίτλος : A synthesis of remote sensing and local knowledge approaches in land degradation assessment in the Bakhu East District, Ghana'''

'''Συγγραφείς : G.A.B. Yiran, J.M. Kusimi, S.K. Kufogbe'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0303243411001395 Science Direct]

'''''1.Εισαγωγή'''''

Η υποβάθμιση του εδάφους (Land degradation) ορίζεται ως η μείωση της ικανότητας της γης να εκτελέσει τις λειτουργίες των οικοσυστημάτων και των υπηρεσιών που υποστηρίζουν την κοινωνία και την ανάπτυξη. Οι αλλαγές στην χρήση/κάλυψη γης, σε οποιαδήποτε κλίμακα, αν είναι αρνητικές για την ευημερία του περιβάλλοντος έχουν ως αποτέλεσμα την υποβάθμιση του εδάφους. Η υποβάθμιση του εδάφους είναι μια δυναμική διαδικασία και η τηλεπισκόπηση έχει μεγάλη αξία για την παρακολούθηση της οπτικής πλευράς αυτής της διαδικασίας, μέσω της ανάλυσης των αλλαγών στην χρήση γης. Αυτό δύναται να επιτευχθεί με την χρήση δορυφορικών τηλεπισκοπικών τεχνικών για την ποσοτική μέτρηση των αλλαγών της χρήσης/κάλυψης γης μέσα σε μια χρονική περίοδο.
Η περιοχή μελέτης που εξετάζεται στην παρούσα εργασία βρίσκεται στη βορειοανατολική γωνία της Γκάνας, το Bakhu East District. Η γεωργία αποτελεί την κύρια οικονομική δραστηριότητα των κατοίκων, απασχολώντας το 68% του συνόλου των κατοίκων στους τομείς της φυτικής παραγωγής, της κτηνοτροφίας και της δασοκομίας. Γίνεται αντιληπτό ότι λόγω του αγροτικού χαρακτήρα της οικονομίας της περιοχής, ο αντίκτυπος της υποβάθμισης του εδάφους – χαμηλή γονιμότητα εδάφους, διάβρωση του εδάφους, απώλεια φυτικής κάλυψης – είναι μεγάλος στην κοινωνία της περιοχής.
Η αντιστροφή της υποβάθμισης του εδάφους και η μείωση των αρνητικών επιπτώσεων στις ζωές των κατοίκων της περιοχής απαιτεί αειφόρο αναπτυξιακό σχεδιασμό. Απαιτείται λοιπόν κατανόηση των αγρο-οικολογικών προβλημάτων που διαμορφώνουν και υποβαθμίζουν το φυσικό τοπίο. Η πλήρης κατανόηση του προβλήματος επιτυγχάνεται με την συλλογή δεδομένων και γνώσεων σχετικά με τον τρόπο και το μέγεθος της υποβάθμισης του εδάφους. Για να γίνει αυτό χρειάζεται χρονική ανάλυση των διαθέσιμων τηλεπισκοπικών δεδομένων για την περιοχή με παράλληλη ενσωμάτωση της γνώσης της περιοχής.

Προς αυτή την κατεύθυνση κινείται η παρούσα μελέτη, αντικειμενικοί στόχοι της οποίας είναι οι εξής :
* Χρήση τηλεπισκοπικών τεχνικών με σκοπό την λήψη πληροφοριών για τα χωρικά πρότυπα και τις τάσεις υποβάθμισης του εδάφους για την περιοχή μελέτης
* Διερεύνηση της τοπικής γνώσης για την εκτίμηση της υποβάθμισης του εδάφους
* Εξέταση της ένταξης της επιστημονικής και τοπικής γνώσης στη σωστή διαχείριση του εδάφους

'''''2.Μεθοδολογία'''''

Οι βασικές τεχνικές που χρησιμοποιούνται για την συλλογή και την ανάλυση δεδομένων περιλαμβάνουν την τηλεπισκόπηση, την ποιοτική και ποσοτική έρευνα και την ανασκόπηση της βιβλιογραφίας. Όσον αφορά την πλευρά της τηλεπισκόπησης, αποκτήθηκαν και αναλύθηκαν μια εικόνα του δορυφόρου LANDSAT TM του 1989 και δύο εικόνες του LANDSAT ETM+ του 1999 και του 2006 αντίστοιχα, με σκοπό την εξακρίβωση του χωρο-χρονικού μοντέλου υποβάθμισης του εδάφους.(Εικόνες του δορυφόρου LANDSAT έχουν χρησιμοποιηθεί σε προηγούμενες μελέτες βλάστησης που περιλάμβαναν ανίχνευση μεταβολών )
Η περιοχή μελέτης αποτελείται από δύο περιοχές οι οποίες ορίστηκαν στην δορυφορική εικόνα. Οι περιοχές αυτές καταγράφηκαν στις 11/11 και στις 7/11 για τις εικόνες του 1989 και 1999 αντίστοιχα. Η εικόνα όμως του 2006 είχε μόνο μια καταγεγραμμένη περιοχή (από τις 25/10), και για τον λόγο αυτό οι περιοχές των προηγούμενων ετών συγχωνεύθηκαν και αναδιαστασιολογήθηκαν. Η αναδιαστασιολόγηση έγινε έτσι ώστε όλες οι ταξινομημένες εικόνες να έχουν το ίδιο μέγεθος και να μπορεί να πραγματοποιηθεί σύγκριση της χρήσης/κάλυψης γης. Οι εικόνες στην συνέχεια ταξινομήθηκαν ψηφιακά.
Τα κανάλια 4(red) 3(green) 2(blue) χρησιμοποιήθηκαν για την δημιουργία ψευδό-χρωμοσύνθετων εικόνων με την χρήση του λογισμικού ENVI. Μια δοκιμή μη επιβλεπόμενης ταξινόμησης δεν κατάφερε να διαφοροποιήσει συγκεκριμένα χαρακτηριστικά (όπως για παράδειγμα αστική και καλλιεργήσιμη γη), και για τον λόγο αυτό χρησιμοποιήθηκε επιβλεπόμενη ταξινόμηση για την ποιοτική και ποσοτική ανάλυση των τηλεπισκοπικών εικόνων. Πριν την ταξινόμηση, πραγματοποιήθηκε συλλογή δειγμάτων εκπαίδευσης από την περιοχή με την βοήθεια των εικόνων και ενός συστήματος GPS. Η συλλογή έγινε την ίδια χρονική περίοδο(Νοέμβριο) που αποκτήθηκαν και οι εικόνες έτσι ώστε να συσχετίζονται σωστά οι φασματικές αποκρίσεις των εικόνων με τα χαρακτηριστικά του εδάφους. Η ικανότητα διαχωρισμού των τάξεων που έχουν ψηφιοποιηθεί αξιολογήθηκε χρησιμοποιώντας στατιστικά στοιχεία των φασματικών υπογραφών τους. Τιμές διαχωριστικότητας μεγαλύτερες από 1,9 υποδηλώνουν ότι όλες οι φασματικές υπογραφές των κατηγοριών είναι διακριτές, και αυτό διαπιστώθηκε για όλες τις κατηγορίες που αναφέρθηκαν. Η ανίχνευση των αλλαγών πραγματοποιήθηκε μέσω image differencing, αφαιρώντας δηλαδή την ταξινομημένη εικόνα του 1989 από την αντίστοιχη ταξινομημένη εικόνα του 1999, την εικόνα του 1999 από αυτήν του 2006 και την εικόνα του 1989 από αυτήν του 2006.
Για τον εντοπισμό των καμμένων εκτάσεων δημιουργήθηκε ένα χρωμοσύνθετο (κανάλι 6-θερμικό, 4-πράσινο, 3-μπλε), όπου μέσω της μέτρησης της θερμικής ακτινοβολίας (κανάλι 6) διευκολύνθηκε η οριοθέτηση των καμμένων περιοχών. Τα δείγματα εκπαίδευσης ψηφιοποιήθηκαν στην εικόνα.
Κομμάτι της μεθοδολογίας αποτέλεσε και η αξιολόγηση των γνώσεων των ντόπιων πληθυσμών σχετικά με την υποβάθμιση του εδάφους, με σκοπό να εξακριβωθεί πως οι απόψεις τους θα μπορούσαν να συνδυαστούν με την αλλαγή κάλυψης/χρήσης γης για να διαπιστωθεί η υποβάθμιση του εδάφους. Έγιναν επίσης προσωπικές παρατηρήσεις της περιοχής ώστε να συγκεντρωθούν πληροφορίες που ίσως να μην συλλέχθηκαν από τον δορυφόρο.
[[Εικόνα:Art7_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Οι τρεις δορυφορικές εικόνες ταξινομημένες]]

'''''3.Αποτελέσματα'''''

Οι δορυφορικές εικόνες επεξεργάστηκαν και ταξινομήθηκαν σε διάφορες κατηγορίες χρήσης/κάλυψης γης. Οι τελικές κατηγορίες που δημιουργήθηκαν είναι οι εξής :
1. Exposed soil : περιλαμβάνει χωράφια, γυμνό έδαφος, ανασκαφές, οικοδομήσιμες περιοχές
2. Close savannah woodland : περιλαμβάνει δασικές περιοχές, δασικά αποθέματα, προστατευόμενες φυσικές περιοχές
3. Open savannah woodland : περιλαμβάνει περιοχές με λιγότερη κάλυψη από δέντρα σε σχέση με την Close savannah woodland, θάμνους κ.α.
4. Mixture of grasses and shrubs with scattered trees - Grassland : περιλαμβάνει περιοχές όπου το έδαφος καλύπτεται πάνω από 50% με γρασίδι, γεωργικές εκτάσεις που εξακολουθούν να έχουν καλλιέργειες, κ.α.
5. Water bodies : περιλαμβάνει ποτάμια, ρέματα, φράγματα ή δεξαμενές που περιείχαν νερό κατά την περίοδο απεικόνισης
6. Burnt Scars : περιλαμβάνει καμένες περιοχές κ περιοχές που καίγονταν κατά την περίοδο της απεικόνισης
7. Settlement : περιλαμβάνει – κατά κύριο λόγο - κατοικημένες περιοχές

Στην εικόνα 1 φαίνονται τα αποτελέσματα της ταξινόμησης για τις τρεις διαθέσιμες δορυφορικές εικόνες.

Πραγματοποιήθηκαν στατιστική έρευνα για την ανίχνευση των αλλαγών, καθώς και ανά κατηγορία image differencing για την εξακρίβωση των αλλαγών στην χρήση/κάλυψη γης για τις περιόδους ανάμεσα στο 1989 – 1999 και 1989-2006. Παρατηρήθηκαν μεγάλες αλλαγές στις χρήσεις/καλύψεις γης ανάμεσα στις υπό εξέταση χρονικές περιόδους. Η παρακάτω εικόνα που παράχθηκε από το λογισμικό ENVI παρατίθεται για να απεικονίσει τις αλλαγές χρήσεις/κάλυψης γης ανάμεσα στο 1989 και το 2006. Οι περιοχές που απεικονίζονται με μαύρο χρώμα δεν άλλαξαν με την πάροδο του χρόνου, περιοχές όμως με διαφορετικό χρώμα αντιπροσωπεύουν αλλαγές από μια κατηγορία χρήσης/κάλυψης γης σε μια άλλη. Για παράδειγμα, το ανοιχτό πράσινο χρώμα στην παρακάτω εικόνα δείχνει ότι η Close savannah woodland άλλαξε σε Open savannah woodland.

[[category:Υποβάθμιση εδαφών]]

Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους

2013-02-14T21:44:55Z

Pafilis: Νέα σελίδα με ''''Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μ...'

