RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat

2012-03-03T12:46:08Z

Rokana.vasiliki:

[[category:Αστικός και περιφερειακός σχεδιασμός]]
'''Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia'''

Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,

MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY

http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf

'''Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων τηλεπισκόπησης LANDSAT'''

'''1. Εισαγωγή'''

Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης.
Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης.
Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά.
Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.

'''2. Προετοιμασία δεδομένων'''

[[ Αρχείο:1doryfor eikones epexerg 1980 2000.jpg | thumb | right | Εικόνα 1. Επεξεργασμένες δορυφορικές εικόνες ]]

[[ Αρχείο:2 taxinomimenes eikones.jpg | thumb | right | Εικόνα 2. Ταξινομημένες δορυφορικές εικόνες ]]

2.1 Περιοχή μελέτης

Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.

2.2 Πηγές δεδομένων

Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.

2.3 Προ-επεξεργασία δεδομένων

Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.

2.4 Ταξινόμηση εικόνας

Οι δορυφορικές εικόνες Landsat (1980 και 2000) έχουν υποβληθεί σε ταξινόμηση ζωνών. Χρησιμοποιήθηκε εποπτευόμενη ταξινόμηση, διακρίθηκαν 4 κατηγορίες χρήσης γης: δρόμοι, κατοικημένη περιοχή, κέντρα παροχής υπηρεσιών και διοικητικές ζώνες. Η συνολική ακρίβεια δοκιμών για την ταξινόμηση των εικόνων Landsat TM (1980) ήταν 82,14%, ενώ για την εικόνα Landsat TM (2000) 86,46%. Η εικόνα 2 δείχνει τα αποτελέσματα της ταξινόμησης των εικόνων.

'''3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης'''

Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.

Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.

3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.

Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο.
Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής:
Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές.
Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη.
Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο.
Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.

[[ Αρχείο:3 epexergasies sto GIS.jpg | thumb | right | Εικόνα 3. Επεξεργασίες στο Γ.Σ.Π. ]]

[[ Αρχείο:4 shesi arheiwn eisodou krifwn k exodou.jpg | thumb | right | Εικόνα 4. Σχέσεις αρχείων εισόδου, κρυφών και εξόδου ]]

[[ Αρχείο:5 allagi hrisis gis stin Teherani 1980 2000.jpg | thumb | right | Εικόνα 5. Αλλαγή χρήσης γης στην Τεχεράνη 1980-2000-2020 ]]

3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης

Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων. (εικόνα 3)

Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.

Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.

Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).

'''4. Αποτελέσματα'''

Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.

Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).

Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.

'''5. Συμπεράσματα'''

Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.

Αρχείο:5 allagi hrisis gis stin Teherani 1980 2000.jpg

2012-03-03T12:44:00Z

Rokana.vasiliki: Αλλαγή χρήσης γης στην Τεχεράνη 1980-2000-2020

Αλλαγή χρήσης γης στην Τεχεράνη 1980-2000-2020

Αρχείο:4 shesi arheiwn eisodou krifwn k exodou.jpg

2012-03-03T12:43:25Z

Rokana.vasiliki: Σχέσεις αρχείων εισόδου, κρυφών και εξόδου

Σχέσεις αρχείων εισόδου, κρυφών και εξόδου

Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat

2012-03-03T12:41:58Z

Rokana.vasiliki:

[[category:Αστικός και περιφερειακός σχεδιασμός]]
'''Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia'''

Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,

MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY

http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf

'''Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων τηλεπισκόπησης LANDSAT'''

'''1. Εισαγωγή'''

Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης.
Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης.
Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά.
Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.

'''2. Προετοιμασία δεδομένων'''

[[ Αρχείο:1doryfor eikones epexerg 1980 2000.jpg | thumb | right | Εικόνα 1. Επεξεργασμένες δορυφορικές εικόνες ]]

[[ Αρχείο:2 taxinomimenes eikones.jpg | thumb | right | Εικόνα 2. Ταξινομημένες δορυφορικές εικόνες ]]

2.1 Περιοχή μελέτης

Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.

2.2 Πηγές δεδομένων

Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.

2.3 Προ-επεξεργασία δεδομένων

Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.

2.4 Ταξινόμηση εικόνας

Οι δορυφορικές εικόνες Landsat (1980 και 2000) έχουν υποβληθεί σε ταξινόμηση ζωνών. Χρησιμοποιήθηκε εποπτευόμενη ταξινόμηση, διακρίθηκαν 4 κατηγορίες χρήσης γης: δρόμοι, κατοικημένη περιοχή, κέντρα παροχής υπηρεσιών και διοικητικές ζώνες. Η συνολική ακρίβεια δοκιμών για την ταξινόμηση των εικόνων Landsat TM (1980) ήταν 82,14%, ενώ για την εικόνα Landsat TM (2000) 86,46%. Η εικόνα 2 δείχνει τα αποτελέσματα της ταξινόμησης των εικόνων.

'''3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης'''

Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.

Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.

3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.

Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο.
Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής:
Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές.
Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη.
Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο.
Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.

[[ Αρχείο:3 epexergasies sto GIS.jpg | thumb | right | Εικόνα 3. Επεξεργασίες στο Γ.Σ.Π. ]]

3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης

Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων. (εικόνα 3)

Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.

Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.

Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).

'''4. Αποτελέσματα'''

Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.

Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).

Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.

'''5. Συμπεράσματα'''

Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.

Αρχείο:3 epexergasies sto GIS.jpg

2012-03-03T12:41:14Z

Rokana.vasiliki: Επεξεργασίες στο Γ.Σ.Π.

Επεξεργασίες στο Γ.Σ.Π.

Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat

2012-03-03T12:38:47Z

Rokana.vasiliki:

[[category:Αστικός και περιφερειακός σχεδιασμός]]
'''Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia'''

Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,

MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY

http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf

'''Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων τηλεπισκόπησης LANDSAT'''

'''1. Εισαγωγή'''

Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης.
Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης.
Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά.
Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.

'''2. Προετοιμασία δεδομένων'''

[[ Αρχείο:1doryfor eikones epexerg 1980 2000.jpg | thumb | right | Εικόνα 1. Επεξεργασμένες δορυφορικές εικόνες ]]

[[ Αρχείο:2 taxinomimenes eikones.jpg | thumb | right | Εικόνα 2. Ταξινομημένες δορυφορικές εικόνες ]]

2.1 Περιοχή μελέτης

Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.

2.2 Πηγές δεδομένων

Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.

2.3 Προ-επεξεργασία δεδομένων

Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.

2.4 Ταξινόμηση εικόνας

Οι δορυφορικές εικόνες Landsat (1980 και 2000) έχουν υποβληθεί σε ταξινόμηση ζωνών. Χρησιμοποιήθηκε εποπτευόμενη ταξινόμηση, διακρίθηκαν 4 κατηγορίες χρήσης γης: δρόμοι, κατοικημένη περιοχή, κέντρα παροχής υπηρεσιών και διοικητικές ζώνες. Η συνολική ακρίβεια δοκιμών για την ταξινόμηση των εικόνων Landsat TM (1980) ήταν 82,14%, ενώ για την εικόνα Landsat TM (2000) 86,46%. Η εικόνα 2 δείχνει τα αποτελέσματα της ταξινόμησης των εικόνων.

'''3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης'''

Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.

Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.

3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.

Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο.
Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής:
Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές.
Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη.
Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο.
Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.

3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης

Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων.

Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.

Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.

Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).

'''4. Αποτελέσματα'''

Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.

Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).

Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.

'''5. Συμπεράσματα'''

Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.

Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat

2012-03-03T12:37:08Z

Rokana.vasiliki:

[[category:Αστικός και περιφερειακός σχεδιασμός]]
'''Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia'''

Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,

MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY

http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf

'''Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων τηλεπισκόπησης LANDSAT'''

'''1. Εισαγωγή'''

Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης.
Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης.
Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά.
Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.

'''2. Προετοιμασία δεδομένων'''

[[ Αρχείο:1doryfor eikones epexerg 1980 2000.jpg | thumb | right | Εικόνα 1. Επεξεργασμένες δορυφορικές εικόνες ]]

2.1 Περιοχή μελέτης

Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.

2.2 Πηγές δεδομένων

Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.

2.3 Προ-επεξεργασία δεδομένων

Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.

2.4 Ταξινόμηση εικόνας

Οι δορυφορικές εικόνες Landsat (1980 και 2000) έχουν υποβληθεί σε ταξινόμηση ζωνών. Χρησιμοποιήθηκε εποπτευόμενη ταξινόμηση, διακρίθηκαν 4 κατηγορίες χρήσης γης: δρόμοι, κατοικημένη περιοχή, κέντρα παροχής υπηρεσιών και διοικητικές ζώνες. Η συνολική ακρίβεια δοκιμών για την ταξινόμηση των εικόνων Landsat TM (1980) ήταν 82,14%, ενώ για την εικόνα Landsat TM (2000) 86,46%. Η εικόνα 2 δείχνει τα αποτελέσματα της ταξινόμησης των εικόνων.

'''3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης'''

Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.

Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.

3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.

Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο.
Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής:
Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές.
Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη.
Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο.
Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.

3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης

Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων.

Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.

Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.

Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).

'''4. Αποτελέσματα'''

Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.

Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).

Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.

'''5. Συμπεράσματα'''

Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.

Αρχείο:1doryfor eikones epexerg 1980 2000.jpg

2012-03-03T12:36:11Z

Rokana.vasiliki: Επεξεργασμένες δορυφορικές εικόνες

Επεξεργασμένες δορυφορικές εικόνες

Αρχείο:2 taxinomimenes eikones.jpg

2012-03-03T12:35:15Z

Rokana.vasiliki: Ταξινομημένες δορυφορικές εικόνες

Ταξινομημένες δορυφορικές εικόνες

Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat

2012-03-03T12:33:36Z

Rokana.vasiliki:

[[category:Αστικός και περιφερειακός σχεδιασμός]]
'''Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia'''

Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,

MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY

http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf

'''Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων τηλεπισκόπησης LANDSAT'''

'''1. Εισαγωγή'''

Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης.
Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης.
Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά.
Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.

'''2. Προετοιμασία δεδομένων'''

[[ Αρχείο:1 Location map of the study area.jpg | thumb | right | Εικόνα 1. Επεξεργασμένες δορυφορικές εικόνες ]]

2.1 Περιοχή μελέτης

Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.

2.2 Πηγές δεδομένων

Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.

2.3 Προ-επεξεργασία δεδομένων

Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.

2.4 Ταξινόμηση εικόνας

Οι δορυφορικές εικόνες Landsat (1980 και 2000) έχουν υποβληθεί σε ταξινόμηση ζωνών. Χρησιμοποιήθηκε εποπτευόμενη ταξινόμηση, διακρίθηκαν 4 κατηγορίες χρήσης γης: δρόμοι, κατοικημένη περιοχή, κέντρα παροχής υπηρεσιών και διοικητικές ζώνες. Η συνολική ακρίβεια δοκιμών για την ταξινόμηση των εικόνων Landsat TM (1980) ήταν 82,14%, ενώ για την εικόνα Landsat TM (2000) 86,46%. Η εικόνα 2 δείχνει τα αποτελέσματα της ταξινόμησης των εικόνων.

'''3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης'''

Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.

Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.

3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.

Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο.
Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής:
Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές.
Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη.
Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο.
Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.

3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης

Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων.

Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.

Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.

Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).

'''4. Αποτελέσματα'''

Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.

Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).

Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.