'''Η σημασία της σύνθεσης της επιστημονικής γνώσης με την γνώση των τοπικών συνθηκών για την μελέτη υποβάθμισης του εδάφους'''

'''Πρωτότυπος τίτλος : A synthesis of remote sensing and local knowledge approaches in land degradation assessment in the Bakhu East District, Ghana'''

'''Συγγραφείς : G.A.B. Yiran, J.M. Kusimi, S.K. Kufogbe'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0303243411001395 Science Direct]

'''''1.Εισαγωγή'''''

Η υποβάθμιση του εδάφους (Land degradation) ορίζεται ως η μείωση της ικανότητας της γης να εκτελέσει τις λειτουργίες των οικοσυστημάτων και των υπηρεσιών που υποστηρίζουν την κοινωνία και την ανάπτυξη. Οι αλλαγές στην χρήση/κάλυψη γης, σε οποιαδήποτε κλίμακα, αν είναι αρνητικές για την ευημερία του περιβάλλοντος έχουν ως αποτέλεσμα την υποβάθμιση του εδάφους. Η υποβάθμιση του εδάφους είναι μια δυναμική διαδικασία και η τηλεπισκόπηση έχει μεγάλη αξία για την παρακολούθηση της οπτικής πλευράς αυτής της διαδικασίας, μέσω της ανάλυσης των αλλαγών στην χρήση γης. Αυτό δύναται να επιτευχθεί με την χρήση δορυφορικών τηλεπισκοπικών τεχνικών για την ποσοτική μέτρηση των αλλαγών της χρήσης/κάλυψης γης μέσα σε μια χρονική περίοδο.
Η περιοχή μελέτης που εξετάζεται στην παρούσα εργασία βρίσκεται στη βορειοανατολική γωνία της Γκάνας, το Bakhu East District. Η γεωργία αποτελεί την κύρια οικονομική δραστηριότητα των κατοίκων, απασχολώντας το 68% του συνόλου των κατοίκων στους τομείς της φυτικής παραγωγής, της κτηνοτροφίας και της δασοκομίας. Γίνεται αντιληπτό ότι λόγω του αγροτικού χαρακτήρα της οικονομίας της περιοχής, ο αντίκτυπος της υποβάθμισης του εδάφους – χαμηλή γονιμότητα εδάφους, διάβρωση του εδάφους, απώλεια φυτικής κάλυψης – είναι μεγάλος στην κοινωνία της περιοχής.
Η αντιστροφή της υποβάθμισης του εδάφους και η μείωση των αρνητικών επιπτώσεων στις ζωές των κατοίκων της περιοχής απαιτεί αειφόρο αναπτυξιακό σχεδιασμό. Απαιτείται λοιπόν κατανόηση των αγρο-οικολογικών προβλημάτων που διαμορφώνουν και υποβαθμίζουν το φυσικό τοπίο. Η πλήρης κατανόηση του προβλήματος επιτυγχάνεται με την συλλογή δεδομένων και γνώσεων σχετικά με τον τρόπο και το μέγεθος της υποβάθμισης του εδάφους. Για να γίνει αυτό χρειάζεται χρονική ανάλυση των διαθέσιμων τηλεπισκοπικών δεδομένων για την περιοχή με παράλληλη ενσωμάτωση της γνώσης της περιοχής.

Προς αυτή την κατεύθυνση κινείται η παρούσα μελέτη, αντικειμενικοί στόχοι της οποίας είναι οι εξής :
* Χρήση τηλεπισκοπικών τεχνικών με σκοπό την λήψη πληροφοριών για τα χωρικά πρότυπα και τις τάσεις υποβάθμισης του εδάφους για την περιοχή μελέτης
* Διερεύνηση της τοπικής γνώσης για την εκτίμηση της υποβάθμισης του εδάφους
* Εξέταση της ένταξης της επιστημονικής και τοπικής γνώσης στη σωστή διαχείριση του εδάφους

'''''2.Μεθοδολογία'''''

Οι βασικές τεχνικές που χρησιμοποιούνται για την συλλογή και την ανάλυση δεδομένων περιλαμβάνουν την τηλεπισκόπηση, την ποιοτική και ποσοτική έρευνα και την ανασκόπηση της βιβλιογραφίας. Όσον αφορά την πλευρά της τηλεπισκόπησης, αποκτήθηκαν και αναλύθηκαν μια εικόνα του δορυφόρου LANDSAT TM του 1989 και δύο εικόνες του LANDSAT ETM+ του 1999 και του 2006 αντίστοιχα, με σκοπό την εξακρίβωση του χωρο-χρονικού μοντέλου υποβάθμισης του εδάφους.(Εικόνες του δορυφόρου LANDSAT έχουν χρησιμοποιηθεί σε προηγούμενες μελέτες βλάστησης που περιλάμβαναν ανίχνευση μεταβολών )
Η περιοχή μελέτης αποτελείται από δύο περιοχές οι οποίες ορίστηκαν στην δορυφορική εικόνα. Οι περιοχές αυτές καταγράφηκαν στις 11/11 και στις 7/11 για τις εικόνες του 1989 και 1999 αντίστοιχα. Η εικόνα όμως του 2006 είχε μόνο μια καταγεγραμμένη περιοχή (από τις 25/10), και για τον λόγο αυτό οι περιοχές των προηγούμενων ετών συγχωνεύθηκαν και αναδιαστασιολογήθηκαν. Η αναδιαστασιολόγηση έγινε έτσι ώστε όλες οι ταξινομημένες εικόνες να έχουν το ίδιο μέγεθος και να μπορεί να πραγματοποιηθεί σύγκριση της χρήσης/κάλυψης γης. Οι εικόνες στην συνέχεια ταξινομήθηκαν ψηφιακά.
Τα κανάλια 4(red) 3(green) 2(blue) χρησιμοποιήθηκαν για την δημιουργία ψευδό-χρωμοσύνθετων εικόνων με την χρήση του λογισμικού ENVI. Μια δοκιμή μη επιβλεπόμενης ταξινόμησης δεν κατάφερε να διαφοροποιήσει συγκεκριμένα χαρακτηριστικά (όπως για παράδειγμα αστική και καλλιεργήσιμη γη), και για τον λόγο αυτό χρησιμοποιήθηκε επιβλεπόμενη ταξινόμηση για την ποιοτική και ποσοτική ανάλυση των τηλεπισκοπικών εικόνων. Πριν την ταξινόμηση, πραγματοποιήθηκε συλλογή δειγμάτων εκπαίδευσης από την περιοχή με την βοήθεια των εικόνων και ενός συστήματος GPS. Η συλλογή έγινε την ίδια χρονική περίοδο(Νοέμβριο) που αποκτήθηκαν και οι εικόνες έτσι ώστε να συσχετίζονται σωστά οι φασματικές αποκρίσεις των εικόνων με τα χαρακτηριστικά του εδάφους. Η ικανότητα διαχωρισμού των τάξεων που έχουν ψηφιοποιηθεί αξιολογήθηκε χρησιμοποιώντας στατιστικά στοιχεία των φασματικών υπογραφών τους. Τιμές διαχωριστικότητας μεγαλύτερες από 1,9 υποδηλώνουν ότι όλες οι φασματικές υπογραφές των κατηγοριών είναι διακριτές, και αυτό διαπιστώθηκε για όλες τις κατηγορίες που αναφέρθηκαν. Η ανίχνευση των αλλαγών πραγματοποιήθηκε μέσω image differencing, αφαιρώντας δηλαδή την ταξινομημένη εικόνα του 1989 από την αντίστοιχη ταξινομημένη εικόνα του 1999, την εικόνα του 1999 από αυτήν του 2006 και την εικόνα του 1989 από αυτήν του 2006.
Για τον εντοπισμό των καμμένων εκτάσεων δημιουργήθηκε ένα χρωμοσύνθετο (κανάλι 6-θερμικό, 4-πράσινο, 3-μπλε), όπου μέσω της μέτρησης της θερμικής ακτινοβολίας (κανάλι 6) διευκολύνθηκε η οριοθέτηση των καμμένων περιοχών. Τα δείγματα εκπαίδευσης ψηφιοποιήθηκαν στην εικόνα.
Κομμάτι της μεθοδολογίας αποτέλεσε και η αξιολόγηση των γνώσεων των ντόπιων πληθυσμών σχετικά με την υποβάθμιση του εδάφους, με σκοπό να εξακριβωθεί πως οι απόψεις τους θα μπορούσαν να συνδυαστούν με την αλλαγή κάλυψης/χρήσης γης για να διαπιστωθεί η υποβάθμιση του εδάφους. Έγιναν επίσης προσωπικές παρατηρήσεις της περιοχής ώστε να συγκεντρωθούν πληροφορίες που ίσως να μην συλλέχθηκαν από τον δορυφόρο.

'''''3.Αποτελέσματα'''''

Οι δορυφορικές εικόνες επεξεργάστηκαν και ταξινομήθηκαν σε διάφορες κατηγορίες χρήσης/κάλυψης γης. Οι τελικές κατηγορίες που δημιουργήθηκαν είναι οι εξής :
1. Exposed soil : περιλαμβάνει χωράφια, γυμνό έδαφος, ανασκαφές, οικοδομήσιμες περιοχές
2. Close savannah woodland : περιλαμβάνει δασικές περιοχές, δασικά αποθέματα, προστατευόμενες φυσικές περιοχές
3. Open savannah woodland : περιλαμβάνει περιοχές με λιγότερη κάλυψη από δέντρα σε σχέση με την Close savannah woodland, θάμνους κ.α.
4. Mixture of grasses and shrubs with scattered trees - Grassland : περιλαμβάνει περιοχές όπου το έδαφος καλύπτεται πάνω από 50% με γρασίδι, γεωργικές εκτάσεις που εξακολουθούν να έχουν καλλιέργειες, κ.α.
5. Water bodies : περιλαμβάνει ποτάμια, ρέματα, φράγματα ή δεξαμενές που περιείχαν νερό κατά την περίοδο απεικόνισης
6. Burnt Scars : περιλαμβάνει καμένες περιοχές κ περιοχές που καίγονταν κατά την περίοδο της απεικόνισης
7. Settlement : περιλαμβάνει – κατά κύριο λόγο - κατοικημένες περιοχές
[[Εικόνα:Art7_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Οι τρεις δορυφορικές εικόνες ταξινομημένες]]
Στην εικόνα 1 φαίνονται τα αποτελέσματα της ταξινόμησης για τις τρεις διαθέσιμες δορυφορικές εικόνες.

Πραγματοποιήθηκαν στατιστική έρευνα για την ανίχνευση των αλλαγών, καθώς και ανά κατηγορία image differencing για την εξακρίβωση των αλλαγών στην χρήση/κάλυψη γης για τις περιόδους ανάμεσα στο 1989 – 1999 και 1989-2006. Παρατηρήθηκαν μεγάλες αλλαγές στις χρήσεις/καλύψεις γης ανάμεσα στις υπό εξέταση χρονικές περιόδους. Η παρακάτω εικόνα που παράχθηκε από το λογισμικό ENVI παρατίθεται για να απεικονίσει τις αλλαγές χρήσεις/κάλυψης γης ανάμεσα στο 1989 και το 2006. Οι περιοχές που απεικονίζονται με μαύρο χρώμα δεν άλλαξαν με την πάροδο του χρόνου, περιοχές όμως με διαφορετικό χρώμα αντιπροσωπεύουν αλλαγές από μια κατηγορία χρήσης/κάλυψης γης σε μια άλλη. Για παράδειγμα, το ανοιχτό πράσινο χρώμα στην παρακάτω εικόνα δείχνει ότι η Close savannah woodland άλλαξε σε Open savannah woodland.

[[category:Υποβάθμιση εδαφών]]

Αρχείο:Art7 pic2.jpg

2013-02-14T21:43:44Z

Pafilis:

Αρχείο:Art7 pic1.jpg

2013-02-14T21:43:32Z

Pafilis:

Χαρτογράφηση της δασικής βιομάζας συνδυάζοντας την τεχνολογία της τηλεπισκόπησης με την πληροφορία για την ηλικία των δασών

2013-02-14T21:21:54Z

Pafilis:

'''Χαρτογράφηση της δασικής βιομάζας συνδυάζοντας την τεχνολογία της τηλεπισκόπησης με την πληροφορία για την ηλικία των δασών'''

'''Πρωτότυπος τίτλος : Combining remote sensing imagery and forest age inventory for biomass mapping'''

'''Συγγραφείς : G.Zheng, J.M.Chen, Q.J.Tian, W.M.Ju, X.Q.Xia'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0301479706003008 Science Direct]

Σκοπός της παρούσας μελέτης είναι η απόπειρα δημιουργίας ενός μοντέλου για την χαρτογράφηση της δασικής υπέργειας βιομάζας, συνδυάζοντας την τεχνολογία που μας παρέχει η τηλεπισκόπηση με την πληροφορία για την ηλικία των δασικών αποθεμάτων.

'''''1.Εισαγωγή'''''

[[Εικόνα:Art4_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Χάρτης κάλυψης γης για την περιοχή μελέτης]]
Η υπέργεια βιομάζα (aboveground biomass - AGB) είναι ένα σημαντικό συστατικό του κύκλου του άνθρακα, καθώς τα δασικά οικοσυστήματα αποτελούν ένα μεγάλο μέρος των χερσαίων οικοσυστημάτων που ανταλλάσουν διοξείδιο του άνθρακα CO2 με την ατμόσφαιρα. Πολλές προσπάθειες έχουν γίνει για την χαρτογράφηση της δασικής βιομάζας κυρίως με επιτόπιες μετρήσεις ή κάνοντας χρήση μοντέλων που υπολογίζουν την βιομάζα βασιζόμενα στην διάμετρο του κορμού των δέντρων(δείκτης diameter-at-breast height, DBH),στο ύψος των δέντρων, το μέγεθος και τον όγκο της βλάστησης, και άλλα χαρακτηριστικά. Η μέτρηση όμως αυτών των χαρακτηριστικών είναι χρονοβόρα και δεν μπορεί να πραγματοποιηθεί για μεγάλες εκτάσεις.
Λόγω της μεγάλης χωρικής κάλυψης που προσφέρει η τηλεπισκόπηση, αλλά και της δυνατότητας απόκτησης εικόνων ανά τακτά χρονικά διαστήματα, είναι εφικτή η εξέταση των ιδιοτήτων και της μεταβλητότητας των διαφόρων οικοσυστημάτων σε πολλαπλές κλίμακες. Έχει αποδειχθεί ότι οι εικόνες του δορυφόρου LANDSAT ETM+ είναι ιδιαίτερα χρήσιμες στην δασική διαχείριση όταν συνδυάζονται με επιτόπιες μετρήσεις. Η δασική βιομάζα εξαρτάται από την κάλυψη του εδάφους, την περιεκτικότητα του φυλλώματος σε χλωροφύλλη και την πυκνότητα των δασών, στοιχεία τα οποία επηρεάζουν την καταγεγραμμένη από τους δορυφόρους φασματική απόκριση. Από τις διάφορες μεθόδους που εξετάστηκαν διαπιστώθηκε ότι η υπέργεια δασική βιομάζα μπορεί να εκτιμηθεί από παράγοντες που προσδιορίζουν την πυκνότητα του φυλλώματος, όπως ο δείκτης φυλλώδους επιφάνειας (leaf area index - LAI), συνδυαζόμενες με πληροφορίες σχετικά με την ηλικία και τον τύπο του δάσους. Στην παρούσα εργασία στοχεύουμε α)στην ανάπτυξη ενός αλγορίθμου για την εκτίμηση της υπέργειας βιομάζας (AGB) από τηλεσκοπικά δεδομένα και β)στην παραγωγή ενός – υψηλής ανάλυσης - χάρτη υπέργειας βιομάζας για περαιτέρω μοντελοποίηση της καθαρής πρωτογενούς παραγωγικότητας και του κύκλου του άνθρακα στην Liping County, Guizhou Province, China.