'''5. Συμπεράσματα'''

Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.

Αρχείο:1 Location map of the study area.jpg

2012-03-03T12:32:59Z

Rokana.vasiliki: ανέβασμα νέας έκδοσης του "Αρχείο:1 Location map of the study area.jpg": Επεξεργασμένες δορυφορικές εικόνες

Περιοχή μελέτης

Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat

2012-03-03T12:30:52Z

Rokana.vasiliki:

[[category:Αστικός και περιφερειακός σχεδιασμός]]
'''Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia'''

Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,

MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY

http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf

'''Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων τηλεπισκόπησης LANDSAT'''

'''1. Εισαγωγή'''

Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης.
Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης.
Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά.
Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.

'''2. Προετοιμασία δεδομένων'''

2.1 Περιοχή μελέτης

Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.

2.2 Πηγές δεδομένων

Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.

2.3 Προ-επεξεργασία δεδομένων

Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.

2.4 Ταξινόμηση εικόνας

Οι δορυφορικές εικόνες Landsat (1980 και 2000) έχουν υποβληθεί σε ταξινόμηση ζωνών. Χρησιμοποιήθηκε εποπτευόμενη ταξινόμηση, διακρίθηκαν 4 κατηγορίες χρήσης γης: δρόμοι, κατοικημένη περιοχή, κέντρα παροχής υπηρεσιών και διοικητικές ζώνες. Η συνολική ακρίβεια δοκιμών για την ταξινόμηση των εικόνων Landsat TM (1980) ήταν 82,14%, ενώ για την εικόνα Landsat TM (2000) 86,46%. Η εικόνα 2 δείχνει τα αποτελέσματα της ταξινόμησης των εικόνων.

'''3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης'''

Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.

Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.

3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.

Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο.
Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής:
Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές.
Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη.
Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο.
Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.

3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης

Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων.

Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.

Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.

Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).

'''4. Αποτελέσματα'''

Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.

Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).

Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.

'''5. Συμπεράσματα'''

Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.

Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat

2012-03-03T11:54:06Z

Rokana.vasiliki:

[[category:Αστικός και περιφερειακός σχεδιασμός]]
'''Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia'''

Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,

MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY

http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf

'''Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων τηλεπισκόπησης LANDSAT'''

'''1. Εισαγωγή'''

Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης.
Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης.
Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά.
Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.

'''2. Προετοιμασία δεδομένων'''

2.1 Περιοχή μελέτης

Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.

2.2 Πηγές δεδομένων

Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.

2.3 Προ-επεξεργασία δεδομένων

Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.

'''3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης'''

Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.

Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.

3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.

Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο.
Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής:
Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές.
Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη.
Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο.
Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.

3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης

Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων.

Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.

Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.

Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).

'''4. Αποτελέσματα'''

Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.

Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).

Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.

'''5. Συμπεράσματα'''

Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.

Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat

2012-03-03T11:53:04Z

Rokana.vasiliki:

[[category:Αστικός και περιφερειακός σχεδιασμός]]
'''Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia'''

Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,

MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY

http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf

'''Παρακολούθηση της χρήσεως γης μέσω πολύ-χρονικών εικόνων τηλεπισκόπησης LANDSAT'''

'''1. Εισαγωγή'''

Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης.
Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης.
Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά.
Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.

'''2. Προετοιμασία δεδομένων'''

2.1 Περιοχή μελέτης

Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.

2.2 Πηγές δεδομένων

Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.

2.3 Προ-επεξεργασία δεδομένων

Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.

'''3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης'''

Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.

Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.

3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.

Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο.
Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής:
Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές.
Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη.
Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο.
Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.

3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης

Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων.

Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.

Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.

Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).

'''4. Αποτελέσματα'''

Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.

Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).

Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.

'''5. Συμπεράσματα'''

Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.

Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

2012-03-03T11:50:41Z

Rokana.vasiliki:

'''A. K. Saha''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

'''M. K. Arora''', Department of Civil Engineering, Indian Institute of Technology Roorkee,Roorkee-247667, India

'''E. Csaplovics''', Institute of Photogrammetry and Remote Sensing, TU- Dresden, Dresden, D-01069, Germany

'''R. P. Gupta''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

http://www.tandfonline.com/doi/abs/10.1080/10106040508542343#preview

'''Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια'''

Η ταξινόμηση ψηφιακής εικόνας πραγματοποιείται γενικά για την παραγωγή χαρτών κάλυψης γης από τηλεπισκοπικά δεδομένα, ιδιαίτερα για περιοχές μεγάλης έκτασης. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα δεδομένα τηλεπισκόπησης μπορεί να μειωθεί, ιδιαίτερα στις ορεινές περιοχές, λόγω της παρουσίας των σκιών των ψηλών κορυφών. Στην παρούσα μελέτη, έχει υιοθετηθεί μια προσέγγιση ταξινόμησης πολλαπλών πηγών για την χαρτογράφηση της κάλυψης γης σε περιοχή με ψηλές βουνοκορφές, με υψόμετρα έως και 4785 μέτρα πάνω από τη μέση στάθμη της θάλασσας, στην περιοχή των Ιμαλαΐων. Δεδομένα τηλεπισκόπησης από εικόνες IRS LISS ΙΙΙ, αλλά και κανονικοποιημένοι δείκτες βλάστησης και ψηφιακά μοντέλα εδάφους έχουν χρησιμοποιηθεί για την εκτέλεση ταξινόμησης μεγίστης πιθανοφάνειας πολλαπλών πηγών. Τα αποτελέσματα δείχνουν μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των κανονικοποιημένων δεικτών βλάστησης και των ψηφιακών μοντέλων εδάφους ως βοηθητικά δεδομένα για την ταξινόμηση, η οποία γίνεται αποκλειστικά με βάση τα δεδομένα τηλεπισκόπησης.

Η γνώση των χωρικών πληροφοριών κάλυψης του εδάφους είναι απαραίτητη για τη σωστή διαχείριση, τον προγραμματισμό και την παρακολούθηση των φυσικών πόρων (Zhu, 1997). Για παράδειγμα, αποτελεί σημαντική πληροφορία για πολλούς τομείς της γεωργίας, της γεωλογίας, για υδρολογικά και οικολογικά μοντέλα. Επίσης, κάθε μελέτη επικινδυνότητας, όπως η μελέτη ζωνών επικινδυνότητας κατολίσθησης (π.χ. Gupta et al, 1999, Σάχα et al, 2002) εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα πληροφοριών κάλυψης γης που να έχουν ακρίβεια και να είναι επικαιροποιημένες.

Οι δορυφορικές εικόνες τηλεπισκόπησης αποτελούν μια βιώσιμη πηγή για τη συλλογή πληροφοριών ποιότητας της κάλυψης γης σε τοπικό, περιφερειακό και παγκόσμιο επίπεδο (Csaplovics, 1998, Foody, 2002). Επιπλέον, τα δεδομένα τηλεπισκόπησης είναι, κυρίως, χρήσιμα για τη χαρτογράφηση κάλυψης γης σε ορεινές περιοχές, όπως τα Ιμαλάια, αφού οι περιοχές αυτές είναι γενικά απροσπέλαστες λόγω των μεγάλων υψομέτρων και της τραχύτητας του εδάφους. Στις υψηλές ορεινές περιοχές, έχουν πραγματοποιηθεί πολλές μελέτες χαρτογράφησης της κάλυψης του εδάφους με τη χρήση τηλεπισκοπικών δεδομένων, με διαφορετικό όμως βαθμό ακρίβειας. Αυτό μπορεί να οφείλεται σε ένα μεγάλο αριθμό παραγόντων που επηρεάζουν τη διαδικασία της τηλεπισκόπησης. Αυτοί περιλαμβάνουν την παρουσία των σκιών που οφείλονται σε μεγάλο υψόμετρο του εδάφους, τη νεφοκάλυψη, τις βαθιές στενές κοιλάδες και τις ρεματιές, τις χαμηλές γωνίες του ήλιου, τις απότομες πλαγιές και τη διαφοροποιημένη κάλυψη της βλάστησης. Ως εκ τούτου, λόγω των μεταβολών των περιβαλλοντικών συνθηκών, τα φασματικά χαρακτηριστικά αλλάζουν από τη μία περιοχή στην άλλη (Mathur και Arora, 2001). Έτσι, η ταξινόμηση που βασίζεται μόνο σε τηλεπισκοπικά δεδομένα μπορεί να μην είναι επαρκής για την αποτελεσματική συλλογή πληροφοριών κάλυψης γης. Τα βοηθητικά δεδομένα από άλλες πηγές μπορεί να αποκτηθούν από χάρτες (Bruzzone et al., 1997), γεωλογικούς (Γκονγκ, 1996) και άλλους χάρτες. Οι πιο χρήσιμες πληροφορίες που μπορούν να ληφθούν από τοπογραφικούς χάρτες είναι οι ισουψείς καμπύλες, οι οποίες μπορούν να ψηφιοποιηθούν και να παράγουν ένα ράστερ ψηφιακό μοντέλο εδάφους (DEM). Τα ψηφιακά μοντέλα εδάφους μαζί με τα παράγωγά τους, όπως η κλίση, αποτελούν τη βάση για την ταξινόμηση πολλαπλών πηγών (Jones et al 1988, Φρανκ 1988, Janssen et al 1990).
Στοιχεία από διαφορετικούς αισθητήρες τηλεπισκόπησης μπορούν επίσης να συνδυαστούν για την ταξινόμηση (Michelson et al., 2000). Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων, όπως η ανάλυση σε κύριες συνιστώσες (PCA) και ο κανονικοποιημένος δείκτης βλάστησης (NDVI), μπορεί επίσης να ενσωματωθεί στη διαδικασία ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης στις ορεινές περιοχές (Eiumnoh και Shrestha, 2000). Στις ορεινές περιοχές, όπως στα Ιμαλάια, οι σκιές είναι η κύρια πηγή της σύγχυσης στην εξαγωγή πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης. Παρά το γεγονός ότι, δεν υπάρχει κατάλληλη μέθοδος για να καταργηθεί εντελώς η επίδραση των σκιών, υπάρχουν αρκετές εναλλακτικές λύσεις για να ελαχιστοποιηθούν οι επιπτώσεις τους, προκειμένου να βελτιωθεί η ταξινόμηση από τα τηλεπισκοπικά δεδομένα. Πολλές από τις μεθόδους βασίζονται σε μοντέλα σκιασμένου αναγλύφου που παράγονται από το ψηφιακό μοντέλο εδάφους. Ωστόσο, κάποιες μελέτες (π.χ. Kawata et al. 1988, Civco 1989, Colby 1991, Curran και Foody, 1994) έχουν δείξει ότι λόγω της παρουσίας λαθών στη δημιουργία ψηφιακών μοντέλων εδάφους και του τρόπου που το ψηφιακό μοντέλο εδάφους εφαρμόζεται στη διαδικασία ταξινόμησης, η διόρθωση για τις σκιασμένες πλαγιές μπορεί να είναι υπερεκτιμημένη. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί η χρήση ενός επιπλέον επιπέδου, του κανονικοποιημένου δείκτη βλάστησης (NDVI), δεδομένου ότι τα παράγωγα των λόγων των καναλιών μπορούν να βοηθήσουν στον μερικό περιορισμό τοπογραφικών στοιχείων (Holben and Justice 1981, Apan 1997). Μπορεί ωστόσο να σημειωθεί ότι το επίπεδο του κανονικοποιημένου δείκτη βλάστησης δεν μπορεί από μόνο του να καταργήσει τελείως την επίδραση της σκιάς. Οι Eiumnoh και Shrestha (2000) αξιοποίησαν τα πλεονεκτήματα της ενσωμάτωσης τόσο του κανονικοποιημένου δείκτη βλάστησης, όσο και του ψηφιακού μοντέλου εδάφους, κατά τη διαδικασία της ταξινόμησης και έδειξαν ότι βελτίωσαν την ακρίβεια στην ταξινόμηση κατά 10 έως 20%.
Βασισμένη στην επιτυχία της ταξινόμησης πολλαπλών πηγών στην εξουδετέρωση της επίδρασης των σκιών, η παρούσα εργασία στοχεύει να παρουσιάσει μια μελέτη εξαγωγής χαρτών κάλυψης γης ακριβείας με χρήση τηλεπισκοπικών και βοηθητικών δεδομένων σε μια περιοχή με υψηλό υψόμετρο και δύσβατο έδαφος, στα Ιμαλάια, όπου οι σκιές είναι το μεγαλύτερο πρόβλημα, επομένως θα είναι ιδιαίτερα χρήσιμη η εφαρμογή μιας τέτοιας ταξινόμησης.