'''''2.Μεθοδολογία'''''

Η περιοχή μελέτης βρίσκεται νοτιοανατολικά της επαρχίας Guizhou, στην Κίνα, όπου η δασική έκταση καταλαμβάνει το μεγαλύτερο ποσοστό της συνολικής έκτασης.
Όσον αφορά τις επιτόπιες μετρήσεις, υπολογίστηκαν διάφορα τοπογραφικά χαρακτηριστικά και παράμετροι σχετική με την βλάστηση. Η δασική βιομάζα υπολογίστηκε με μια relative-growth μέθοδο. Για κάθε ένα από τα δέντρα που συμμετείχαν στην δειγματοληψία συλλέχθηκαν τα απαραίτητα στοιχεία, και η υπέργεια βιομάζα(ΑGB) υπολογίστηκε από τον τύπο '''AGB=a*[((D^2)*H)^b]''', όπου D και Η είναι η διάμετρο του κορμού των δέντρων και το ύψος των δέντρων αντίστοιχα, και a,b συντελεστές παλινδρόμησης.
[[Εικόνα:Art4_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Γραφική αναπαράσταση της σχέσης υπέργειας βιομάζας και του δείκτη φυλλώδους βλάστησης]]
Τρείς δείκτες της βλάστησης, μεταξύ των οποίων ο ΝDVI (normalized difference vegetation index), ο SR (simple ratio) και ο RSR (reduced simple ratio) υπολογίστηκαν από την ανάκλαση των εικόνων στο κόκκινο, το εγγύς υπέρυθρο και το shortwave infrared κανάλι του ΕΤΜ+. Δύο εικόνες του δορυφορικού συστήματος LANDSAT ETM+ χρησιμοποιήθηκαν στην μελέτη. Χρησιμοποιώντας τους συντελεστές κέρδους και αντιστάθμησης οι ψηφιακοί αριθμοί μετατράπηκαν σε ακτινοβολία, από την οποία υπολογίστηκε η ανακλαστικότητα για κάθε κανάλι (εκτός του θερμικού και του παγχρωματικού) με την βοήθεια του μοντέλου «6S». Οι δύο εικόνες που απεικονίζουν την ανακλαστικότητα ενώθηκαν σε μία εικόνα για ολόκληρη την περιοχή μελέτης. Πραγματοποιήθηκε επίσης γεωμετρική διόρθωση της εικόνας και αφαίρεση των επιδράσεων της σκιάς από την εικόνα.

Ένας χάρτης βασισμένος στον δείκτη φυλλώδους επιφάνειας(LΑΙ) εξήχθη χρησιμοποιώντας έναν SRS αλγόριθμο. Η σχέση ανάμεσα στην υπέργεια βιομάζα (ABG) και τον δείκτη φυλλώδους επιφάνειας αναλύθηκε προκειμένου να εξάγουμε στοιχεία για την υπέργεια βιομάζα από τον χάρτη LAI. Σχηματίστηκε με αυτό τον τρόπο ένας χάρτης AGB ο οποίος και χρησιμοποιήθηκε για την εξαγωγή συμπερασμάτων σχετικά με την ηλικία του δάσους. Τελικά οι τρεις δείκτες βλάστησης (NDVI, SR RSR), ο δείκτες LAI και η ηλικία χρησιμοποιήθηκαν για την παραγωγή μοντέλων υπέργειας βλάστησης για τους διάφορους τύπους δασών. Οι κατηγορίες κάλυψης γης κατηγοριοποιήθηκαν σε δύο βήματα. Αρχικά, με την βοήθεια του δείκτη NDVI κατηγοριοποιήθηκαν οι δασικές και οι μη δασικές εκτάσεις και εν συνεχεία οι δασικές εκτάσεις κατηγοριοποιήθηκαν σε 4 υπό-κατηγορίες( πλατύφυλλα, κωνοφόρα, μικτά δάση και μπαμπού) με επιβλεπόμενη ταξινόμηση. Στην εικόνα 1 φαίνεται ο χάρτης κάλυψης γης για την περιοχή μελέτης.

'''''3.Αποτελέσματα'''''

[[Εικόνα:Art4_pic3.jpg | thumb | right |'''Εικόνα 3 :''' Γραφική αναπαράσταση της σχέσης υπέργειας βιομάζας και της ηλικίας των δασών]]
Στην παρούσα εργασία η υπέργεια βιομάζα (AGB) ορίζεται ως η βιομάζα των δέντρων με διάμετρο κορμού μεγαλύτερο από 3cm και ύψος μεγαλύτερο από 1,3m. Η συσχέτιση της υπέργειας βιομάζας με τον δείκτη φυλλώδους βλάστησης (LAI) είναι αρκετά καλή (R2=0,6099) και συγκεκριμένα όταν ο δείκτης LAI έχει τιμή μικρότερη από 4,5 η AGB αυξάνεται γραμμικά, όπως μπορούμε να δούμε και από την αντίστοιχη γραφική παράσταση της εικόνας 2.
Με βάση αυτή την μέθοδο υπολογίστηκε ο αρχικός χάρτης υπέργειας βιομάζας (χάρτης AGB) ο οποίος χρησιμοποιήθηκε για τον υπολογισμό της ηλικίας των δασών, και διαπιστώθηκε ότι η ηλικία των δέντρων είναι στενά συνδεδεμένη με την βιομάζα τους. Από την γραφική παράσταση της εικόνας 3 είναι εμφανές ότι η AGB αυξάνεται μη γραμμικά σε σχέση με την ηλικία των δέντρων.

Οι τρεις δείκτες βλάστησης (NDVI,SR,RSR) που αναφέρθηκαν παραπάνω, ο δείκτης φυλλώδους περιοχής (LAI) και η ηλικία των δέντρων χρησιμοποιήθηκαν για την παραγωγή ενός μοντέλου πρόβλεψης της υπέργειας βιομάζας, χρησιμοποιώντας μια μέθοδο παλινδρόμησης. Διάφορα μοντέλα υπολογισμού της υπέργειας βλάστησης εξετάστηκαν για κάθε ένα τύπο δασικής έκτασης (πχ για τα κωνοφόρα δάση AGB=55.185*LAI + 3.862*AGE – 204.308 με R2=0.937, για τα μικτά δάση AGB=26.808*LAI + 15.181*SR – 60.584 R2=0.931 ). Πραγματοποιήθηκε μια σύγκριση μεταξύ των μοντέλων αυτών και της εκτιμώμενης, από τον τύπο AGB=a*[((D^2)*H)^b], υπέργειας βλάστησης, η οποία έδειξε καλή συσχέτιση(91%) μεταξύ του μοντέλου υπολογισμού AGB που αναπτύχθηκε και της θεωρητικά υπολογιζόμενης AGB.
Χρησιμοποιώντας λοιπόν το μοντέλο υπολογισμού AGB για κάθε τύπο δασικής έκτασης δημιουργήθηκε ο τελικός χάρτης AGB για την υπό εξέταση περιοχή, ο οποίος φαίνεται στν εικόνα 4.Παρατηρείται μια αύξηση της δασικής υπέργειας βιομάζας όσο κινούμαστε από τα βορειοανατολικά προς τα νοτιοδυτικά της υπό μελέτης περιοχής.
[[Εικόνα:Art4_pic5.jpg | thumb | right |'''Εικόνα 4 :''' Χάρτης κατανομής της υπέργειας βιομάζας για την υπό εξέταση περιοχή, με βάση το μοντέλου υπολογισμού που αναπτύχθηκε]]

'''''4.Συμπεράσματα'''''

Τα αποτελέσματα της παρούσας μελέτης έδειξαν ότι το πάντρεμα της πληροφορίας για την κάλυψη γης από υπέργεια βιομάζα με την ηλικία των δέντρων/φυτών βελτιώνει την ακρίβεια της εκτίμησης της ποσότητας της δασικής υπέργειας βιομάζας. Αυτό συμβαίνει γιατί ανάλογα με την ηλικία των δέντρων/φυτών ενός δασικού οικοσυστήματος, η φυλλώδης επιφάνεια να παραμένει σταθερή ενώ ταυτόχρονα να αυξάνεται η υπέργεια βιομάζα του δασικού οικοσυστήματος. Επιπρόσθετα αποδεικνύεται ότι η ακρίβεια της ταξινόμησης της κάλυψης γης παίζει σημαντικό ρόλο στην ακρίβεια του υπολογισμού της AGB.

[[category:Εκτίμηση βιομάζας]]

Χαρτογράφηση σε μεγάλη κλίμακα της κατανομής της βυθισμένης υδρόβιας βλάστησης χρησιμοποιώντας την τηλεπισκόπηση

2013-02-14T21:21:02Z

Pafilis:

'''Χαρτογράφηση σε μεγάλη κλίμακα της κατανομής της βυθισμένης υδρόβιας βλάστησης χρησιμοποιώντας την τηλεπισκόπηση'''

'''Πρωτότυπος τίτλος : Mapping large-scale distribution of submerged aquatic vegetation coverage using remote sensing'''

'''Συγγραφείς : Lin Yuan, Li-Quan Zhang'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S1574954108000071 Science Direct]

Στην παρούσα μελέτη ερευνάται το ενδεχόμενο χρησιμοποίησης της τηλεπισκόπησης για χαρτογράφηση και παρακολούθηση της βυθισμένης υδρόβιας βλάστησης. Για τον σκοπό αυτό εξετάστηκαν οι φασματικές αποκρίσεις των βασικών ειδών που αποτελούν την βυθισμένη υδρόβια βλάστηση σε μια τεχνητή λίμνη στην Σανγκάη.

'''''1. Εισαγωγή'''''

Ο ευτροφισμός των λιμνών είναι ένα από τα πιο σοβαρά περιβαλλοντικά προβλήματα που ενδέχεται να επηρεάσουν την κοινωνικοοικονομική ανάπτυξη της Κίνας. Νέα μέθοδοι για την οικολογική αποκατάσταση των υποβαθμισμένων υδάτινων οικοσυστημάτων αναπτύσσονται ραγδαία και η αποκατάσταση της βυθισμένης υδρόβιας βλάστησης αναγνωρίζεται ως ένα βασικό μέτρο για την αποκατάσταση του ευτροφισμού των λιμνών. Η χαρτογράφηση της αφθονίας και της κατανομής της υδρόβιας βιομάζας είναι απαραίτητη για την διαχείριση της βυθισμένης υδρόβιας βλάστησης, είναι όμως μια πολύ υψηλής έντασης και χρονοβόρα εργασία λόγω των περιορισμών που εισάγονται από τις συνθήκες του υδάτινου περιβάλλοντος. Για τον λόγο αυτό η τηλεπισκόπηση εξελίσσεται σε ένα χρήσιμο εργαλείο για την περιγραφή και ταξινόμηση της βλάστησης σε μεγάλη κλίμακα. Οι μελέτες που προηγήθηκαν προς αυτή την κατεύθυνση έδειξαν ότι για την ερμηνεία των τηλεπισκοπικών εικόνων είναι πολύ σημαντική η κατανόηση της σχέσης μεταξύ της υδρόβιας βλάστησης και των φασματικών χαρακτηριστικών αυτής.
[[Εικόνα:Art3_pic1.jpg | thumb | left |'''Εικόνα 1 :''' H δορυφορική εικόνα Quickbird, μετά από ατμοσφαιρική διόρθωση, για την περιοχή μελέτης(με κίτρινο χρώμα τα δειγματοληπτικά στοιχεία)]]

'''''2.Μεθοδολογία'''''

''2.1 Περιοχές μελέτης - Έρευνες πεδίου και φασματική συλλογή των δεδομένων''

Η περιοχή μελέτης είναι μια τεχνητή λίμνη έκτασης 6 στρεμμάτων, η οποία βρίσκεται στο International Wetland Park, στο νησί Chongming της Κίνας. Το βάθος της λίμνης είναι περίπου από 1 ως 3 μέτρα, ενώ η συγκέντρωση χλωροφύλλης και αιωρούμενων υλικών στο νερό υπολογίστηκαν σε 20.1μg/l και 28.4mg/l αντίστοιχα κατά την διάρκεια των μετρήσεων πεδίου.
Εκατό δειγματοληπτικά σημεία με μ διαφορετικό βαθμό κάλυψης από βυθισμένη υδρόβια βλάστηση συγκεντρώθηκαν για την λίμνη και η θέση κάθε σημείου καταγράφηκε μέσω συστήματος GPS. Για κάθε σημείο συλλέχθηκε ένα ζεύγος μετρήσεων αναφορικά με τον βαθμό κάλυψης από υδρόβια βλάστηση και την αντίστοιχη φασματική ανακλαστικότητα. Ο βαθμός κάλυψης των σημείων με υδρόβια βλάστηση βαθμολογήθηκε από το 0 ως το 10. Οι φασματικές μετρήσεις, είκοσι(20) για κάθε δειγματοληπτικό σημείο, έγιναν με την χρήση ενός FieldSpec Pro JR Field Portable Spectroradiometer της εταιρίας ASD Inc. Η συλλογή δεδομένων έγινε στην περιοχή 350nm-2500nm με βήμα δειγματοληψίας 1,4nm στα 350-100nm και 2nm στα 1000-2500nm.

''2.2 Επεξεργασία φασματικών δεδομένων''

Τα φασματικά δεδομένα μεταφράστηκαν σε ανακλαστικότητα με το λογισμικό Viewspec Pro 4.02 της ASD Inc. Στην συνέχεια υπολογίστηκε ο μέσος όρος των τιμών ανακλαστικότητας για κάθε δειγματοληπτικό σημείο και επεξεργάστηκαν κατάλληλα προκειμένου να αναπαραστήσουν τα τέσσερα κανάλια του QuickBird(μπλε : 450nm-520nm, κόκκινο : 520nm-600nm, πράσινο : 630nm-690nm, εγγύς υπέρυθρο : 760nm-900nm). Τέλος, η ποσοτική σχέση μεταξύ του βαθμού κάλυψης της βλάστησης και της φασματικής ανακλαστικότητας της πραγματοποιήθηκε χρησιμοποιώντας τα πακέτα SPSS11.0 και OriginLab 7.5.

''2.3 Επεξεργασία τηλεπισκοπικής εικόνας''

Μια δορυφορική εικόνα του δορυφορικού συστήματος Quickbird για την περιοχή μελέτης αποκτήθηκε. Στην εικόνα πραγματοποιήθηκαν γεωμετρικές και ατμοσφαιρικές διορθώσεις και στην συνέχεια μετατράπηκαν οι ψηφιακές τιμές που καταγράφονται από τον αισθητήρα σε τιμές ανακλαστικότητας. Η ανακλαστικότητα του εδάφους (από την εικόνα) ανάγεται σε βαθμό κάλυψης από βυθισμένη υδρόβια βλάστηση - χρησιμοποιώντας την συνάρτηση παλινδρόμησης ανάμεσα σε βαθμό κάλυψης και ανακλαστικότητα που αναφέραμε και παραπάνω αλλά και σε επιτόπιες μετρήσεις ανακλαστικότητας – στα τέσσερα κανάλια του δορυφόρου QuickBird. Επίσης, με βάση τον μεγαλύτερο συντελεστή παλινδρόμησης ανάμεσα στα 4 κανάλια του δορυφόρου, ένας χάρτης κατανομής του βαθμού κάλυψης της βυθμισμένης υδρόβιας βλάστησης για την περιοχή μελέτης παρήχθει με επιβλεπόμενη ταξινόμηση.
[[Εικόνα:Art3_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Καπύλες ανακλαστικότητας της βυθισμένης υδρόβιας βλάστησης ανάλογα με τον βαθμό(%) κάλυψης της λίμνης]]

''2.4 Εκτίμηση ακρίβειας''

Ανάμεσα στα 100 δειγματοληπτικά σημεία στα οποία μετρήθηκε επί τόπου η φασματική ανακλαστικότητα της βυθισμένης υδρόβιας βλάστησης, τα 86 χρησιμοποιήθηκαν για εκτίμηση της ακρίβειας, καθώς τα υπόλοιπα 14 καλύπτονταν από σύννεφα. Η εκτίμηση βασίστηκε στην σύγκριση των κατηγοριών (class label) της δορυφορικής εικόνας με εδαφικά δεδομένα για ένα σετ συγκεκριμένων τοποθεσιών, και πραγματοποιήθηκε χρησιμοποιώντας το λογισμικό ArcGis.

'''''3.Αποτελέσματα - Συμπεράσματα'''''

Όσον αφορά τα φασματικά χαρακτηριστικά της βυθισμένης υδρόβιας βλάστησης της λίμνης, παρατηρήθηκε ότι η φασματική καμπύλη ανακλαστικότητας που σχηματίζεται αποτελεί μια τυπική καμπύλη ανακλαστικότητας για την βλάστηση, με μια μικρή κορυφή περίπου στα 550nm και μεγάλη ανακλαστικότητα στα 700nm(εγγύς υπέρυθρο). Στο διάγραμμα της εικόνας 2 μπορούμε να δούμε ότι η ανακλαστικότητα μειώνεται ομαλά σε σχέση με τον βαθμό κάλυψης από υδρόβια βλάστηση, ειδικά στο υπέρυθρο φάσμα.
[[Εικόνα:Art3_pic3.jpg | thumb | left |'''Εικόνα 3 :''' Ανάλυσης παλινδρόμησης μεταξύ του βαθμού κάλυψης υδρόβιας βλάστησης και της ανακλαστικότητας στα 4 κανάλια του QuickBird]]
Υπολογίστηκε επίσης ένα συντελεστής συσχέτισης προκειμένου να κατανοήσουμε την ισχυρή συσχέτιση μεταξύ βαθμού κάλυψης υδρόβιας βλάστησης και ανακλαστικότητας. Αποδείχθηκε ότι υπάρχει μια πολύ μεγάλη συσχέτιση όταν το μήκος κύματος κυμαίνεται από 400nm – 900nm και ιδιαίτερα στα διαστήματα 400-650nm και 680-900nm.Δηλαδή όσο μεγαλύτερη η κάλυψη από υδρόβια βλάστηση τόσο μεγαλύτερη και η ανακλαστικότητα σε αυτά τα μήκη κύματος. Πραγματοποιήθηκε επίσης μια ανάλυση παλινδρόμησης μεταξύ των διαφόρων βαθμών κάλυψης της υδρόβιας βλάστησης και της ανακλαστικότητας αυτής για τα 4 κανάλια του δορυφόρου Quickbird, και τα αποτελέσματα αυτής(παρουσιάζονται γραφικά στην εικόνα 3) έδειξαν ότι ο συντελεστής παλινδρόμησης στο κανάλι 4 ήταν ο μεγαλύτερος. Ο χάρτης κατανομής της υδρόβιας βλάστησης(εικόνα 4) που δημιουργήθηκε με βάση τον μεγαλύτερο συντελεστή παλινδρόμησης των 4 καναλιών του QuickBird , δείχνει ότι ο βαθμός κάλυψης της βυθισμένης υδρόβιας βλάστησης κυμαίνεται μεταξύ των βαθμών 7-10 στην κλίμακα κάλυψης.
[[Εικόνα:Art3_pic4.jpg | thumb | right |'''Εικόνα 4 :''' Χάρτης κατανομής της υδρόβιας βλάστησης για την περιοχή μελέτης]]
Το ποσοστό ακρίβειας της μεθόδου, όπως αυτή υπολογίστηκε διαιρώντας το άθροισμα των σωστά προβλεφθέντων pixel με το σύνολο των δειγμάτων κυμαίνεται στο 78,79%, δείχνοντας ότι η κατανομή της βυθισμένης υδρόβια βλάστησης μπορεί να συναχθεί από τα τηλεσκοπικά δεδομένα, σε συνδυασμό με την συσχέτιση του βαθμού κάλυψης και της ανακλαστικότητας που μετράται επί τόπου.

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

Παφίλης Απόστολος

2013-02-14T21:19:56Z

Pafilis:

Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird

2013-02-14T21:18:54Z

Pafilis:

'''Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird'''

'''Πρωτότυπος τίτλος : Identification and mapping of submerged plants in a shallow lake using quickbird satellite data'''

'''Συγγραφείς : Ozge Karabulut Dogan, Zuhal Akyurek, Meryem Beklioglu'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0301479708000340 Science Direct]

Σκοπός της παρούσας μελέτης είναι η αναγνώριση και χαρτογράφηση των υδρόβιων φυτών της λίμνης Morgan που βρίσκεται στην Κεντρική Ανατολία, χρησιμοποιώντας εικόνες του δορυφόρου Quickbird.

'''''1.Εισαγωγή'''''

Οι λίμνες και οι υδροβιότοποι αποτελούν σημαντικά οικοσυστήματα τόσο από οικολογική όσο και από οικονομική άποψη. Τα υδρόβια φυτά που αναπτύσσονται στις λίμνες είναι πολύ σημαντικά για την διατήρηση της βιοποικιλότητας των υδάτινων οικοσυστημάτων, ενώ η απώλεια τους μπορεί να επηρεάσει, εκτός από τους άλλους μικροοργανισμούς που ζουν στα οικοσυστήματα αυτά, ακόμα και την καθαρότητα των υδάτων. Για τους παραπάνω και άλλους πολλούς λόγους, η ταυτοποίηση και παρακολούθηση των υδρόβιων φυτών κρίνεται πολύ σημαντική για την ανάπτυξη ενός σωστού σχεδιασμού διαχείρισης των υδάτινων οικοσυστημάτων.
Η ύπαρξη πολλών και μεγάλων σε έκταση υδάτινων οικοσυστημάτων στην Τουρκία, αλλά και οι δυσκολίες που υπάρχουν στις επιτόπιες έρευνες των οικοσυστημάτων αυτών (χρονοβόρα και πολυδάπανη εργασία, κ.α) οδηγούν στην ενσωμάτωση νέων τεχνολογιών που θα διευκολύνουν την έρευνα. Το γεγονός ότι η υποβρύχια βλάστηση κατά την διάρκεια της περιόδου όπου αναπτύσσεται απορροφά την ερυθρή ακτινοβολία, οδηγεί στο συμπέρασμα ότι η τηλεπισκόπηση μπορεί να συνεισφέρει στην μελέτη και παρακολούθηση των υδρόβιων φυτών των λιμνών.
[[Εικόνα:Art6_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Δορυφορική εικόνα της λίμνης Morgan]]
Στην παρούσα εργασία λοιπόν γίνεται απόπειρα αναγνώρισης και χαρτογράφησης των υποβρύχιων δυτών της λίμνης Morgan χρησιμοποιώντας δορυφορικά δεδομένα υψηλής χωρικής ανάλυσης του συστήματος QuickBird.

'''''2.Μεθοδολογία'''''

Η μελέτη διεξήχθη στην λίμνη Morgan, η οποία βρίσκεται 20 χλμ νότια της τούρκικης πρωτεύουσας. Οι δειγματοληπτικές μετρήσεις πραγματοποιήθηκαν στην λίμνη στις 23/8, 26/8 και 1/9,περίοσος όπου τα υδρόβια φυτά έχουν αναπτυχθεί πλήρως. η επιφάνεια της λίμνης διαιρέθηκε σε 15 μέρη και επιλέχθηκαν 66 δειγματοληπτικά σημεία μεγέθους 1m2. Οι συντεταγμένες για κάθε σημείο δειγματοληψίας καταγράφηκαν με την βοήθεια ενός GPS ακρίβειας 2m. Τα υποβρύχια είδη φυτών που συλλέχθηκαν από κάθε δειγματοληπτικό σημείο αναγνωρίστηκαν χρησιμοποιώντας κλειδιά ταυτοποίησης υδρόβιων φυτών. Το ποσοστό κάλυψης της υποβρύχιας βλάστησης από τα διάφορα είδη φυτών(Potamogeton Pectinatus, Najas minor, Najas marina, Myriophyllum spicatum) καταγράφηκε όπως επίσης και ένας δείκτης για την διαύγεια του νερού και την πυκνότητα των υποβρύχιων φυτών, ο SDD(Secchi Disk Depth).
Ο δείκτης SDD μαζί με τις μετρήσεις για το βάθος του νερού(Water Depth) της λίμνης χρησιμοποιήθηκαν για την δημιουργία ξεχωριστών κατηγοριών για το νερό. Για παράδειγμα όταν η τιμή WD είναι λιγότερο από 2*SDD τότε θεωρείται ότι η ποικιλομορφία και η ετερογένεια της υποβρύχιας βλάστησης προκαλούν προβλήματα ευκρίνειας.
Μια πολυφασματική εικόνα του συστήματος QuickBird (αποκτήθηκε στις 6/8/05) χωρικής ανάλυσης 2.41m X 2.41m χρησιμοποιήθηκε στην παρούσα μελέτη. Η εικόνα ήταν καθαρή, χωρίς έντονες σκιάσεις και υπέστη γεωμετρική διόρθωση με βάση 13 σημεία ελέγχου. Το σφάλμα (Root Mean Square Error) της γεωμετρικής διόρθωσης ήταν 0.31 pixels για την διάσταση Χ και 0.46 pixels για την διάσταση Υ.