[[ Αρχείο:1 Location map of the study area.jpg | thumb | right | Εικόνα 1. Περιοχή μελέτης ]]

[[ Αρχείο:2 IRS 1C LISS III colour infrared composite.jpg | thumb | right | Εικόνα 2. IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο ]]

[[ Αρχείο:3 A portion of IRS PAN data.jpg | thumb | right | Εικόνα 3. Δεδομένα IRS PAN ]]

Η μελέτη επιτυγχάνεται εν μέρει από ένα μεγάλο εν εξελίξει Γεωγραφικό Σύστημα Πληροφοριών που βασίζεται στην έρευνα της εκτίμησης των επιπτώσεων από την κατολίσθηση για τον σχεδιασμό δρόμων στα Ιμαλάια, όπου οι ακριβείς πληροφορίες για την κάλυψη της γης αποτελούν μια καίρια συμβολή δεδομένων. Η πολυφασματική εικόνα από το IRS-LISS ΙΙΙ- έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο, με πρόσθετα επίπεδα τον κανονικοποιημένο δείκτη βλάστησης και το ψηφιακό μοντέλο εδάφους για την εφαρμογή της ταξινόμησης της εδαφοκάλυψης πολλαπλών πηγών, χρησιμοποιώντας την προσέγγιση του λογικού καναλιού (Tso and Mather, 2001). Η ανάλυση της διαχωρισιμότητας στη βάση της μεταβλημένης απόκλισης έχει επίσης πραγματοποιηθεί για να εξετάσει τη σχετική σημασία των διαφόρων φασματικών καναλιών και των βοηθητικών επιπέδων δεδομένων κατά τη διαδικασία ταξινόμησης. Η ταξινόμηση που έχει γίνει είναι η πιο ευρέως χρησιμοποιούμενη, η ταξινόμηση μεγίστης πιθανοφάνειας (MLC).
Η περιοχή μελέτης, τα δεδομένα και το αντικείμενο εργασίας

Η περιοχή μελέτης έχει έκταση περίπου 730 τ.χλμ., βρίσκεται στα Ιμαλάια, καλύπτει ένα μέρος των περιφερειών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία (Εικ. 1). Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880μ. έως 4785μ. πάνω από τη μέση στάθμη της θάλασσας. Τα ποτάμια Alaknanda και Madhyamaheshwar Ganga ρέουν μέσω του βορειοδυτικού και νοτιοανατολικού τμήματος της περιοχής αντίστοιχα. Η περιοχή επίσης κυριαρχείται από πυκνή δασική κάλυψη (> 50%). Υπάρχουν χέρσες και γεωργικές εκτάσεις, με καλλιέργειες σε αναβαθμίδες.

Οι Gopeshwar και Chamoli αποτελούν τις μεγάλες πόλεις που περιβάλλονται από πολλά μικρά χωριά, σκορπισμένα σε όλη την περιοχή. Στο βορειοανατολικό τμήμα της περιοχής βρίσκονται άγονες εκτάσεις και ψηλά βουνά καλυμμένα με χιόνι. Από γεωλογική άποψη, η περιοχή περιλαμβάνει τα χαμηλότερα Ιμαλάια και τα ψηλότερα Ιμαλάια (Valdiya, 1980) και αποτελείται από μια σειρά λιθολογικών ενοτήτων και συγκεκριμένα από ψαμμίτες, ασβεστόλιθους, γρανίτη γνεύσιο. Δομικά, η περιοχή είναι πολύπλοκη λόγω της παρουσίας διαφόρων ωθήσεων. Κατά συνέπεια, η σεισμική δραστηριότητα και οι κατολισθήσεις στην περιοχή συχνά οδηγούν σε αλλαγή των τοπικών χαρακτηριστικών εδαφοκάλυψης. Η τακτική παρακολούθηση και χαρτογράφηση της κάλυψης της γης είναι λοιπόν απαραίτητη. Η παρούσα μελέτη βασίζεται στην χαρτογράφηση κάλυψη γης από τα δεδομένα τηλεπισκόπησης IRS-1C. Η LISS ΙΙΙ πολυφασματική εικόνα (23,5 m χωρική διακριτική ικανότητα) (Εικ. 2) έχει χρησιμοποιηθεί ως η πρωτογενές δεδομένο για την ταξινόμηση της κάλυψης γης, ενώ η εικόνα PAN (5,8 m χωρική διακριτική ικανότητα) (Εικ. 3), λόγω της ανάλυσής της, έχει χρησιμοποιηθεί ως στοιχείο αναφοράς για τη δημιουργία δοκιμαστικών συνόλων δεδομένων. Πολλές άλλες μελέτες (π.χ. Fisher και Pathirana 1990, Foody και Arora 1996, Shalan et al, 2003) έχουν επίσης χρησιμοποιήσει εικόνες υψηλής ανάλυσης για αυτό το σκοπό, λόγω απουσίας επαρκών στοιχείων της έρευνας πεδίου.

Παρ 'όλα αυτά, στην παρούσα μελέτη, η προετοιμασία των δεδομένων αναφοράς συμπληρώνεται με έρευνες πεδίου που έλαβαν χώρα σε προηγούμενα έτη και το Δεκέμβριο του 2001. Η εποχή της τελευταίας επίσκεψης πεδίου συνέπεσε με την ημερομηνία της απόκτησης των εικόνων LISS ΙΙΙ και PAN, ώστε ταυτόχρονα να περιγραφούν ατμοσφαιρικές και περιβαλλοντικές συνθήκες. Δεδομένου ότι δεν υπάρχει επαρκές δίκτυο δρόμων και το έδαφος είναι απροσπέλαστο λόγω των υψηλών υψομέτρων και της τραχύτητας, οι πληροφορίες σχετικά με την υπάρχουσα κάλυψη γης συλλέγονταν μόνο κατά μήκος των δρόμων πρόσβασης κατά τη διάρκεια των ερευνών πεδίου. Επίσης χρησιμοποιήθηκε το Global Positioning System (GPS) για την απόκτηση ακριβών θέσεων των κατηγοριών κάλυψης γης για την εύκολη οριοθέτηση τους σε γεωαναφερμένες εικόνες LISS ΙΙΙ και PAN. Οι βοηθητικές πληροφορίες υπό τη μορφή ψηφιακών μοντέλων εδάφους προήλθαν από τοπογραφικούς χάρτες.

'''Μεθοδολογία'''

Στην εκτέλεση της ταξινόμησης πολλαπλών πηγών συμμετέχουν μια σειρά από βήματα επεξεργασίας δεδομένων. Αυτά περιλαμβάνουν προεπεξεργασία της εικόνας LISS ΙΙΙ για να διορθωθούν τα ατμοσφαιρικά λάθη, καταγραφή των LISS ΙΙΙ και ΡΑΝ εικόνων, παραγωγή των βοηθητικών επιπέδων δεδομένων, η ταξινόμηση της εικόνας και η αξιολόγηση της ακρίβειας. Όλη η επεξεργασία έχει γίνει με λογισμικά ERDAS, GIS Arc και ILWIS.

'''Προ-επεξεργασία της εικόνας LISS ΙΙΙ'''

Η ατμοσφαιρική σκέδαση είναι κοινή σε δεδομένα τηλεπισκόπησης και γενικά είναι πιο έντονη στις περιοχές μικρότερου μήκους κύματος (π.χ. μπλε). Το αποτέλεσμα της ατμοσφαιρικής σκέδασης είναι κάποιες πρόσθετες φασματικές τιμές για την ανάκλαση του εδάφους (Gupta 2003, Jensen 1986). Σε αυτή τη μελέτη, η εικόνα LISS ΙΙΙ διορθώθηκε για την ατμοσφαιρική ακτινοβολία με τη μέθοδο αφαίρεσης σκοτεινού αντικειμένου (Chavez, 1988). Η μέθοδος είναι γρήγορη και εύκολη, δεδομένου ότι δεν απαιτεί πληροφορίες σχετικά με τις ατμοσφαιρικές συνθήκες κατά τη στιγμή της λήψης της εικόνας. Για την εφαρμογή αυτής της μεθόδου, το εικονοστοιχείο (που συνδέεται με το σκοτεινό αντικείμενο) με ελάχιστη τιμή φωτεινότητας στο εγγύς υπέρυθρο (NIR) κανάλι εντοπίστηκε και οι αντίστοιχες τιμές των εικονοστοιχείων σε όλα τα κανάλια αφαιρέθηκαν από τα συγκεκριμένα πρώτα κανάλια. Αυτό θα οδηγήσει σε μια εικόνα που έχει διορθωθεί για την ατμοσφαιρική σκέδαση.

'''Γεωμετρική καταγραφή των εικόνων'''

Η ακριβής γεωμετρική καταγραφή των εικόνων είναι ένα προαπαιτούμενο για να την εκτέλεση της ταξινόμησης. Πρώτον, η εικόνα LISS ΙΙΙ διορθώθηκε γεωμετρικά χρησιμοποιώντας 39 σωστά κατανεμημένα σημεία ελέγχου εδάφους (GCPs) που εξάγονται από τον τοπογραφικό χάρτη. Λόγω της μη ύπαρξης έντονων, σαφώς καθορισμένων, σταθερών και αξιοπρόσεκτων χαρακτηριστικών της εικόνας, τα κατανεμημένα σημεία ελέγχου εδάφους (GCPs) αποκτήθηκαν κυρίως από τη διασταύρωση των γραμμών αποστράγγισης. Λόγω της απότομης τοπογραφίας και των στενών κοιλάδων στα Ιμαλάια, θεωρήθηκε ότι δεν υπήρξε καμία μεταβολή στο δίκτυο αποστράγγισης μεταξύ του έτους παραγωγής του τοπογραφικού χάρτη και της ημερομηνίας απόκτησης της εικόνας LISS ΙΙΙ.