Η ανάλυση των δορυφορικών δεδομένων περιλάμβανε τα εξής :
* Ψηφιοποίηση των δεδομένων για να μπορέσει να γίνει διασαφήνιση των ορίων μεταξύ επίγειας και υδρόβιας ανάπτυξης των καλαμώνων. Τα διανυσματικά δεδομένα που προέκυψαν χρησιμοποιήθηκαν για την κατασκευή ενός bitmap από το οποίο παρήχθη μια εικόνα που απεικονίζει μόνο τον υδροβιότοπο.
* Εφαρμόστηκε στην παραγόμενη εικόνα του υδροβιότοπου μη επιβλεπόμενη ταξινόμηση με την μέθοδο k-means, με την οποία η εικόνα ταξινομήθηκε σε 2 κατηγορίες, περιοχές όπου υπάρχει κάλυψη με καλαμιές και περιοχές όπου δεν υπάρχουν καλαμιές. Η ταξινόμηση έγινε με ακρίβεια 94,69%.
* Τα διανυσματικά δεδομένα που πρόεκυψαν από την ψηφιοποίηση χρησιμοποιήθηκαν αυτή την φορά για την δημιουργία μιας μάσκας η οποία θα καλύψει την περιοχή των καλαμώνων. Η μάσκα καθορίστηκε τιμές ανακλαστικότητας των καναλιών για κάθε pixel.
* Στην συνέχεια με την μέθοδο μη επιβλεπόμενης ταξινόμησης isodata έγινε διάκριση μεταξύ του νερού και της υποβρύχιας βλάστησης. Στην πορεία οι δύο αυτές μεγάλες κατηγορίες έσπασαν σε επιμέρους υποκατηγορίες προκειμένου να γίνει σαφής διάκριση μεταξύ των ειδών της υποβρύχιας βλάστησης και των κατηγοριών του νερού. Δημιουργήθηκαν οι κατηγορίες «Water A (2*SDD>WD)», «Water B (2*SDD<WD)», «P.Pectinatus», «Najas spp at the surface», «Najas spp below the surface». Η ανάλυση ακρίβειας έδειξε ότι σημεία όπου η κάλυψη της επιφάνειας από υποβρύχια βλάστηση ήταν μικρότερη από 30%, λαμβάνονται λανθασμένα ως pixel νερού.
[[Εικόνα:Art6_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Θεματικός χάρτης με ταξινομημένα τα είδη υπόβρυχιας βλάστησης]]

'''''3.Αποτελέσματα - Συμπεράσματα'''''

Ο θεματικός χάρτης που προκύπτει από την λεπτομερή ταξινόμηση των ειδών της υποβρύχιας βλάστησης και των κατηγοριών του νερού παρουσιάζεται στην εικόνα 2.
Η ταξινόμηση για την κάλυψη της λίμνης από υποβρύχια βλάστηση έγινε με συνολικό ποσοστό ακρίβειας 83,02%, παρά τα προβλήματα που υπήρχαν(πχ χαμηλή διαύγεια του νερού, δειγματοληπτικά σημεία μεγέθους 1Χ1 που οδήγησαν σε προβλήματα ευκρίνειας λόγω μεγέθους pixel 2,41 X 2,41, κ.α.). Αντίστοιχα, η ταξινόμησης των διαφόρων υποβρύχιων ειδών και των κατηγοριών νερού ολοκληρώθηκε με ποσοστό 71,69%.
Προκύπτει λοιπόν ότι η ακρίβεια των αποτελεσμάτων είναι πολύ ικανοποιητική, γεγονός που μας επιτρέπει να χρησιμοποιήσουμε δεδομένα δορυφορικών συστημάτων, όπως ο QuickBird, για αντίστοιχες μελέτες. Για την επαλήθευση και βελτίωση των όποιων ευρημάτων προκύπτουν από την επεξεργασία των τηλεπισκοπικών δεδομένων είναι απαραίτητες οι επιτόπιες μετρήσεις.

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird

2013-02-14T21:18:24Z

Pafilis:

'''Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird'''

'''Πρωτότυπος τίτλος : Identification and mapping of submerged plants in a shallow lake using quickbird satellite data'''

'''Συγγραφείς : Ozge Karabulut Dogan, Zuhal Akyurek, Meryem Beklioglu'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0301479708000340 Science Direct]

Σκοπός της παρούσας μελέτης είναι η αναγνώριση και χαρτογράφηση των υδρόβιων φυτών της λίμνης Morgan που βρίσκεται στην Κεντρική Ανατολία, χρησιμοποιώντας εικόνες του δορυφόρου Quickbird.

'''''1.Εισαγωγή'''''

Οι λίμνες και οι υδροβιότοποι αποτελούν σημαντικά οικοσυστήματα τόσο από οικολογική όσο και από οικονομική άποψη. Τα υδρόβια φυτά που αναπτύσσονται στις λίμνες είναι πολύ σημαντικά για την διατήρηση της βιοποικιλότητας των υδάτινων οικοσυστημάτων, ενώ η απώλεια τους μπορεί να επηρεάσει, εκτός από τους άλλους μικροοργανισμούς που ζουν στα οικοσυστήματα αυτά, ακόμα και την καθαρότητα των υδάτων. Για τους παραπάνω και άλλους πολλούς λόγους, η ταυτοποίηση και παρακολούθηση των υδρόβιων φυτών κρίνεται πολύ σημαντική για την ανάπτυξη ενός σωστού σχεδιασμού διαχείρισης των υδάτινων οικοσυστημάτων.
Η ύπαρξη πολλών και μεγάλων σε έκταση υδάτινων οικοσυστημάτων στην Τουρκία, αλλά και οι δυσκολίες που υπάρχουν στις επιτόπιες έρευνες των οικοσυστημάτων αυτών (χρονοβόρα και πολυδάπανη εργασία, κ.α) οδηγούν στην ενσωμάτωση νέων τεχνολογιών που θα διευκολύνουν την έρευνα. Το γεγονός ότι η υποβρύχια βλάστηση κατά την διάρκεια της περιόδου όπου αναπτύσσεται απορροφά την ερυθρή ακτινοβολία, οδηγεί στο συμπέρασμα ότι η τηλεπισκόπηση μπορεί να συνεισφέρει στην μελέτη και παρακολούθηση των υδρόβιων φυτών των λιμνών.
[[Εικόνα:Art6_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Δορυφορική εικόνα της λίμνης Morgan]]
Στην παρούσα εργασία λοιπόν γίνεται απόπειρα αναγνώρισης και χαρτογράφησης των υποβρύχιων δυτών της λίμνης Morgan χρησιμοποιώντας δορυφορικά δεδομένα υψηλής χωρικής ανάλυσης του συστήματος QuickBird.

'''''2.Μεθοδολογία'''''

Η μελέτη διεξήχθη στην λίμνη Morgan, η οποία βρίσκεται 20 χλμ νότια της τούρκικης πρωτεύουσας. Οι δειγματοληπτικές μετρήσεις πραγματοποιήθηκαν στην λίμνη στις 23/8, 26/8 και 1/9,περίοσος όπου τα υδρόβια φυτά έχουν αναπτυχθεί πλήρως. η επιφάνεια της λίμνης διαιρέθηκε σε 15 μέρη και επιλέχθηκαν 66 δειγματοληπτικά σημεία μεγέθους 1m2. Οι συντεταγμένες για κάθε σημείο δειγματοληψίας καταγράφηκαν με την βοήθεια ενός GPS ακρίβειας 2m. Τα υποβρύχια είδη φυτών που συλλέχθηκαν από κάθε δειγματοληπτικό σημείο αναγνωρίστηκαν χρησιμοποιώντας κλειδιά ταυτοποίησης υδρόβιων φυτών. Το ποσοστό κάλυψης της υποβρύχιας βλάστησης από τα διάφορα είδη φυτών(Potamogeton Pectinatus, Najas minor, Najas marina, Myriophyllum spicatum) καταγράφηκε όπως επίσης και ένας δείκτης για την διαύγεια του νερού και την πυκνότητα των υποβρύχιων φυτών, ο SDD(Secchi Disk Depth).
Ο δείκτης SDD μαζί με τις μετρήσεις για το βάθος του νερού(Water Depth) της λίμνης χρησιμοποιήθηκαν για την δημιουργία ξεχωριστών κατηγοριών για το νερό. Για παράδειγμα όταν η τιμή WD είναι λιγότερο από 2*SDD τότε θεωρείται ότι η ποικιλομορφία και η ετερογένεια της υποβρύχιας βλάστησης προκαλούν προβλήματα ευκρίνειας.
Μια πολυφασματική εικόνα του συστήματος QuickBird (αποκτήθηκε στις 6/8/05) χωρικής ανάλυσης 2.41m X 2.41m χρησιμοποιήθηκε στην παρούσα μελέτη. Η εικόνα ήταν καθαρή, χωρίς έντονες σκιάσεις και υπέστη γεωμετρική διόρθωση με βάση 13 σημεία ελέγχου. Το σφάλμα (Root Mean Square Error) της γεωμετρικής διόρθωσης ήταν 0.31 pixels για την διάσταση Χ και 0.46 pixels για την διάσταση Υ.
Η ανάλυση των δορυφορικών δεδομένων περιλάμβανε τα εξής :
* Ψηφιοποίηση των δεδομένων για να μπορέσει να γίνει διασαφήνιση των ορίων μεταξύ επίγειας και υδρόβιας ανάπτυξης των καλαμώνων. Τα διανυσματικά δεδομένα που προέκυψαν χρησιμοποιήθηκαν για την κατασκευή ενός bitmap από το οποίο παρήχθη μια εικόνα που απεικονίζει μόνο τον υδροβιότοπο.
* Εφαρμόστηκε στην παραγόμενη εικόνα του υδροβιότοπου μη επιβλεπόμενη ταξινόμηση με την μέθοδο k-means, με την οποία η εικόνα ταξινομήθηκε σε 2 κατηγορίες, περιοχές όπου υπάρχει κάλυψη με καλαμιές και περιοχές όπου δεν υπάρχουν καλαμιές. Η ταξινόμηση έγινε με ακρίβεια 94,69%.
* Τα διανυσματικά δεδομένα που πρόεκυψαν από την ψηφιοποίηση χρησιμοποιήθηκαν αυτή την φορά για την δημιουργία μιας μάσκας η οποία θα καλύψει την περιοχή των καλαμώνων. Η μάσκα καθορίστηκε τιμές ανακλαστικότητας των καναλιών για κάθε pixel.
* Στην συνέχεια με την μέθοδο μη επιβλεπόμενης ταξινόμησης isodata έγινε διάκριση μεταξύ του νερού και της υποβρύχιας βλάστησης. Στην πορεία οι δύο αυτές μεγάλες κατηγορίες έσπασαν σε επιμέρους υποκατηγορίες προκειμένου να γίνει σαφής διάκριση μεταξύ των ειδών της υποβρύχιας βλάστησης και των κατηγοριών του νερού. Δημιουργήθηκαν οι κατηγορίες «Water A (2*SDD>WD)», «Water B (2*SDD<WD)», «P.Pectinatus», «Najas spp at the surface», «Najas spp below the surface». Η ανάλυση ακρίβειας έδειξε ότι σημεία όπου η κάλυψη της επιφάνειας από υποβρύχια βλάστηση ήταν μικρότερη από 30%, λαμβάνονται λανθασμένα ως pixel νερού.
[[Εικόνα:Art6_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Θεματικός χάρτης με ταξινομημένα τα είδη υπόβρυχιας βλάστησης]]

'''''3.Αποτελέσματα - Συμπεράσματα'''''

Ο θεματικός χάρτης που προκύπτει από την λεπτομερή ταξινόμηση των ειδών της υποβρύχιας βλάστησης και των κατηγοριών του νερού παρουσιάζεται στην εικόνα 2.
Η ταξινόμηση για την κάλυψη της λίμνης από υποβρύχια βλάστηση έγινε με συνολικό ποσοστό ακρίβειας 83,02%, παρά τα προβλήματα που υπήρχαν(πχ χαμηλή διαύγεια του νερού, δειγματοληπτικά σημεία μεγέθους 1Χ1 που οδήγησαν σε προβλήματα ευκρίνειας λόγω μεγέθους pixel 2,41 X 2,41, κ.α.). Αντίστοιχα, η ταξινόμησης των διαφόρων υποβρύχιων ειδών και των κατηγοριών νερού ολοκληρώθηκε με ποσοστό 71,69%.
Προκύπτει λοιπόν ότι η ακρίβεια των αποτελεσμάτων είναι πολύ ικανοποιητική, γεγονός που μας επιτρέπει να χρησιμοποιήσουμε δεδομένα δορυφορικών συστημάτων, όπως ο QuickBird, για αντίστοιχες μελέτες. Για την επαλήθευση και βελτίωση των όποιων ευρημάτων προκύπτουν από την επεξεργασία των τηλεπισκοπικών δεδομένων είναι απαραίτητες οι επιτόπιες μετρήσεις.