Η καταγραφή έγινε με ακρίβεια δευτερεύοντος εικονοστοιχείου
με πολυωνυμική τροποποίηση και με τη μέθοδο «επαναδειγματοληψίας του πλησιέστερου γείτονα», αφήνοντας έτσι τις τιμές φωτεινότητας αναλλοίωτες. Η εικόνα PAN έχει επίσης καταχωρηθεί με ακρίβεια δευτερεύοντος εικονοστοιχείου χρησιμοποιώντας 60 σωστά κατανεμημένα σημεία (GCPs). Η καταγραφή της εικόνας PAN ήταν απαραίτητη καθώς η εικόνα αυτή χρησιμοποιήθηκε ως στοιχείο αναφοράς για την ακριβή οριοθέτηση των περιοχών εκπαίδευσης και εξέτασης στην εικόνα LISS ΙΙΙ.

'''Παραγωγή των βοηθητικών δεδομένων'''

Τα επίπεδα δεδομένων ψηφιακού μοντέλου εδάφους (DEM) και κανονικοποιημένου δείκτη βλάστησης (NDVI) χρησιμοποιήθηκαν ως πρόσθετα κανάλια (που αναφέρονται ως δευτερεύοντα στοιχεία) την εκτέλεση της ταξινόμησης πολλαπλών πηγών

'''α) Παραγωγή ψηφιακού μοντέλου εδάφους'''

Σε μεγάλα υψόμετρα και δύσβατα εδάφη, μπορεί να βρεθεί σημαντική διακύμανση στις τιμές φωτεινότητας των εικονοστοιχείων, λόγω της παρουσίας των σκιών. Αυτό μπορεί να οδηγήσει σε λανθασμένη ταξινόμηση. Ως εκ τούτου, το ψηφιακό μοντέλο εδάφους χρησιμοποιήθηκε ως βοηθητικό δεδομένο στη διαδικασία ταξινόμησης κυρίως για να μειωθούν τα σφάλματα ταξινόμησης. Επιπλέον, οι πληροφορίες υψομέτρων από το ψηφιακό μοντέλο εδάφους μπορούν επίσης να ενεργήσουν ως ένας λογικός κανόνας για την παρουσία ή την απουσία ορισμένων κατηγοριών σε συγκεκριμένες ζώνες υψομέτρων. Για παράδειγμα, δεν αναμένεται να υπάρχουν αγραναπαύσεις σε μεγάλα υψόμετρα που καλύπτονται με χιόνι, αφού οι κλιματολογικές συνθήκες δεν επιτρέπουν τη γεωργική δραστηριότητα σε τόσο μεγάλα υψόμετρα. Οι περιοχές αυτές συνεπώς θα πρέπει να κατηγοριοποιούνται ως άγονη γη. Οποιαδήποτε παρουσία αγρανάπαυσης σε χιονισμένες περιοχές λοιπόν μπορεί να αντιπροσωπεύει εσφαλμένη ταξινόμηση, η οποία μπορεί να μειωθεί με την καταγραφή του ψηφιακού μοντέλου εδάφους. Το ψηφιακό μοντέλο εδάφους δημιουργήθηκε με την ψηφιοποίηση ισοϋψών ανά 40 μέτρα από τοπογραφικό χάρτη σε κλίμακα 1:50.000. Χρησιμοποιήθηκε ακανόνιστο δίκτυο τριγώνων (TIN) για την παραγωγή ψηφιδωτού μοντέλου εδάφους με ανάλυση 23,5μ. που ταιριάζει με της εικόνας LISS ΙΙΙ.

[[ Αρχείο:4 Normalized Difference Vegetation Index.jpg | thumb | right | Εικόνα 4. NDVI: κανονικοποιημένος δείκτης βλάστησης, Ταξινόμηση εικόνας ]]

'''β) Επίπεδο NDVI: κανονικοποιημένος δείκτης βλάστησης'''

Δεδομένου ότι η περιοχή μελέτης κυριαρχείται από διαφορετικούς τύπους
βλάστησης, ο κανονικοποιημένος δείκτης βλάστησης χρησιμοποιήθηκε ως βοηθητικό επίπεδο δεδομένων στη διαδικασία ταξινόμησης για την ενίσχυση της διάκρισης των διαφόρων κατηγοριών βλάστησης, αλλά και για τη μείωση της σκιάς. Ο κανονικοποιημένος δείκτης βλάστησης δημιουργήθηκε από το κόκκινο και εγγύς υπέρυθρο κανάλι και από την εικόνα LISS ΙΙΙ και ορίζεται ως εξής:NDVI=(NIRΚόκκινο)/(NIR + Κόκκινο).

Οι τιμές των εικονοστοιχείων του επιπέδου NDVI κυμαίνονται από -1 έως
+1 και κλιμακώνονται από 0 έως 255 αντίστοιχα. Οι μεγαλύτερες τιμές
NDVI δείχνουν αύξηση της βιομάζας ανά μονάδα επιφάνειας. Στην εικόνα 4 παρουσιάζεται το επίπεδο NDVI τοποθετημένο πάνω στο ψηφιακό μοντέλο εδάφους DEM. Στο σχήμα αυτό, οι τιμές NDVI ποικίλλουν από -0,36 έως 0,62. Οι θετικές τιμές αντιπροσωπεύουν διαφορετικές κατηγορίες τύπων βλάστησης, ενώ κοντά στο μηδέν και σε αρνητικές τιμές υποδηλώνουν κατηγορίες μη βλάστησης, όπως το νερό, το χιόνι και η άγονη γη (Εικ. 4).

[[ Αρχείο:PINAKAS 1 kalipsis gis.jpg | thumb | right | Πίνακας 1. Κατηγορίες κάλυψης γης, περιγραφή, χαρακτηριστικά ]]

[[ Αρχείο:PINAKAS 2 pixel.jpg | thumb | right | Πίνακας 2. Αριθμός εικονοστοιχείων εκπαίδευσης ανά κατηγορία κάλυψης γης ]]

Για την παραγωγή του χάρτη κάλυψης γης από την εικόνα LISS ΙΙΙ και από τα βοηθητικά επίπεδα δεδομένων πραγματοποιήθηκε μια σειρά ενεργειών ταξινόμησης εικόνας, οι οποίες περιγράφονται παρακάτω.

'''Επιλογή συστήματος ταξινόμησης κάλυψης γης'''

Ένα σύστημα ταξινόμησης πρέπει να καθορίζει τις κατηγορίες κάλυψης γης για να θεωρηθεί ταξινομημένη η εικόνα τηλεπισκόπησης. Μερικές φορές χρησιμοποιείται ένα πρότυπο σύστημα ταξινόμησης, όπως το σύστημα ταξινόμησης κατηγοριών χρήσεων και κάλυψης γης του Άντερσον (Anderson et al., 1976), ενώ άλλες φορές ο αριθμός των κατηγοριών κάλυψης γης επιλέγονται σύμφωνα με τις απαιτήσεις της συγκεκριμένης εφαρμογής. Στη μελέτη αυτή, που βασίζεται στο σύστημα ταξινόμησης του Άντερσον, ορίστηκαν εννέα κατηγορίες κάλυψης γης. Η λεπτομερής περιγραφή αυτών των κατηγοριών με τα ερμηνευτικά χαρακτηριστικά τους τόσο στο ψευδές έγχρωμο σύνθετο (FCC) των εικόνων LISS ΙΙΙ και PAN παρέχονται στον παρακάτω πίνακα (πίνακας 1).

'''Δημιουργία δεδομένων εκπαίδευσης'''

Η εξαγωγή δεδομένων εκπαίδευσης αποτελεί ένα κρίσιμο βήμα στην διαδικασία εποπτευόμενης ταξινόμησης εικόνας. Δεδομένου ότι η επιτυχία μιας ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεγούν από αντιπροσωπευτικές περιοχές των κατηγοριών κάλυψης του εδάφους. Τα δεδομένα πρέπει να συλλέγονται από ομοιογενείς περιοχές που εκφράζουν τις κατηγορίες. Η συλλογή των δεδομένων εκπαίδευσης είναι γενικά μια χρονοβόρα και κουραστική διαδικασία, δεδομένου ότι περιλαμβάνει επίπονες έρευνες πεδίου και τη συσσώρευση δεδομένων αναφοράς από διάφορες πηγές. Ο αριθμός των εικονοστοιχείων που αποτελούν το σύνολο των δεδομένων εκπαίδευσης πρέπει να είναι αρκετά μεγάλος για να χαρακτηριστούν επακριβώς οι κατηγορίες κάλυψης γης. Ως γενικός κανόνας, ο αριθμός των εικονοστοιχείων εκπαίδευσης για κάθε κατηγορία μπορεί να διατηρηθεί ως 30 φορές επί τον αριθμό των καναλιών υπό εξέταση (Mather, 1999). Στη μελέτη αυτή, το σύνολο δεδομένων εκπαίδευσης αποτελείται από περίπου το 1% του συνόλου των εικονοστοιχείων στην εικόνα LISS ΙΙΙ. Ο αριθμός των δειγμάτων εκπαίδευσης για κάθε κατηγορία επιλέχθηκαν κατ 'αναλογία προς την έκταση που καλύπτεται από τις αντίστοιχες κατηγορίες κάλυψης εδάφος (πίνακας 2) .

'''Ανάλυση διαχωρισιμότητας'''

Το σύνολο των δεδομένων για την ταξινόμηση αποτελείται από έξι επίπεδα (τέσσερα κανάλια της πολυφασματικής εικόνα LISS ΙΙΙ, δύο βοηθητικές πηγές δεδομένων: κανονικοποιημένος δείκτης βλάστησης και ψηφιακό μοντέλο εδάφους). Για τον προσδιορισμό του πιο κατάλληλου συνδυασμού των καναλιών για την καλύτερη διάκριση μεταξύ των κατηγοριών κάλυψης γης, πραγματοποιήθηκε ανάλυση διαχωρισιμότητας
των αποτελεσμάτων, (μια στατιστική μέθοδος) για τον υπολογισμό των
φασματικών αποστάσεων για κάθε συνδυασμό καναλιών, η μεταβλημένη απόκλιση (TD), με τιμές από 0-2000, με πιο κατάλληλες τις μεγαλύτερες.

'''Ταξινόμηση μεγίστης πιθανοφάνειας (MLC)'''

Η ταξινόμηση μεγίστης πιθανοφάνειας έχει διαπιστωθεί ότι είναι πολύ ακριβής όταν πληρούνται οι παραδοχές κατανομής δεδομένων και έχει χρησιμοποιηθεί εδώ προς την παραγωγή θεματικών χαρτών χήσης και κάλυψης γης με διαφορετικούς συνδυασμούς καναλιών.

'''Εκτίμηση ακρίβειας της ταξινόμησης'''

Καμία ταξινόμηση εικόνας δε μπορεί να είναι πλήρης, αν δεν έχει εκτιμηθεί η ακρίβειά της. Για τον έλεγχο της ακρίβειας της ταξινόμησης, έχει επιλεγεί ένα δείγμα των εικονοστοιχείων, για τα οποία συγκρίνεται η κατηγορία στην οποία έχουν ταξινομηθεί με την κατηγορία που ανήκουν στην πραγματικότητα με επίγειο έλεγχο. Η επιλογή του κατάλληλου δείγματος και του μεγέθους του διαδραματίζει καίριο ρόλο στην αξιολόγηση
της ακρίβειας της ταξινόμησης.