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird

2013-02-14T21:17:36Z

Pafilis: Νέα σελίδα με ''''Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομέ...'

'''Αναγνώριση και χαρτογράφηση των υποβρύχιων φυτών σε μια ρηχή λίμνη χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος QuickBird'''

'''Πρωτότυπος τίτλος : Identification and mapping of submerged plants in a shallow lake using quickbird satellite data'''

'''Συγγραφείς : Ozge Karabulut Dogan, Zuhal Akyurek, Meryem Beklioglu'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0301479708000340 Science Direct]

Σκοπός της παρούσας μελέτης είναι η αναγνώριση και χαρτογράφηση των υδρόβιων φυτών της λίμνης Morgan που βρίσκεται στην Κεντρική Ανατολία, χρησιμοποιώντας εικόνες του δορυφόρου Quickbird.

'''''1.Εισαγωγή'''''

Οι λίμνες και οι υδροβιότοποι αποτελούν σημαντικά οικοσυστήματα τόσο από οικολογική όσο και από οικονομική άποψη. Τα υδρόβια φυτά που αναπτύσσονται στις λίμνες είναι πολύ σημαντικά για την διατήρηση της βιοποικιλότητας των υδάτινων οικοσυστημάτων, ενώ η απώλεια τους μπορεί να επηρεάσει, εκτός από τους άλλους μικροοργανισμούς που ζουν στα οικοσυστήματα αυτά, ακόμα και την καθαρότητα των υδάτων. Για τους παραπάνω και άλλους πολλούς λόγους, η ταυτοποίηση και παρακολούθηση των υδρόβιων φυτών κρίνεται πολύ σημαντική για την ανάπτυξη ενός σωστού σχεδιασμού διαχείρισης των υδάτινων οικοσυστημάτων.
Η ύπαρξη πολλών και μεγάλων σε έκταση υδάτινων οικοσυστημάτων στην Τουρκία, αλλά και οι δυσκολίες που υπάρχουν στις επιτόπιες έρευνες των οικοσυστημάτων αυτών (χρονοβόρα και πολυδάπανη εργασία, κ.α) οδηγούν στην ενσωμάτωση νέων τεχνολογιών που θα διευκολύνουν την έρευνα. Το γεγονός ότι η υποβρύχια βλάστηση κατά την διάρκεια της περιόδου όπου αναπτύσσεται απορροφά την ερυθρή ακτινοβολία, οδηγεί στο συμπέρασμα ότι η τηλεπισκόπηση μπορεί να συνεισφέρει στην μελέτη και παρακολούθηση των υδρόβιων φυτών των λιμνών.
Στην παρούσα εργασία λοιπόν γίνεται απόπειρα αναγνώρισης και χαρτογράφησης των υποβρύχιων δυτών της λίμνης Morgan χρησιμοποιώντας δορυφορικά δεδομένα υψηλής χωρικής ανάλυσης του συστήματος QuickBird.

'''''2.Μεθοδολογία'''''

[[Εικόνα:Art6_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Δορυφορική εικόνα της λίμνης Morgan]]
Η μελέτη διεξήχθη στην λίμνη Morgan, η οποία βρίσκεται 20 χλμ νότια της τούρκικης πρωτεύουσας. Οι δειγματοληπτικές μετρήσεις πραγματοποιήθηκαν στην λίμνη στις 23/8, 26/8 και 1/9,περίοσος όπου τα υδρόβια φυτά έχουν αναπτυχθεί πλήρως. η επιφάνεια της λίμνης διαιρέθηκε σε 15 μέρη και επιλέχθηκαν 66 δειγματοληπτικά σημεία μεγέθους 1m2. Οι συντεταγμένες για κάθε σημείο δειγματοληψίας καταγράφηκαν με την βοήθεια ενός GPS ακρίβειας 2m. Τα υποβρύχια είδη φυτών που συλλέχθηκαν από κάθε δειγματοληπτικό σημείο αναγνωρίστηκαν χρησιμοποιώντας κλειδιά ταυτοποίησης υδρόβιων φυτών. Το ποσοστό κάλυψης της υποβρύχιας βλάστησης από τα διάφορα είδη φυτών(Potamogeton Pectinatus, Najas minor, Najas marina, Myriophyllum spicatum) καταγράφηκε όπως επίσης και ένας δείκτης για την διαύγεια του νερού και την πυκνότητα των υποβρύχιων φυτών, ο SDD(Secchi Disk Depth).
Ο δείκτης SDD μαζί με τις μετρήσεις για το βάθος του νερού(Water Depth) της λίμνης χρησιμοποιήθηκαν για την δημιουργία ξεχωριστών κατηγοριών για το νερό. Για παράδειγμα όταν η τιμή WD είναι λιγότερο από 2*SDD τότε θεωρείται ότι η ποικιλομορφία και η ετερογένεια της υποβρύχιας βλάστησης προκαλούν προβλήματα ευκρίνειας.
Μια πολυφασματική εικόνα του συστήματος QuickBird (αποκτήθηκε στις 6/8/05) χωρικής ανάλυσης 2.41m X 2.41m χρησιμοποιήθηκε στην παρούσα μελέτη. Η εικόνα ήταν καθαρή, χωρίς έντονες σκιάσεις και υπέστη γεωμετρική διόρθωση με βάση 13 σημεία ελέγχου. Το σφάλμα (Root Mean Square Error) της γεωμετρικής διόρθωσης ήταν 0.31 pixels για την διάσταση Χ και 0.46 pixels για την διάσταση Υ.
Η ανάλυση των δορυφορικών δεδομένων περιλάμβανε τα εξής :
* Ψηφιοποίηση των δεδομένων για να μπορέσει να γίνει διασαφήνιση των ορίων μεταξύ επίγειας και υδρόβιας ανάπτυξης των καλαμώνων. Τα διανυσματικά δεδομένα που προέκυψαν χρησιμοποιήθηκαν για την κατασκευή ενός bitmap από το οποίο παρήχθη μια εικόνα που απεικονίζει μόνο τον υδροβιότοπο.
* Εφαρμόστηκε στην παραγόμενη εικόνα του υδροβιότοπου μη επιβλεπόμενη ταξινόμηση με την μέθοδο k-means, με την οποία η εικόνα ταξινομήθηκε σε 2 κατηγορίες, περιοχές όπου υπάρχει κάλυψη με καλαμιές και περιοχές όπου δεν υπάρχουν καλαμιές. Η ταξινόμηση έγινε με ακρίβεια 94,69%.
* Τα διανυσματικά δεδομένα που πρόεκυψαν από την ψηφιοποίηση χρησιμοποιήθηκαν αυτή την φορά για την δημιουργία μιας μάσκας η οποία θα καλύψει την περιοχή των καλαμώνων. Η μάσκα καθορίστηκε τιμές ανακλαστικότητας των καναλιών για κάθε pixel.
* Στην συνέχεια με την μέθοδο μη επιβλεπόμενης ταξινόμησης isodata έγινε διάκριση μεταξύ του νερού και της υποβρύχιας βλάστησης. Στην πορεία οι δύο αυτές μεγάλες κατηγορίες έσπασαν σε επιμέρους υποκατηγορίες προκειμένου να γίνει σαφής διάκριση μεταξύ των ειδών της υποβρύχιας βλάστησης και των κατηγοριών του νερού. Δημιουργήθηκαν οι κατηγορίες «Water A (2*SDD>WD)», «Water B (2*SDD<WD)», «P.Pectinatus», «Najas spp at the surface», «Najas spp below the surface». Η ανάλυση ακρίβειας έδειξε ότι σημεία όπου η κάλυψη της επιφάνειας από υποβρύχια βλάστηση ήταν μικρότερη από 30%, λαμβάνονται λανθασμένα ως pixel νερού.

'''''3.Αποτελέσματα - Συμπεράσματα'''''

Ο θεματικός χάρτης που προκύπτει από την λεπτομερή ταξινόμηση των ειδών της υποβρύχιας βλάστησης και των κατηγοριών του νερού παρουσιάζεται στην εικόνα 2.
[[Εικόνα:Art6_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Θεματικός χάρτης με ταξινομημένα τα είδη υπόβρυχιας βλάστησης]]
Η ταξινόμηση για την κάλυψη της λίμνης από υποβρύχια βλάστηση έγινε με συνολικό ποσοστό ακρίβειας 83,02%, παρά τα προβλήματα που υπήρχαν(πχ χαμηλή διαύγεια του νερού, δειγματοληπτικά σημεία μεγέθους 1Χ1 που οδήγησαν σε προβλήματα ευκρίνειας λόγω μεγέθους pixel 2,41 X 2,41, κ.α.). Αντίστοιχα, η ταξινόμησης των διαφόρων υποβρύχιων ειδών και των κατηγοριών νερού ολοκληρώθηκε με ποσοστό 71,69%.
Προκύπτει λοιπόν ότι η ακρίβεια των αποτελεσμάτων είναι πολύ ικανοποιητική, γεγονός που μας επιτρέπει να χρησιμοποιήσουμε δεδομένα δορυφορικών συστημάτων, όπως ο QuickBird, για αντίστοιχες μελέτες. Για την επαλήθευση και βελτίωση των όποιων ευρημάτων προκύπτουν από την επεξεργασία των τηλεπισκοπικών δεδομένων είναι απαραίτητες οι επιτόπιες μετρήσεις.

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

Αρχείο:Art6 pic2.jpg

2013-02-14T21:02:51Z

Pafilis:

Αρχείο:Art6 pic1.jpg

2013-02-14T21:02:26Z

Pafilis:

Παφίλης Απόστολος

2013-02-14T20:04:37Z

Pafilis:

Χρήση των δορυφορικών συστημάτων IKONOS και Landsat για έλεγχο της ελονοσίας στην Κορέα

2013-02-14T20:03:55Z

Pafilis:

'''Χρήση των δορυφορικών συστημάτων IKONOS και Landsat για έλεγχο της ελονοσίας στην Κορέα'''

'''Πρωτότυπος τίτλος : Use of IKONOS and Landsat for malaria control in the Republic of Korea'''

'''Συγγραφείς : Penny M. Masuoka, David M. Claborn, Richard G. Andre, Joseph Nigro, Scott W. Gordon, Terry A. Klein, Hung-Chol Kim'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0034425703002402 Science Direct]

Σκοπός της παρούσας μελέτης είναι να διευκρινιστεί το ενδεχόμενο να εντοπιστούν περιοχές όπου φωλιάζουν προνύμφες κουνουπιών χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος Landsat 7 ETM+ και του IKONOS, με σκοπό τον έλεγχο της εξάπλωσης της ελονοσίας στην Κορέα.

'''''1.Εισαγωγή'''''

Μετά από αρκετό καιρό απουσίας από την Κορέα , η ελονοσία έκανε την επανεμφάνιση της το 1997 με 2 κρούσματα, αριθμός ο οποίος πολλαπλασιάστηκε στα αμέσως επόμενα χρόνια. Τα κύρια είδη της ασθένειας σχετίζονται ύπαρξη κουνουπιών που φωλιάζουν στις καλλιέργειες ρυζιού και εντοπίζονται βόρεια της αποστρατικοποιημένης ζώνης (Demilitarized Zone-DMZ) στις επαρχίες Kyonggi και Kangwon. Μετά το 1999 το προσωπικό του στρατού που στρατοπεδεύει στην DMZ χρησιμοποιεί διάφορες μεθόδους προστασίας από την ελονοσία. Η εργασία αυτή στοχεύει στον εντοπισμό περιοχών όπου φωλιάζουν προνύμφες κουνουπιών προκειμένου να εκτιμηθεί το κόστος αφανισμού των κουνουπιών από τις στρατιωτικές βάσεις της Κορέας.
Δορυφορικά δεδομένα έχουν χρησιμοποιηθεί στο παρελθόν για παρόμοιες μελέτες. Στην παρούσα μελέτη χρησιμοποιούνται δεδομένα των δορυφορικών συστημάτων IKONOS και Landsat 7, τα οποία διαφέρουν στα εξής σημεία :
* Ο IKONOS δεν έχει μέσο υπέρυθρο κανάλι, το οποίο είναι αρκετά χρήσιμο για μελέτες βλάστησης
* Το μέγεθος των εικόνων είναι διαφορετικό για τους δύο δορυφόρους, 11 Χ 11km για τον ΙΚΟΝΟS, 185 Χ 185 km για τον Landsat
* Η ανάλυση του Landsat στο παγχρωματικό και πολυφασματικό κανάλι είναι 15m και 30m αντίστοιχα, ενώ για τα ίδια κανάλια του ΙΚΟΝΟS η ανάλυση είναι 1m και 4m αντίστοιχα
* Οι εικόνες του IKONOS είναι πιο ακριβές ανά τετραγωνικό χιλιόμετρο από αυτές του Landsat
Στην παρούσα μελέτη επιχειρείται να απαντηθεί αν οι υψηλής ευκρίνειας εικόνες είναι πιο αποτελεσματικές στην οριοθέτηση των περιοχών όπου φωλιάζουν οι προνύμφες των κουνουπιών, και αν ναι πως επηρεάζονται οι εκτιμήσεις από εικόνες μικρότερης ανάλυσης.

'''''2.Μεθοδολογία'''''

''2.1 Επιτόπιος Έλεγχος''

[[Εικόνα:Art5_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Εικόνα ΙΚΟΝΟS της στρατιωτικής βάσης Greaves. Απεικονίζονται και τα σημεία που δειγματοληπτήθηκαν.]]
Η μελέτη επικεντρώθηκε σε δύο στρατιωτικές βάσεις - Camp Greaves και Camp Casey -, και ο επιτόπιος έλεγχος πραγματοποιήθηκε την περίοδο Ιουνίου-Σεπτεμβρίου του 2000. Οι έρευνες έγιναν σε όλους τις πηγές γλυκού νερού των δύο περιοχών χρησιμοποιώντας έναν κοινό εκσκαφέα. Εντοπίστηκαν λοιπόν και δειγματοληπτήθηκαν 7 πιθανοί οικότοποι που μπορεί να φωλιάζουν προνύμφες : ορυζώνες, streamside pools, λίμνες άρδευσης, αρδευτικά κανάλια, τάφροι αποχέτευσης, βάλτοι, λίμνες καθώς και δύο μικρά έλη. Τα σημεία που δειγματοληπτήθηκαν εντοπίστηκαν με χρήση συσκευής GPS, ενώ δημιουργήθηκαν ζώνες επιρροής 1 km γύρω από τις τοποθεσίες που μας απασχόλησαν στην μελέτη μας.

''2.2 Ανάλυση εικόνας''

Δύο εικόνες χρησιμοποιήθηκαν σε αυτή την εργασία, μια εικόνα της 29/04/2000 του δορυφορικού συστήματος Landsat 7 ETM+ και μια του ΙΚΟΝΟS που τραβήχτηκε στις 2/08/2000. Η Landsat εικόνα καλύπτει ολόκληρη την περιοχή μελέτης ενώ η εικόνα του ΙΚΟΝOS βρίσκεται εξ ολοκλήρου εντός της εικόνας του Landsat αλλά καλύπτει μόνο το Camp Greaves. Οι εικόνες γεωαναφέρθηκαν στο προβολικό σύστημα WGS84.
Πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση των δύο δορυφορικών εικόνων με δείγματα εκπαίδευσης περιοχές στάσιμων νερών που δειγματοληπτήθηκαν στον επιτόπιο έλεγχο. Διάφοροι αλγόριθμοι ταξινόμησης ερευνήθηκαν μεταξύ των οποίων ο αλγόριθμος παραλληλεπιπέδου, μεγίστης πιθανοφάνειας και ελαχίστων αποστάσεων. Ο αλγόριθμος παραλληλεπιπέδου εμφανίζεται ως ο πιο ακριβής για την ταξινόμηση της εικόνας του IKONOS.
Ένα πρόγραμμα (PCI’s MODEL) χρησιμοποιήθηκε για την παραγωγή εκθέσεων σχετικά με τις περιοχές που καλύπτει η κάθε κατηγορία των ταξινομημένων εικόνων. Για την σύγκριση των αποτελεσμάτων ταξινόμησης των δύο εικόνων, παρήχθη ένα υποσύνολο της Landsat εικόνας το οποίο περιλαμβάνει μόνο την περιοχή που καλύπτεται από την εικόνα του IKONOS. Κατασκευάστηκε επίσης ένας πίνακας σύγχυσης (confusion matrix) για να συγκριθεί η ακρίβεια ταξινόμησης των δυο δορυφορικών εικόνων με τα κοινά σημεία των δύο εικόνων από τις επιτόπιες έρευνες. Στην συνέχεια το ίδιο πρόγραμμα χρησιμοποιήθηκε για να συγκρίνει τις ταξινομημένες δορυφορικές εικόνες και να παράγει μια εικόνα που να απεικονίζει τα pixel που ταξινομήθηκαν με τον ίδιο τρόπο ή με διαφορετικό στις δύο αυτές εικόνες.

'''''3.Αποτελέσματα'''''

''3.1 Αποτελέσματα ταξινόμησης''

[[Εικόνα:Art5_pic2.jpg | thumb | right |'''Εικόνα 2 :''' Σύγκριση των ψευδο-έγχρωμων και ταξινομημένων εικόνων των δορυφορικών συστημάτων IKONOS και Landsat]]
Από τις εικόνες που παρατίθενται στην συνέχεια(η δεύτερη εικόνα αποτελεί υποσύνολο της πρώτης) και απεικονίζουν ψευδο-έγχρωμα σύνθετα και τις ταξινομημένες εικόνες των δύο αρχικών δορυφορικών εικόνων, παρατηρούμε ότι τα ποτάμια, λίμνες και ορυζώνες ταξινομήθηκαν σωστά στην εικόνα του IKONOS, όχι όμως και οι τάφροι. Αντίστοιχα στην Landsat εικόνα τα ποτάμια και οι ορυζώνες μπόρεσαν να ταξινομηθούν όχι όμως οι λίμνες και οι τάφροι, λόγω του μικρού τους μεγέθους. Μια οπτική σύγκριση μεταξύ των δύο ταξινομημένων εικόνων(εικόνα 2) δείχνει ότι ομοιάζουν αρκετά στην ταξινόμηση των ποταμών (εμφανίζονται με κίτρινο χρώμα στις ταξινομημένες εικόνες),ορυζώνες όμως μικρής έκτασης(εμφανίζονται με κόκκινο χρώμα) που εντοπίζονται στα βορειοδυτικά της ΙΚΟΝΟS δεν ταξινομήθηκαν σωστά στην εικόνα του LANDSAT.
Για κάθε μια από τις ταξινομημένες εικόνες σχηματίστηκε ένας πίνακας σύγχυσης(confusion matrix) χρησιμοποιώντας ως σημεία αναφοράς τα δειγματοληπτικά σημεία που βρίσκονται στην περιοχή που απεικονίζει η εικόνα του δορυφόρου IKONOS. Από τους 26 ορυζώνες που ελήφθησαν δείγματα, 24(92%) ταξινομήθηκαν σωστά στην εικόνα του IKONOS και 17(65%) σε αυτή του Landsat. Ένα έλος που δειγματοληπτήθηκε ταξινομήθηκε σωστά στην IKONOS αλλά λανθασμένα ως ορυζώνας στην Landsat. Οι τάφροι ταξινομήθηκαν λάθος και στις δύο εικόνες , ενώ το ίδιο συνέβη και με τις λίμνες λόγω του μικρού μεγέθους τους.
[[Εικόνα:Art5_pic4.gif | thumb | left |'''Εικόνα 3 :''' Pixel που ταξινομήθηκαν με τον ίδιο τρόπο και στις δύο εικόνες απεικονίζονται με μαύρο χρώμα.]]
Η σύγκριση των δύο ταξινομημένων εικόνων έδειξε ότι 79% των pixel κατηγοριοποιήθηκαν με τον ίδιο τρόπο στις δυο εικόνες. Οι διαφορές πιθανότατα οφείλονται στην διαφορετική ανάλυση των εικόνων και στο γεγονός ότι τραβήχτηκαν σε διαφορετικές χρονικές περιόδους, και άρα σε διαφορετικά στάδια ανάπτυξης των ορυζώνων. Στην εικόνα 3 με άσπρο χρώμα εμφανίζονται τα pixel που ταξινομήθηκαν όμοια στις δύο εικόνες και με μαύρο όσα ταξινομήθηκαν διαφορετικά.
Περαιτέρω διερεύνηση των διαφορών των δύο ταξινομημένων εικόνων πραγματοποιήθηκε. Η εικόνα 4 παρουσιάζει τα σημεία που ταξινομήθηκαν ως «φωλιές» προνυμφών στην Landsat εικόνες(με μαύρο χρώμα) αλλά όχι σε αυτή του ΙΚΟΝΟS. Ένας λόγος για αυτές τις διαφορές είναι ότι στην Landsat τα αναχώματα που χωρίζουν τους ορυζώνες και οι μεγάλοι δρόμοι ταξινομούνται ως καλλιέργειες, όχι όμως στην IKONOS.
[[Εικόνα:Art5_pic5.gif | thumb | right |'''Εικόνα 4 :''' Pixel που ταξινομήθηκαν ως φωλιές προνυμφών στην εικόνα του Landsat αλλά όχι στην εικόνα του IKONOS]]
Παρά την διαφορά της τάξης του 20% στις ταξινομημένες εικόνες, οι εκτιμήσεις για την κάλυψη γης των ζωνών επιρροής διαφέρουν μόλις κατά 2,7%.

''3.2 Εκτιμήσεις για το κόστος αντιμετώπισης''

Γνωρίζοντας την έκταση που καταλαμβάνουν οι περιοχές που φωλιάζουν οι προνύμφες εντός της ζώνης επιρροής της καθεμιάς στρατιωτικής βάσης αλλά και του αριθμού των στρατιωτών σε κάθε βάση, και λαμβάνοντας υπ’ όψιν τα κόστη για κάθε μια μέθοδο προφύλαξης, εκτιμάται ότι για το Camp Greaves η ελονοσία είναι προτιμότερο να αντιμετωπιστεί με χορήγηση φαρμάκων. Αντίθετα για το Camp Casey η φθηνότερη λύση είναι η θανάτωση των πληθυσμών των προνυμφών.

'''''4.Συμπεράσματα'''''

Από την μελέτη προέκυψε ότι οι εκτιμήσεις για τις περιοχές όπου φωλιάζουν οι προνύμφες κουνουπιών είναι παρόμοιες για τις εικόνες των δύο δορυφορικών οικοσυστημάτων. Η ακρίβεια της ταξινόμησης των ορυζώνων είναι σαφώς μεγαλύτερη όταν γίνεται με βάση την εικόνα του ΙΚΟΝΟS(92% αντί 65% της Landsat εικόνας), ενώ με την ΙΚΟΝΟS προσφέρεται η δυνατότητα απεικόνισης και ταξινόμησης χαρακτηριστικών κάλυψης γης με διαστάσεις μικρότερες από 30 Χ 30m. Παρόλα αυτά, ούτε η εικόνα του ΙΚΟΝΟS κατάφερε να ταξινομήσει σωστά τις μικρές λίμνες που βρίσκονται στην περιοχή και αποτελούν σημαντικούς βιότοπους αναπαραγωγής των κουνουπιών. Όσον αφορά την εκτίμηση του κόστους αντιμετώπισης των πληθυσμών των κουνουπιών, όπου απαιτούνται μόνο πρόχειρες εκτιμήσεις του σημείου όπου «φωλιάζουν» οι πληθυσμοί αυτοί, η εικόνα Landsat κρίνεται επαρκής.
Ως τελικό συμπέρασμα προκύπτει ότι οι δύο τύποι εικόνων μπορούν να χρησιμοποιηθούν παράλληλα για τον σχεδιασμό και προγραμματισμό ενός συστήματος αντιμετώπισης της ελονοσίας, όμως πρέπει να τονιστεί ιδιαίτερα η σημασία των εικόνων υψηλής ανάλυσης, όπως αυτών του IKONOS, για τον προσδιορισμό των σημείων όπου φωλιάζουν τα κουνούπια- φορείς των ασθενειών τέτοιου τύπου σε μια αντίστοιχη με αυτή μελέτη.

[[category:Υγεία]]

Χρήση των δορυφορικών συστημάτων IKONOS και Landsat για έλεγχο της ελονοσίας στην Κορέα

2013-02-14T20:03:15Z

Pafilis:

'''Χρήση των δορυφορικών συστημάτων IKONOS και Landsat για έλεγχο της ελονοσίας στην Κορέα'''

'''Πρωτότυπος τίτλος : Use of IKONOS and Landsat for malaria control in the Republic of Korea'''

'''Συγγραφείς : Penny M. Masuoka, David M. Claborn, Richard G. Andre, Joseph Nigro, Scott W. Gordon, Terry A. Klein, Hung-Chol Kim'''

'''Πηγή :''' [http://www.sciencedirect.com/science/article/pii/S0034425703002402 Science Direct]

Σκοπός της παρούσας μελέτης είναι να διευκρινιστεί το ενδεχόμενο να εντοπιστούν περιοχές όπου φωλιάζουν προνύμφες κουνουπιών χρησιμοποιώντας δεδομένα του δορυφορικού συστήματος Landsat 7 ETM+ και του IKONOS, με σκοπό τον έλεγχο της εξάπλωσης της ελονοσίας στην Κορέα.