[[ Αρχείο:5 The land cover classification with the highest accuracy.jpg | thumb | right | Εικόνα 5. Ταξινόμηση κάλυψης γης μεγίστης ακρίβειας ]]

'''Αποτελέσματα'''

Ο σκοπός της παρούσας μελέτης είναι η εφαρμογή ταξινόμησης πολλαπλών πηγών για την παραγωγή χάρτη κάλυψης γης για τον καθορισμό ζωνών επικινδυνότητας λόγω κατολίσθησης. Η ταξινόμηση με βάση μόνο τα φασματικά δεδομένα της εικόνας LISS ΙΙΙ έχει ακρίβεια 86,94%, η οποία είναι μεγαλύτερη από την ελάχιστη απαιτούμενη ακρίβεια 85% (Anderson, 1976). Η επιπλέον ένταξη του κανονικοποιημένου δείκτη βλάστησης μείωσε την ακρίβεια στο 84,78%, όταν όμως προστέθηκε και το επίπεδο του ψηφιακού μοντέλου εδάφους, η ακρίβεια αυξήθηκε στο 92,04%. Συγκεκριμένα οι κατηγορίες αραιή βλάστηση, γεωργία, χέρσα και άγονη γη, οικισμοί και χιόνι παρουσίασαν σημαντική αύξηση της ακρίβειας που κυμαίνεται από 1,5% έως 20%., δεδομένου ότι, τα μεγάλα υψόμετρα και η παρουσία των σκιών αποκλείουν κάποιες κατηγορίες. Από την οπτική σύγκριση του έγχρωμου σύνθετου (Εικ. 2) και την ταξινόμηση της εδαφοκάλυψης υψηλής ακρίβειας (Εικ. 5), μπορεί να παρατηρηθεί ότι η προσθήκη του κανονικοποιημένου δείκτη βλάστησης και του ψηφιακού μοντέλου εδάφους είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

'''Συμπεράσματα'''

Στην παρούσα μελέτη αποδείχτηκε η αποτελεσματικότητα της ενσωμάτωσης του ψηφιακού μοντέλου εδάφους και του κανονικοποιημένου δείκτη βλάστησης παράλληλα με τη χρήση των τηλεπισκοπικών δεδομένων για την ακριβέστερη ταξινόμηση χαρτών κάλυψης γης σε ορεινές και απροσπέλαστες περιοχές με σημαντική παρουσία έντονων σκιών, όπως στην περιοχή των Ιμαλαΐων.

[[category:Χαρτογραφία]]

Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

2012-03-03T11:47:31Z

Rokana.vasiliki:

'''A. K. Saha''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

'''M. K. Arora''', Department of Civil Engineering, Indian Institute of Technology Roorkee,Roorkee-247667, India

'''E. Csaplovics''', Institute of Photogrammetry and Remote Sensing, TU- Dresden, Dresden, D-01069, Germany

'''R. P. Gupta''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

http://www.tandfonline.com/doi/abs/10.1080/10106040508542343#preview

'''Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια'''

Η ταξινόμηση ψηφιακής εικόνας πραγματοποιείται γενικά για την παραγωγή χαρτών κάλυψης γης από τηλεπισκοπικά δεδομένα, ιδιαίτερα για περιοχές μεγάλης έκτασης. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα δεδομένα τηλεπισκόπησης μπορεί να μειωθεί, ιδιαίτερα στις ορεινές περιοχές, λόγω της παρουσίας των σκιών των ψηλών κορυφών. Στην παρούσα μελέτη, έχει υιοθετηθεί μια προσέγγιση ταξινόμησης πολλαπλών πηγών για την χαρτογράφηση της κάλυψης γης σε περιοχή με ψηλές βουνοκορφές, με υψόμετρα έως και 4785 μέτρα πάνω από τη μέση στάθμη της θάλασσας, στην περιοχή των Ιμαλαΐων. Δεδομένα τηλεπισκόπησης από εικόνες IRS LISS ΙΙΙ, αλλά και κανονικοποιημένοι δείκτες βλάστησης και ψηφιακά μοντέλα εδάφους έχουν χρησιμοποιηθεί για την εκτέλεση ταξινόμησης μεγίστης πιθανοφάνειας πολλαπλών πηγών. Τα αποτελέσματα δείχνουν μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των κανονικοποιημένων δεικτών βλάστησης και των ψηφιακών μοντέλων εδάφους ως βοηθητικά δεδομένα για την ταξινόμηση, η οποία γίνεται αποκλειστικά με βάση τα δεδομένα τηλεπισκόπησης.

Η γνώση των χωρικών πληροφοριών κάλυψης του εδάφους είναι απαραίτητη για τη σωστή διαχείριση, τον προγραμματισμό και την παρακολούθηση των φυσικών πόρων (Zhu, 1997). Για παράδειγμα, αποτελεί σημαντική πληροφορία για πολλούς τομείς της γεωργίας, της γεωλογίας, για υδρολογικά και οικολογικά μοντέλα. Επίσης, κάθε μελέτη επικινδυνότητας, όπως η μελέτη ζωνών επικινδυνότητας κατολίσθησης (π.χ. Gupta et al, 1999, Σάχα et al, 2002) εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα πληροφοριών κάλυψης γης που να έχουν ακρίβεια και να είναι επικαιροποιημένες.

Οι δορυφορικές εικόνες τηλεπισκόπησης αποτελούν μια βιώσιμη πηγή για τη συλλογή πληροφοριών ποιότητας της κάλυψης γης σε τοπικό, περιφερειακό και παγκόσμιο επίπεδο (Csaplovics, 1998, Foody, 2002). Επιπλέον, τα δεδομένα τηλεπισκόπησης είναι, κυρίως, χρήσιμα για τη χαρτογράφηση κάλυψης γης σε ορεινές περιοχές, όπως τα Ιμαλάια, αφού οι περιοχές αυτές είναι γενικά απροσπέλαστες λόγω των μεγάλων υψομέτρων και της τραχύτητας του εδάφους. Στις υψηλές ορεινές περιοχές, έχουν πραγματοποιηθεί πολλές μελέτες χαρτογράφησης της κάλυψης του εδάφους με τη χρήση τηλεπισκοπικών δεδομένων, με διαφορετικό όμως βαθμό ακρίβειας. Αυτό μπορεί να οφείλεται σε ένα μεγάλο αριθμό παραγόντων που επηρεάζουν τη διαδικασία της τηλεπισκόπησης. Αυτοί περιλαμβάνουν την παρουσία των σκιών που οφείλονται σε μεγάλο υψόμετρο του εδάφους, τη νεφοκάλυψη, τις βαθιές στενές κοιλάδες και τις ρεματιές, τις χαμηλές γωνίες του ήλιου, τις απότομες πλαγιές και τη διαφοροποιημένη κάλυψη της βλάστησης. Ως εκ τούτου, λόγω των μεταβολών των περιβαλλοντικών συνθηκών, τα φασματικά χαρακτηριστικά αλλάζουν από τη μία περιοχή στην άλλη (Mathur και Arora, 2001). Έτσι, η ταξινόμηση που βασίζεται μόνο σε τηλεπισκοπικά δεδομένα μπορεί να μην είναι επαρκής για την αποτελεσματική συλλογή πληροφοριών κάλυψης γης. Τα βοηθητικά δεδομένα από άλλες πηγές μπορεί να αποκτηθούν από χάρτες (Bruzzone et al., 1997), γεωλογικούς (Γκονγκ, 1996) και άλλους χάρτες. Οι πιο χρήσιμες πληροφορίες που μπορούν να ληφθούν από τοπογραφικούς χάρτες είναι οι ισουψείς καμπύλες, οι οποίες μπορούν να ψηφιοποιηθούν και να παράγουν ένα ράστερ ψηφιακό μοντέλο εδάφους (DEM). Τα ψηφιακά μοντέλα εδάφους μαζί με τα παράγωγά τους, όπως η κλίση, αποτελούν τη βάση για την ταξινόμηση πολλαπλών πηγών (Jones et al 1988, Φρανκ 1988, Janssen et al 1990).
Στοιχεία από διαφορετικούς αισθητήρες τηλεπισκόπησης μπορούν επίσης να συνδυαστούν για την ταξινόμηση (Michelson et al., 2000). Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων, όπως η ανάλυση σε κύριες συνιστώσες (PCA) και ο κανονικοποιημένος δείκτης βλάστησης (NDVI), μπορεί επίσης να ενσωματωθεί στη διαδικασία ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης στις ορεινές περιοχές (Eiumnoh και Shrestha, 2000). Στις ορεινές περιοχές, όπως στα Ιμαλάια, οι σκιές είναι η κύρια πηγή της σύγχυσης στην εξαγωγή πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης. Παρά το γεγονός ότι, δεν υπάρχει κατάλληλη μέθοδος για να καταργηθεί εντελώς η επίδραση των σκιών, υπάρχουν αρκετές εναλλακτικές λύσεις για να ελαχιστοποιηθούν οι επιπτώσεις τους, προκειμένου να βελτιωθεί η ταξινόμηση από τα τηλεπισκοπικά δεδομένα. Πολλές από τις μεθόδους βασίζονται σε μοντέλα σκιασμένου αναγλύφου που παράγονται από το ψηφιακό μοντέλο εδάφους. Ωστόσο, κάποιες μελέτες (π.χ. Kawata et al. 1988, Civco 1989, Colby 1991, Curran και Foody, 1994) έχουν δείξει ότι λόγω της παρουσίας λαθών στη δημιουργία ψηφιακών μοντέλων εδάφους και του τρόπου που το ψηφιακό μοντέλο εδάφους εφαρμόζεται στη διαδικασία ταξινόμησης, η διόρθωση για τις σκιασμένες πλαγιές μπορεί να είναι υπερεκτιμημένη. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί η χρήση ενός επιπλέον επιπέδου, του κανονικοποιημένου δείκτη βλάστησης (NDVI), δεδομένου ότι τα παράγωγα των λόγων των καναλιών μπορούν να βοηθήσουν στον μερικό περιορισμό τοπογραφικών στοιχείων (Holben and Justice 1981, Apan 1997). Μπορεί ωστόσο να σημειωθεί ότι το επίπεδο του κανονικοποιημένου δείκτη βλάστησης δεν μπορεί από μόνο του να καταργήσει τελείως την επίδραση της σκιάς. Οι Eiumnoh και Shrestha (2000) αξιοποίησαν τα πλεονεκτήματα της ενσωμάτωσης τόσο του κανονικοποιημένου δείκτη βλάστησης, όσο και του ψηφιακού μοντέλου εδάφους, κατά τη διαδικασία της ταξινόμησης και έδειξαν ότι βελτίωσαν την ακρίβεια στην ταξινόμηση κατά 10 έως 20%.
Βασισμένη στην επιτυχία της ταξινόμησης πολλαπλών πηγών στην εξουδετέρωση της επίδρασης των σκιών, η παρούσα εργασία στοχεύει να παρουσιάσει μια μελέτη εξαγωγής χαρτών κάλυψης γης ακριβείας με χρήση τηλεπισκοπικών και βοηθητικών δεδομένων σε μια περιοχή με υψηλό υψόμετρο και δύσβατο έδαφος, στα Ιμαλάια, όπου οι σκιές είναι το μεγαλύτερο πρόβλημα, επομένως θα είναι ιδιαίτερα χρήσιμη η εφαρμογή μιας τέτοιας ταξινόμησης.