'''''1.Εισαγωγή'''''

Μετά από αρκετό καιρό απουσίας από την Κορέα , η ελονοσία έκανε την επανεμφάνιση της το 1997 με 2 κρούσματα, αριθμός ο οποίος πολλαπλασιάστηκε στα αμέσως επόμενα χρόνια. Τα κύρια είδη της ασθένειας σχετίζονται ύπαρξη κουνουπιών που φωλιάζουν στις καλλιέργειες ρυζιού και εντοπίζονται βόρεια της αποστρατικοποιημένης ζώνης (Demilitarized Zone-DMZ) στις επαρχίες Kyonggi και Kangwon. Μετά το 1999 το προσωπικό του στρατού που στρατοπεδεύει στην DMZ χρησιμοποιεί διάφορες μεθόδους προστασίας από την ελονοσία. Η εργασία αυτή στοχεύει στον εντοπισμό περιοχών όπου φωλιάζουν προνύμφες κουνουπιών προκειμένου να εκτιμηθεί το κόστος αφανισμού των κουνουπιών από τις στρατιωτικές βάσεις της Κορέας.
Δορυφορικά δεδομένα έχουν χρησιμοποιηθεί στο παρελθόν για παρόμοιες μελέτες. Στην παρούσα μελέτη χρησιμοποιούνται δεδομένα των δορυφορικών συστημάτων IKONOS και Landsat 7, τα οποία διαφέρουν στα εξής σημεία :
* Ο IKONOS δεν έχει μέσο υπέρυθρο κανάλι, το οποίο είναι αρκετά χρήσιμο για μελέτες βλάστησης
* Το μέγεθος των εικόνων είναι διαφορετικό για τους δύο δορυφόρους, 11 Χ 11km για τον ΙΚΟΝΟS, 185 Χ 185 km για τον Landsat
* Η ανάλυση του Landsat στο παγχρωματικό και πολυφασματικό κανάλι είναι 15m και 30m αντίστοιχα, ενώ για τα ίδια κανάλια του ΙΚΟΝΟS η ανάλυση είναι 1m και 4m αντίστοιχα
* Οι εικόνες του IKONOS είναι πιο ακριβές ανά τετραγωνικό χιλιόμετρο από αυτές του Landsat
Στην παρούσα μελέτη επιχειρείται να απαντηθεί αν οι υψηλής ευκρίνειας εικόνες είναι πιο αποτελεσματικές στην οριοθέτηση των περιοχών όπου φωλιάζουν οι προνύμφες των κουνουπιών, και αν ναι πως επηρεάζονται οι εκτιμήσεις από εικόνες μικρότερης ανάλυσης.

'''''2.Μεθοδολογία'''''

''2.1 Επιτόπιος Έλεγχος''

[[Εικόνα:Art5_pic1.jpg | thumb | right |'''Εικόνα 1 :''' Εικόνα ΙΚΟΝΟS της στρατιωτικής βάσης Greaves. Απεικονίζονται και τα σημεία που δειγματοληπτήθηκαν.]]
Η μελέτη επικεντρώθηκε σε δύο στρατιωτικές βάσεις - Camp Greaves και Camp Casey -, και ο επιτόπιος έλεγχος πραγματοποιήθηκε την περίοδο Ιουνίου-Σεπτεμβρίου του 2000. Οι έρευνες έγιναν σε όλους τις πηγές γλυκού νερού των δύο περιοχών χρησιμοποιώντας έναν κοινό εκσκαφέα. Εντοπίστηκαν λοιπόν και δειγματοληπτήθηκαν 7 πιθανοί οικότοποι που μπορεί να φωλιάζουν προνύμφες : ορυζώνες, streamside pools, λίμνες άρδευσης, αρδευτικά κανάλια, τάφροι αποχέτευσης, βάλτοι, λίμνες καθώς και δύο μικρά έλη. Τα σημεία που δειγματοληπτήθηκαν εντοπίστηκαν με χρήση συσκευής GPS, ενώ δημιουργήθηκαν ζώνες επιρροής 1 km γύρω από τις τοποθεσίες που μας απασχόλησαν στην μελέτη μας.

''2.2 Ανάλυση εικόνας''

Δύο εικόνες χρησιμοποιήθηκαν σε αυτή την εργασία, μια εικόνα της 29/04/2000 του δορυφορικού συστήματος Landsat 7 ETM+ και μια του ΙΚΟΝΟS που τραβήχτηκε στις 2/08/2000. Η Landsat εικόνα καλύπτει ολόκληρη την περιοχή μελέτης ενώ η εικόνα του ΙΚΟΝOS βρίσκεται εξ ολοκλήρου εντός της εικόνας του Landsat αλλά καλύπτει μόνο το Camp Greaves. Οι εικόνες γεωαναφέρθηκαν στο προβολικό σύστημα WGS84.
Πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση των δύο δορυφορικών εικόνων με δείγματα εκπαίδευσης περιοχές στάσιμων νερών που δειγματοληπτήθηκαν στον επιτόπιο έλεγχο. Διάφοροι αλγόριθμοι ταξινόμησης ερευνήθηκαν μεταξύ των οποίων ο αλγόριθμος παραλληλεπιπέδου, μεγίστης πιθανοφάνειας και ελαχίστων αποστάσεων. Ο αλγόριθμος παραλληλεπιπέδου εμφανίζεται ως ο πιο ακριβής για την ταξινόμηση της εικόνας του IKONOS.
Ένα πρόγραμμα (PCI’s MODEL) χρησιμοποιήθηκε για την παραγωγή εκθέσεων σχετικά με τις περιοχές που καλύπτει η κάθε κατηγορία των ταξινομημένων εικόνων. Για την σύγκριση των αποτελεσμάτων ταξινόμησης των δύο εικόνων, παρήχθη ένα υποσύνολο της Landsat εικόνας το οποίο περιλαμβάνει μόνο την περιοχή που καλύπτεται από την εικόνα του IKONOS. Κατασκευάστηκε επίσης ένας πίνακας σύγχυσης (confusion matrix) για να συγκριθεί η ακρίβεια ταξινόμησης των δυο δορυφορικών εικόνων με τα κοινά σημεία των δύο εικόνων από τις επιτόπιες έρευνες. Στην συνέχεια το ίδιο πρόγραμμα χρησιμοποιήθηκε για να συγκρίνει τις ταξινομημένες δορυφορικές εικόνες και να παράγει μια εικόνα που να απεικονίζει τα pixel που ταξινομήθηκαν με τον ίδιο τρόπο ή με διαφορετικό στις δύο αυτές εικόνες.

'''''3.Αποτελέσματα'''''

''3.1 Αποτελέσματα ταξινόμησης''

[[Εικόνα:Art5_pic2.jpg | thumb | left |'''Εικόνα 2 :''' Σύγκριση των ψευδο-έγχρωμων και ταξινομημένων εικόνων των δορυφορικών συστημάτων IKONOS και Landsat]]
Από τις εικόνες που παρατίθενται στην συνέχεια(η δεύτερη εικόνα αποτελεί υποσύνολο της πρώτης) και απεικονίζουν ψευδο-έγχρωμα σύνθετα και τις ταξινομημένες εικόνες των δύο αρχικών δορυφορικών εικόνων, παρατηρούμε ότι τα ποτάμια, λίμνες και ορυζώνες ταξινομήθηκαν σωστά στην εικόνα του IKONOS, όχι όμως και οι τάφροι. Αντίστοιχα στην Landsat εικόνα τα ποτάμια και οι ορυζώνες μπόρεσαν να ταξινομηθούν όχι όμως οι λίμνες και οι τάφροι, λόγω του μικρού τους μεγέθους. Μια οπτική σύγκριση μεταξύ των δύο ταξινομημένων εικόνων(εικόνα 2) δείχνει ότι ομοιάζουν αρκετά στην ταξινόμηση των ποταμών (εμφανίζονται με κίτρινο χρώμα στις ταξινομημένες εικόνες),ορυζώνες όμως μικρής έκτασης(εμφανίζονται με κόκκινο χρώμα) που εντοπίζονται στα βορειοδυτικά της ΙΚΟΝΟS δεν ταξινομήθηκαν σωστά στην εικόνα του LANDSAT.
Για κάθε μια από τις ταξινομημένες εικόνες σχηματίστηκε ένας πίνακας σύγχυσης(confusion matrix) χρησιμοποιώντας ως σημεία αναφοράς τα δειγματοληπτικά σημεία που βρίσκονται στην περιοχή που απεικονίζει η εικόνα του δορυφόρου IKONOS. Από τους 26 ορυζώνες που ελήφθησαν δείγματα, 24(92%) ταξινομήθηκαν σωστά στην εικόνα του IKONOS και 17(65%) σε αυτή του Landsat. Ένα έλος που δειγματοληπτήθηκε ταξινομήθηκε σωστά στην IKONOS αλλά λανθασμένα ως ορυζώνας στην Landsat. Οι τάφροι ταξινομήθηκαν λάθος και στις δύο εικόνες , ενώ το ίδιο συνέβη και με τις λίμνες λόγω του μικρού μεγέθους τους.
[[Εικόνα:Art5_pic4.gif | thumb | right |'''Εικόνα 3 :''' Pixel που ταξινομήθηκαν με τον ίδιο τρόπο και στις δύο εικόνες απεικονίζονται με μαύρο χρώμα.]]
Η σύγκριση των δύο ταξινομημένων εικόνων έδειξε ότι 79% των pixel κατηγοριοποιήθηκαν με τον ίδιο τρόπο στις δυο εικόνες. Οι διαφορές πιθανότατα οφείλονται στην διαφορετική ανάλυση των εικόνων και στο γεγονός ότι τραβήχτηκαν σε διαφορετικές χρονικές περιόδους, και άρα σε διαφορετικά στάδια ανάπτυξης των ορυζώνων. Στην εικόνα 3 με άσπρο χρώμα εμφανίζονται τα pixel που ταξινομήθηκαν όμοια στις δύο εικόνες και με μαύρο όσα ταξινομήθηκαν διαφορετικά.
Περαιτέρω διερεύνηση των διαφορών των δύο ταξινομημένων εικόνων πραγματοποιήθηκε. Η εικόνα 4 παρουσιάζει τα σημεία που ταξινομήθηκαν ως «φωλιές» προνυμφών στην Landsat εικόνες(με μαύρο χρώμα) αλλά όχι σε αυτή του ΙΚΟΝΟS. Ένας λόγος για αυτές τις διαφορές είναι ότι στην Landsat τα αναχώματα που χωρίζουν τους ορυζώνες και οι μεγάλοι δρόμοι ταξινομούνται ως καλλιέργειες, όχι όμως στην IKONOS.
[[Εικόνα:Art5_pic5.gif | thumb | right |'''Εικόνα 4 :''' Pixel που ταξινομήθηκαν ως φωλιές προνυμφών στην εικόνα του Landsat αλλά όχι στην εικόνα του IKONOS]]
Παρά την διαφορά της τάξης του 20% στις ταξινομημένες εικόνες, οι εκτιμήσεις για την κάλυψη γης των ζωνών επιρροής διαφέρουν μόλις κατά 2,7%.

''3.2 Εκτιμήσεις για το κόστος αντιμετώπισης''

Γνωρίζοντας την έκταση που καταλαμβάνουν οι περιοχές που φωλιάζουν οι προνύμφες εντός της ζώνης επιρροής της καθεμιάς στρατιωτικής βάσης αλλά και του αριθμού των στρατιωτών σε κάθε βάση, και λαμβάνοντας υπ’ όψιν τα κόστη για κάθε μια μέθοδο προφύλαξης, εκτιμάται ότι για το Camp Greaves η ελονοσία είναι προτιμότερο να αντιμετωπιστεί με χορήγηση φαρμάκων. Αντίθετα για το Camp Casey η φθηνότερη λύση είναι η θανάτωση των πληθυσμών των προνυμφών.

'''''4.Συμπεράσματα'''''

Από την μελέτη προέκυψε ότι οι εκτιμήσεις για τις περιοχές όπου φωλιάζουν οι προνύμφες κουνουπιών είναι παρόμοιες για τις εικόνες των δύο δορυφορικών οικοσυστημάτων. Η ακρίβεια της ταξινόμησης των ορυζώνων είναι σαφώς μεγαλύτερη όταν γίνεται με βάση την εικόνα του ΙΚΟΝΟS(92% αντί 65% της Landsat εικόνας), ενώ με την ΙΚΟΝΟS προσφέρεται η δυνατότητα απεικόνισης και ταξινόμησης χαρακτηριστικών κάλυψης γης με διαστάσεις μικρότερες από 30 Χ 30m. Παρόλα αυτά, ούτε η εικόνα του ΙΚΟΝΟS κατάφερε να ταξινομήσει σωστά τις μικρές λίμνες που βρίσκονται στην περιοχή και αποτελούν σημαντικούς βιότοπους αναπαραγωγής των κουνουπιών. Όσον αφορά την εκτίμηση του κόστους αντιμετώπισης των πληθυσμών των κουνουπιών, όπου απαιτούνται μόνο πρόχειρες εκτιμήσεις του σημείου όπου «φωλιάζουν» οι πληθυσμοί αυτοί, η εικόνα Landsat κρίνεται επαρκής.
Ως τελικό συμπέρασμα προκύπτει ότι οι δύο τύποι εικόνων μπορούν να χρησιμοποιηθούν παράλληλα για τον σχεδιασμό και προγραμματισμό ενός συστήματος αντιμετώπισης της ελονοσίας, όμως πρέπει να τονιστεί ιδιαίτερα η σημασία των εικόνων υψηλής ανάλυσης, όπως αυτών του IKONOS, για τον προσδιορισμό των σημείων όπου φωλιάζουν τα κουνούπια- φορείς των ασθενειών τέτοιου τύπου σε μια αντίστοιχη με αυτή μελέτη.

[[category:Υγεία]]