[[ Αρχείο:1 Location map of the study area.jpg | thumb | right | Εικόνα 1. Περιοχή μελέτης ]]

[[ Αρχείο:2 IRS 1C LISS III colour infrared composite.jpg | thumb | right | Εικόνα 2. IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο ]]

[[ Αρχείο:3 A portion of IRS PAN data.jpg | thumb | right | Εικόνα 3. Δεδομένα IRS PAN ]]

Η μελέτη επιτυγχάνεται εν μέρει από ένα μεγάλο εν εξελίξει Γεωγραφικό Σύστημα Πληροφοριών που βασίζεται στην έρευνα της εκτίμησης των επιπτώσεων από την κατολίσθηση για τον σχεδιασμό δρόμων στα Ιμαλάια, όπου οι ακριβείς πληροφορίες για την κάλυψη της γης αποτελούν μια καίρια συμβολή δεδομένων. Η πολυφασματική εικόνα από το IRS-LISS ΙΙΙ- έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο, με πρόσθετα επίπεδα τον κανονικοποιημένο δείκτη βλάστησης και το ψηφιακό μοντέλο εδάφους για την εφαρμογή της ταξινόμησης της εδαφοκάλυψης πολλαπλών πηγών, χρησιμοποιώντας την προσέγγιση του λογικού καναλιού (Tso and Mather, 2001). Η ανάλυση της διαχωρισιμότητας στη βάση της μεταβλημένης απόκλισης έχει επίσης πραγματοποιηθεί για να εξετάσει τη σχετική σημασία των διαφόρων φασματικών καναλιών και των βοηθητικών επιπέδων δεδομένων κατά τη διαδικασία ταξινόμησης. Η ταξινόμηση που έχει γίνει είναι η πιο ευρέως χρησιμοποιούμενη, η ταξινόμηση μεγίστης πιθανοφάνειας (MLC).
Η περιοχή μελέτης, τα δεδομένα και το αντικείμενο εργασίας

Η περιοχή μελέτης έχει έκταση περίπου 730 τ.χλμ., βρίσκεται στα Ιμαλάια, καλύπτει ένα μέρος των περιφερειών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία (Εικ. 1). Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880μ. έως 4785μ. πάνω από τη μέση στάθμη της θάλασσας. Τα ποτάμια Alaknanda και Madhyamaheshwar Ganga ρέουν μέσω του βορειοδυτικού και νοτιοανατολικού τμήματος της περιοχής αντίστοιχα. Η περιοχή επίσης κυριαρχείται από πυκνή δασική κάλυψη (> 50%). Υπάρχουν χέρσες και γεωργικές εκτάσεις, με καλλιέργειες σε αναβαθμίδες.

Οι Gopeshwar και Chamoli αποτελούν τις μεγάλες πόλεις που περιβάλλονται από πολλά μικρά χωριά, σκορπισμένα σε όλη την περιοχή. Στο βορειοανατολικό τμήμα της περιοχής βρίσκονται άγονες εκτάσεις και ψηλά βουνά καλυμμένα με χιόνι. Από γεωλογική άποψη, η περιοχή περιλαμβάνει τα χαμηλότερα Ιμαλάια και τα ψηλότερα Ιμαλάια (Valdiya, 1980) και αποτελείται από μια σειρά λιθολογικών ενοτήτων και συγκεκριμένα από ψαμμίτες, ασβεστόλιθους, γρανίτη γνεύσιο. Δομικά, η περιοχή είναι πολύπλοκη λόγω της παρουσίας διαφόρων ωθήσεων. Κατά συνέπεια, η σεισμική δραστηριότητα και οι κατολισθήσεις στην περιοχή συχνά οδηγούν σε αλλαγή των τοπικών χαρακτηριστικών εδαφοκάλυψης. Η τακτική παρακολούθηση και χαρτογράφηση της κάλυψης της γης είναι λοιπόν απαραίτητη. Η παρούσα μελέτη βασίζεται στην χαρτογράφηση κάλυψη γης από τα δεδομένα τηλεπισκόπησης IRS-1C. Η LISS ΙΙΙ πολυφασματική εικόνα (23,5 m χωρική διακριτική ικανότητα) (Εικ. 2) έχει χρησιμοποιηθεί ως η πρωτογενές δεδομένο για την ταξινόμηση της κάλυψης γης, ενώ η εικόνα PAN (5,8 m χωρική διακριτική ικανότητα) (Εικ. 3), λόγω της ανάλυσής της, έχει χρησιμοποιηθεί ως στοιχείο αναφοράς για τη δημιουργία δοκιμαστικών συνόλων δεδομένων. Πολλές άλλες μελέτες (π.χ. Fisher και Pathirana 1990, Foody και Arora 1996, Shalan et al, 2003) έχουν επίσης χρησιμοποιήσει εικόνες υψηλής ανάλυσης για αυτό το σκοπό, λόγω απουσίας επαρκών στοιχείων της έρευνας πεδίου.

Παρ 'όλα αυτά, στην παρούσα μελέτη, η προετοιμασία των δεδομένων αναφοράς συμπληρώνεται με έρευνες πεδίου που έλαβαν χώρα σε προηγούμενα έτη και το Δεκέμβριο του 2001. Η εποχή της τελευταίας επίσκεψης πεδίου συνέπεσε με την ημερομηνία της απόκτησης των εικόνων LISS ΙΙΙ και PAN, ώστε ταυτόχρονα να περιγραφούν ατμοσφαιρικές και περιβαλλοντικές συνθήκες. Δεδομένου ότι δεν υπάρχει επαρκές δίκτυο δρόμων και το έδαφος είναι απροσπέλαστο λόγω των υψηλών υψομέτρων και της τραχύτητας, οι πληροφορίες σχετικά με την υπάρχουσα κάλυψη γης συλλέγονταν μόνο κατά μήκος των δρόμων πρόσβασης κατά τη διάρκεια των ερευνών πεδίου. Επίσης χρησιμοποιήθηκε το Global Positioning System (GPS) για την απόκτηση ακριβών θέσεων των κατηγοριών κάλυψης γης για την εύκολη οριοθέτηση τους σε γεωαναφερμένες εικόνες LISS ΙΙΙ και PAN. Οι βοηθητικές πληροφορίες υπό τη μορφή ψηφιακών μοντέλων εδάφους προήλθαν από τοπογραφικούς χάρτες.

Μεθοδολογία

Στην εκτέλεση της ταξινόμησης πολλαπλών πηγών συμμετέχουν μια σειρά από βήματα επεξεργασίας δεδομένων. Αυτά περιλαμβάνουν προεπεξεργασία της εικόνας LISS ΙΙΙ για να διορθωθούν τα ατμοσφαιρικά
λάθη, καταγραφή των LISS ΙΙΙ και ΡΑΝ εικόνων, παραγωγή των βοηθητικών επιπέδων δεδομένων, η ταξινόμηση της εικόνας και η αξιολόγηση της ακρίβειας. Όλη η επεξεργασία έχει γίνει με λογισμικά ERDAS, GIS Arc και ILWIS.
Προ-επεξεργασία της εικόνας LISS ΙΙΙ

Η ατμοσφαιρική σκέδαση είναι κοινή σε δεδομένα τηλεπισκόπησης και γενικά είναι πιο έντονη στις περιοχές μικρότερου μήκους κύματος (π.χ. μπλε). Το αποτέλεσμα της ατμοσφαιρικής σκέδασης είναι κάποιες πρόσθετες φασματικές τιμές για την ανάκλαση του εδάφους (Gupta 2003, Jensen 1986). Σε αυτή τη μελέτη, η εικόνα LISS ΙΙΙ διορθώθηκε για την ατμοσφαιρική ακτινοβολία με τη μέθοδο αφαίρεσης σκοτεινού αντικειμένου (Chavez, 1988). Η μέθοδος είναι γρήγορη και εύκολη, δεδομένου ότι δεν απαιτεί πληροφορίες σχετικά με τις ατμοσφαιρικές συνθήκες κατά τη στιγμή της λήψης της εικόνας. Για την εφαρμογή αυτής της μεθόδου, το εικονοστοιχείο (που συνδέεται με το σκοτεινό αντικείμενο) με ελάχιστη τιμή φωτεινότητας στο εγγύς υπέρυθρο (NIR) κανάλι εντοπίστηκε και οι αντίστοιχες τιμές των εικονοστοιχείων σε όλα τα κανάλια αφαιρέθηκαν από τα συγκεκριμένα πρώτα κανάλια. Αυτό θα οδηγήσει σε μια εικόνα που έχει διορθωθεί για την ατμοσφαιρική σκέδαση.

Γεωμετρική καταγραφή των εικόνων

Η ακριβής γεωμετρική καταγραφή των εικόνων είναι ένα προαπαιτούμενο για να την εκτέλεση της ταξινόμησης. Πρώτον, η εικόνα LISS ΙΙΙ διορθώθηκε γεωμετρικά χρησιμοποιώντας 39 σωστά κατανεμημένα σημεία ελέγχου εδάφους (GCPs) που εξάγονται από τον τοπογραφικό χάρτη. Λόγω της μη ύπαρξης έντονων, σαφώς καθορισμένων, σταθερών και αξιοπρόσεκτων χαρακτηριστικών της εικόνας, τα κατανεμημένα σημεία ελέγχου εδάφους (GCPs) αποκτήθηκαν κυρίως από τη διασταύρωση των γραμμών αποστράγγισης. Λόγω της απότομης τοπογραφίας και των στενών κοιλάδων στα Ιμαλάια, θεωρήθηκε ότι δεν υπήρξε καμία μεταβολή στο δίκτυο αποστράγγισης μεταξύ του έτους παραγωγής του τοπογραφικού χάρτη και της ημερομηνίας απόκτησης της εικόνας LISS ΙΙΙ.

Η καταγραφή έγινε με ακρίβεια δευτερεύοντος εικονοστοιχείου
με πολυωνυμική τροποποίηση και με τη μέθοδο «επαναδειγματοληψίας του πλησιέστερου γείτονα», αφήνοντας έτσι τις τιμές φωτεινότητας αναλλοίωτες. Η εικόνα PAN έχει επίσης καταχωρηθεί με ακρίβεια δευτερεύοντος εικονοστοιχείου χρησιμοποιώντας 60 σωστά κατανεμημένα σημεία (GCPs). Η καταγραφή της εικόνας PAN ήταν απαραίτητη καθώς η εικόνα αυτή χρησιμοποιήθηκε ως στοιχείο αναφοράς για την ακριβή οριοθέτηση των περιοχών εκπαίδευσης και εξέτασης στην εικόνα LISS ΙΙΙ.

Παραγωγή των βοηθητικών δεδομένων

Τα επίπεδα δεδομένων ψηφιακού μοντέλου εδάφους (DEM) και κανονικοποιημένου δείκτη βλάστησης (NDVI) χρησιμοποιήθηκαν ως πρόσθετα κανάλια (που αναφέρονται ως δευτερεύοντα στοιχεία) την εκτέλεση της ταξινόμησης πολλαπλών πηγών

α) Παραγωγή ψηφιακού μοντέλου εδάφους

Σε μεγάλα υψόμετρα και δύσβατα εδάφη, μπορεί να βρεθεί σημαντική διακύμανση στις τιμές φωτεινότητας των εικονοστοιχείων, λόγω της παρουσίας των σκιών. Αυτό μπορεί να οδηγήσει σε λανθασμένη ταξινόμηση. Ως εκ τούτου, το ψηφιακό μοντέλο εδάφους χρησιμοποιήθηκε ως βοηθητικό δεδομένο στη διαδικασία ταξινόμησης κυρίως για να μειωθούν τα σφάλματα ταξινόμησης. Επιπλέον, οι πληροφορίες υψομέτρων από το ψηφιακό μοντέλο εδάφους μπορούν επίσης να ενεργήσουν ως ένας λογικός κανόνας για την παρουσία ή την απουσία ορισμένων κατηγοριών σε συγκεκριμένες ζώνες υψομέτρων. Για παράδειγμα, δεν αναμένεται να υπάρχουν αγραναπαύσεις σε μεγάλα υψόμετρα που καλύπτονται με χιόνι, αφού οι κλιματολογικές συνθήκες δεν επιτρέπουν τη γεωργική δραστηριότητα σε τόσο μεγάλα υψόμετρα. Οι περιοχές αυτές συνεπώς θα πρέπει να κατηγοριοποιούνται ως άγονη γη. Οποιαδήποτε παρουσία αγρανάπαυσης σε χιονισμένες περιοχές λοιπόν μπορεί να αντιπροσωπεύει εσφαλμένη ταξινόμηση, η οποία μπορεί να μειωθεί με την καταγραφή του ψηφιακού μοντέλου εδάφους. Το ψηφιακό μοντέλο εδάφους δημιουργήθηκε με την ψηφιοποίηση ισοϋψών ανά 40 μέτρα από τοπογραφικό χάρτη σε κλίμακα 1:50.000. Χρησιμοποιήθηκε ακανόνιστο δίκτυο τριγώνων (TIN) για την παραγωγή ψηφιδωτού μοντέλου εδάφους με ανάλυση 23,5μ. που ταιριάζει με της εικόνας LISS ΙΙΙ.

[[ Αρχείο:4 Normalized Difference Vegetation Index.jpg | thumb | right | Εικόνα 4. NDVI: κανονικοποιημένος δείκτης βλάστησης, Ταξινόμηση εικόνας ]]

β) Επίπεδο NDVI: κανονικοποιημένος δείκτης βλάστησης

Δεδομένου ότι η περιοχή μελέτης κυριαρχείται από διαφορετικούς τύπους
βλάστησης, ο κανονικοποιημένος δείκτης βλάστησης χρησιμοποιήθηκε ως βοηθητικό επίπεδο δεδομένων στη διαδικασία ταξινόμησης για την ενίσχυση της διάκρισης των διαφόρων κατηγοριών βλάστησης, αλλά και για τη μείωση της σκιάς. Ο κανονικοποιημένος δείκτης βλάστησης δημιουργήθηκε από το κόκκινο και εγγύς υπέρυθρο κανάλι και από την εικόνα LISS ΙΙΙ και ορίζεται ως εξής:NDVI=(NIRΚόκκινο)/(NIR + Κόκκινο).

Οι τιμές των εικονοστοιχείων του επιπέδου NDVI κυμαίνονται από -1 έως
+1 και κλιμακώνονται από 0 έως 255 αντίστοιχα. Οι μεγαλύτερες τιμές
NDVI δείχνουν αύξηση της βιομάζας ανά μονάδα επιφάνειας. Στην εικόνα 4 παρουσιάζεται το επίπεδο NDVI τοποθετημένο πάνω στο ψηφιακό μοντέλο εδάφους DEM. Στο σχήμα αυτό, οι τιμές NDVI ποικίλλουν από -0,36 έως 0,62. Οι θετικές τιμές αντιπροσωπεύουν διαφορετικές κατηγορίες τύπων βλάστησης, ενώ κοντά στο μηδέν και σε αρνητικές τιμές υποδηλώνουν κατηγορίες μη βλάστησης, όπως το νερό, το χιόνι και η άγονη γη (Εικ. 4).

[[ Αρχείο:PINAKAS 1 kalipsis gis.jpg | thumb | right | Πίνακας 1. Κατηγορίες κάλυψης γης, περιγραφή, χαρακτηριστικά ]]

[[ Αρχείο:PINAKAS 2 pixel.jpg | thumb | right | Πίνακας 2. Αριθμός εικονοστοιχείων εκπαίδευσης ανά κατηγορία κάλυψης γης ]]

Για την παραγωγή του χάρτη κάλυψης γης από την εικόνα LISS ΙΙΙ και από τα βοηθητικά επίπεδα δεδομένων πραγματοποιήθηκε μια σειρά ενεργειών ταξινόμησης εικόνας, οι οποίες περιγράφονται παρακάτω.

Επιλογή συστήματος ταξινόμησης κάλυψης γης

Ένα σύστημα ταξινόμησης πρέπει να καθορίζει τις κατηγορίες κάλυψης γης για να θεωρηθεί ταξινομημένη η εικόνα τηλεπισκόπησης. Μερικές φορές χρησιμοποιείται ένα πρότυπο σύστημα ταξινόμησης, όπως το σύστημα ταξινόμησης κατηγοριών χρήσεων και κάλυψης γης του Άντερσον (Anderson et al., 1976), ενώ άλλες φορές ο αριθμός των κατηγοριών κάλυψης γης επιλέγονται σύμφωνα με τις απαιτήσεις της συγκεκριμένης εφαρμογής. Στη μελέτη αυτή, που βασίζεται στο σύστημα ταξινόμησης του Άντερσον, ορίστηκαν εννέα κατηγορίες κάλυψης γης. Η λεπτομερής περιγραφή αυτών των κατηγοριών με τα ερμηνευτικά χαρακτηριστικά τους τόσο στο ψευδές έγχρωμο σύνθετο (FCC) των εικόνων LISS ΙΙΙ και PAN παρέχονται στον παρακάτω πίνακα (πίνακας 1).

Δημιουργία δεδομένων εκπαίδευσης

Η εξαγωγή δεδομένων εκπαίδευσης αποτελεί ένα κρίσιμο βήμα στην διαδικασία εποπτευόμενης ταξινόμησης εικόνας. Δεδομένου ότι η επιτυχία μιας ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεγούν από αντιπροσωπευτικές περιοχές των κατηγοριών κάλυψης του εδάφους. Τα δεδομένα πρέπει να συλλέγονται από ομοιογενείς περιοχές που εκφράζουν τις κατηγορίες. Η συλλογή των δεδομένων εκπαίδευσης είναι γενικά μια χρονοβόρα και κουραστική διαδικασία, δεδομένου ότι περιλαμβάνει επίπονες έρευνες πεδίου και τη συσσώρευση δεδομένων αναφοράς από διάφορες πηγές. Ο αριθμός των εικονοστοιχείων που αποτελούν το σύνολο των δεδομένων εκπαίδευσης πρέπει να είναι αρκετά μεγάλος για να χαρακτηριστούν επακριβώς οι κατηγορίες κάλυψης γης. Ως γενικός κανόνας, ο αριθμός των εικονοστοιχείων εκπαίδευσης για κάθε κατηγορία μπορεί να διατηρηθεί ως 30 φορές επί τον αριθμό των καναλιών υπό εξέταση (Mather, 1999). Στη μελέτη αυτή, το σύνολο δεδομένων εκπαίδευσης αποτελείται από περίπου το 1% του συνόλου των εικονοστοιχείων στην εικόνα LISS ΙΙΙ. Ο αριθμός των δειγμάτων εκπαίδευσης για κάθε κατηγορία επιλέχθηκαν κατ 'αναλογία προς την έκταση που καλύπτεται από τις αντίστοιχες κατηγορίες κάλυψης εδάφος (πίνακας 2) .

Ανάλυση διαχωρισιμότητας

Το σύνολο των δεδομένων για την ταξινόμηση αποτελείται από έξι επίπεδα (τέσσερα κανάλια της πολυφασματικής εικόνα LISS ΙΙΙ, δύο βοηθητικές πηγές δεδομένων: κανονικοποιημένος δείκτης βλάστησης και ψηφιακό μοντέλο εδάφους). Για τον προσδιορισμό του πιο κατάλληλου συνδυασμού των καναλιών για την καλύτερη διάκριση μεταξύ των κατηγοριών κάλυψης γης, πραγματοποιήθηκε ανάλυση διαχωρισιμότητας
των αποτελεσμάτων, (μια στατιστική μέθοδος) για τον υπολογισμό των
φασματικών αποστάσεων για κάθε συνδυασμό καναλιών, η μεταβλημένη απόκλιση (TD), με τιμές από 0-2000, με πιο κατάλληλες τις μεγαλύτερες.

Ταξινόμηση μεγίστης πιθανοφάνειας (MLC)

Η ταξινόμηση μεγίστης πιθανοφάνειας έχει διαπιστωθεί ότι είναι πολύ ακριβής όταν πληρούνται οι παραδοχές κατανομής δεδομένων και έχει χρησιμοποιηθεί εδώ προς την παραγωγή θεματικών χαρτών χήσης και κάλυψης γης με διαφορετικούς συνδυασμούς καναλιών.

Εκτίμηση ακρίβειας της ταξινόμησης

Καμία ταξινόμηση εικόνας δε μπορεί να είναι πλήρης, αν δεν έχει εκτιμηθεί η ακρίβειά της. Για τον έλεγχο της ακρίβειας της ταξινόμησης, έχει επιλεγεί ένα δείγμα των εικονοστοιχείων, για τα οποία συγκρίνεται η κατηγορία στην οποία έχουν ταξινομηθεί με την κατηγορία που ανήκουν στην πραγματικότητα με επίγειο έλεγχο. Η επιλογή του κατάλληλου δείγματος και του μεγέθους του διαδραματίζει καίριο ρόλο στην αξιολόγηση
της ακρίβειας της ταξινόμησης.

[[ Αρχείο:5 The land cover classification with the highest accuracy.jpg | thumb | right | Εικόνα 5. Ταξινόμηση κάλυψης γης μεγίστης ακρίβειας ]]

Αποτελέσματα

Ο σκοπός της παρούσας μελέτης είναι η εφαρμογή ταξινόμησης πολλαπλών πηγών για την παραγωγή χάρτη κάλυψης γης για τον καθορισμό ζωνών επικινδυνότητας λόγω κατολίσθησης. Η ταξινόμηση με βάση μόνο τα φασματικά δεδομένα της εικόνας LISS ΙΙΙ έχει ακρίβεια 86,94%, η οποία είναι μεγαλύτερη από την ελάχιστη απαιτούμενη ακρίβεια 85% (Anderson, 1976). Η επιπλέον ένταξη του κανονικοποιημένου δείκτη βλάστησης μείωσε την ακρίβεια στο 84,78%, όταν όμως προστέθηκε και το επίπεδο του ψηφιακού μοντέλου εδάφους, η ακρίβεια αυξήθηκε στο 92,04%. Συγκεκριμένα οι κατηγορίες αραιή βλάστηση, γεωργία, χέρσα και άγονη γη, οικισμοί και χιόνι παρουσίασαν σημαντική αύξηση της ακρίβειας που κυμαίνεται από 1,5% έως 20%., δεδομένου ότι, τα μεγάλα υψόμετρα και η παρουσία των σκιών αποκλείουν κάποιες κατηγορίες. Από την οπτική σύγκριση του έγχρωμου σύνθετου (Εικ. 2) και την ταξινόμηση της εδαφοκάλυψης υψηλής ακρίβειας (Εικ. 5), μπορεί να παρατηρηθεί ότι η προσθήκη του κανονικοποιημένου δείκτη βλάστησης και του ψηφιακού μοντέλου εδάφους είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

Συμπεράσματα

Στην παρούσα μελέτη αποδείχτηκε η αποτελεσματικότητα της ενσωμάτωσης του ψηφιακού μοντέλου εδάφους και του κανονικοποιημένου δείκτη βλάστησης παράλληλα με τη χρήση των τηλεπισκοπικών δεδομένων για την ακριβέστερη ταξινόμηση χαρτών κάλυψης γης σε ορεινές και απροσπέλαστες περιοχές με σημαντική παρουσία έντονων σκιών, όπως στην περιοχή των Ιμαλαΐων.

[[category:Χαρτογραφία]]

Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

2012-03-03T11:45:35Z

Rokana.vasiliki:

'''A. K. Saha''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

'''M. K. Arora''', Department of Civil Engineering, Indian Institute of Technology Roorkee,Roorkee-247667, India

'''E. Csaplovics''', Institute of Photogrammetry and Remote Sensing, TU- Dresden, Dresden, D-01069, Germany

'''R. P. Gupta''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

http://www.tandfonline.com/doi/abs/10.1080/10106040508542343#preview

'''Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια'''

Η ταξινόμηση ψηφιακής εικόνας πραγματοποιείται γενικά για την παραγωγή χαρτών κάλυψης γης από τηλεπισκοπικά δεδομένα, ιδιαίτερα για περιοχές μεγάλης έκτασης. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα δεδομένα τηλεπισκόπησης μπορεί να μειωθεί, ιδιαίτερα στις ορεινές περιοχές, λόγω της παρουσίας των σκιών των ψηλών κορυφών. Στην παρούσα μελέτη, έχει υιοθετηθεί μια προσέγγιση ταξινόμησης πολλαπλών πηγών για την χαρτογράφηση της κάλυψης γης σε περιοχή με ψηλές βουνοκορφές, με υψόμετρα έως και 4785 μέτρα πάνω από τη μέση στάθμη της θάλασσας, στην περιοχή των Ιμαλαΐων. Δεδομένα τηλεπισκόπησης από εικόνες IRS LISS ΙΙΙ, αλλά και κανονικοποιημένοι δείκτες βλάστησης και ψηφιακά μοντέλα εδάφους έχουν χρησιμοποιηθεί για την εκτέλεση ταξινόμησης μεγίστης πιθανοφάνειας πολλαπλών πηγών. Τα αποτελέσματα δείχνουν μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των κανονικοποιημένων δεικτών βλάστησης και των ψηφιακών μοντέλων εδάφους ως βοηθητικά δεδομένα για την ταξινόμηση, η οποία γίνεται αποκλειστικά με βάση τα δεδομένα τηλεπισκόπησης.

Η γνώση των χωρικών πληροφοριών κάλυψης του εδάφους είναι απαραίτητη για τη σωστή διαχείριση, τον προγραμματισμό και την παρακολούθηση των φυσικών πόρων (Zhu, 1997). Για παράδειγμα, αποτελεί σημαντική πληροφορία για πολλούς τομείς της γεωργίας, της γεωλογίας, για υδρολογικά και οικολογικά μοντέλα. Επίσης, κάθε μελέτη επικινδυνότητας, όπως η μελέτη ζωνών επικινδυνότητας κατολίσθησης (π.χ. Gupta et al, 1999, Σάχα et al, 2002) εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα πληροφοριών κάλυψης γης που να έχουν ακρίβεια και να είναι επικαιροποιημένες.

Οι δορυφορικές εικόνες τηλεπισκόπησης αποτελούν μια βιώσιμη πηγή για τη συλλογή πληροφοριών ποιότητας της κάλυψης γης σε τοπικό, περιφερειακό και παγκόσμιο επίπεδο (Csaplovics, 1998, Foody, 2002). Επιπλέον, τα δεδομένα τηλεπισκόπησης είναι, κυρίως, χρήσιμα για τη χαρτογράφηση κάλυψης γης σε ορεινές περιοχές, όπως τα Ιμαλάια, αφού οι περιοχές αυτές είναι γενικά απροσπέλαστες λόγω των μεγάλων υψομέτρων και της τραχύτητας του εδάφους. Στις υψηλές ορεινές περιοχές, έχουν πραγματοποιηθεί πολλές μελέτες χαρτογράφησης της κάλυψης του εδάφους με τη χρήση τηλεπισκοπικών δεδομένων, με διαφορετικό όμως βαθμό ακρίβειας. Αυτό μπορεί να οφείλεται σε ένα μεγάλο αριθμό παραγόντων που επηρεάζουν τη διαδικασία της τηλεπισκόπησης. Αυτοί περιλαμβάνουν την παρουσία των σκιών που οφείλονται σε μεγάλο υψόμετρο του εδάφους, τη νεφοκάλυψη, τις βαθιές στενές κοιλάδες και τις ρεματιές, τις χαμηλές γωνίες του ήλιου, τις απότομες πλαγιές και τη διαφοροποιημένη κάλυψη της βλάστησης. Ως εκ τούτου, λόγω των μεταβολών των περιβαλλοντικών συνθηκών, τα φασματικά χαρακτηριστικά αλλάζουν από τη μία περιοχή στην άλλη (Mathur και Arora, 2001). Έτσι, η ταξινόμηση που βασίζεται μόνο σε τηλεπισκοπικά δεδομένα μπορεί να μην είναι επαρκής για την αποτελεσματική συλλογή πληροφοριών κάλυψης γης. Τα βοηθητικά δεδομένα από άλλες πηγές μπορεί να αποκτηθούν από χάρτες (Bruzzone et al., 1997), γεωλογικούς (Γκονγκ, 1996) και άλλους χάρτες. Οι πιο χρήσιμες πληροφορίες που μπορούν να ληφθούν από τοπογραφικούς χάρτες είναι οι ισουψείς καμπύλες, οι οποίες μπορούν να ψηφιοποιηθούν και να παράγουν ένα ράστερ ψηφιακό μοντέλο εδάφους (DEM). Τα ψηφιακά μοντέλα εδάφους μαζί με τα παράγωγά τους, όπως η κλίση, αποτελούν τη βάση για την ταξινόμηση πολλαπλών πηγών (Jones et al 1988, Φρανκ 1988, Janssen et al 1990).
Στοιχεία από διαφορετικούς αισθητήρες τηλεπισκόπησης μπορούν επίσης να συνδυαστούν για την ταξινόμηση (Michelson et al., 2000). Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων, όπως η ανάλυση σε κύριες συνιστώσες (PCA) και ο κανονικοποιημένος δείκτης βλάστησης (NDVI), μπορεί επίσης να ενσωματωθεί στη διαδικασία ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης στις ορεινές περιοχές (Eiumnoh και Shrestha, 2000). Στις ορεινές περιοχές, όπως στα Ιμαλάια, οι σκιές είναι η κύρια πηγή της σύγχυσης στην εξαγωγή πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης. Παρά το γεγονός ότι, δεν υπάρχει κατάλληλη μέθοδος για να καταργηθεί εντελώς η επίδραση των σκιών, υπάρχουν αρκετές εναλλακτικές λύσεις για να ελαχιστοποιηθούν οι επιπτώσεις τους, προκειμένου να βελτιωθεί η ταξινόμηση από τα τηλεπισκοπικά δεδομένα. Πολλές από τις μεθόδους βασίζονται σε μοντέλα σκιασμένου αναγλύφου που παράγονται από το ψηφιακό μοντέλο εδάφους. Ωστόσο, κάποιες μελέτες (π.χ. Kawata et al. 1988, Civco 1989, Colby 1991, Curran και Foody, 1994) έχουν δείξει ότι λόγω της παρουσίας λαθών στη δημιουργία ψηφιακών μοντέλων εδάφους και του τρόπου που το ψηφιακό μοντέλο εδάφους εφαρμόζεται στη διαδικασία ταξινόμησης, η διόρθωση για τις σκιασμένες πλαγιές μπορεί να είναι υπερεκτιμημένη. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί η χρήση ενός επιπλέον επιπέδου, του κανονικοποιημένου δείκτη βλάστησης (NDVI), δεδομένου ότι τα παράγωγα των λόγων των καναλιών μπορούν να βοηθήσουν στον μερικό περιορισμό τοπογραφικών στοιχείων (Holben and Justice 1981, Apan 1997). Μπορεί ωστόσο να σημειωθεί ότι το επίπεδο του κανονικοποιημένου δείκτη βλάστησης δεν μπορεί από μόνο του να καταργήσει τελείως την επίδραση της σκιάς. Οι Eiumnoh και Shrestha (2000) αξιοποίησαν τα πλεονεκτήματα της ενσωμάτωσης τόσο του κανονικοποιημένου δείκτη βλάστησης, όσο και του ψηφιακού μοντέλου εδάφους, κατά τη διαδικασία της ταξινόμησης και έδειξαν ότι βελτίωσαν την ακρίβεια στην ταξινόμηση κατά 10 έως 20%.
Βασισμένη στην επιτυχία της ταξινόμησης πολλαπλών πηγών στην εξουδετέρωση της επίδρασης των σκιών, η παρούσα εργασία στοχεύει να παρουσιάσει μια μελέτη εξαγωγής χαρτών κάλυψης γης ακριβείας με χρήση τηλεπισκοπικών και βοηθητικών δεδομένων σε μια περιοχή με υψηλό υψόμετρο και δύσβατο έδαφος, στα Ιμαλάια, όπου οι σκιές είναι το μεγαλύτερο πρόβλημα, επομένως θα είναι ιδιαίτερα χρήσιμη η εφαρμογή μιας τέτοιας ταξινόμησης.

[[ Αρχείο:1 Location map of the study area.jpg | thumb | right | Εικόνα 1. Περιοχή μελέτης ]]

[[ Αρχείο:2 IRS 1C LISS III colour infrared composite.jpg | thumb | right | Εικόνα 2. IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο ]]

[[ Αρχείο:3 A portion of IRS PAN data.jpg | thumb | right | Εικόνα 3. Δεδομένα IRS PAN ]]

Η μελέτη επιτυγχάνεται εν μέρει από ένα μεγάλο εν εξελίξει Γεωγραφικό Σύστημα Πληροφοριών που βασίζεται στην έρευνα της εκτίμησης των επιπτώσεων από την κατολίσθηση για τον σχεδιασμό δρόμων στα Ιμαλάια, όπου οι ακριβείς πληροφορίες για την κάλυψη της γης αποτελούν μια καίρια συμβολή δεδομένων. Η πολυφασματική εικόνα από το IRS-LISS ΙΙΙ- έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο, με πρόσθετα επίπεδα τον κανονικοποιημένο δείκτη βλάστησης και το ψηφιακό μοντέλο εδάφους για την εφαρμογή της ταξινόμησης της εδαφοκάλυψης πολλαπλών πηγών, χρησιμοποιώντας την προσέγγιση του λογικού καναλιού (Tso and Mather, 2001). Η ανάλυση της διαχωρισιμότητας στη βάση της μεταβλημένης απόκλισης έχει επίσης πραγματοποιηθεί για να εξετάσει τη σχετική σημασία των διαφόρων φασματικών καναλιών και των βοηθητικών επιπέδων δεδομένων κατά τη διαδικασία ταξινόμησης. Η ταξινόμηση που έχει γίνει είναι η πιο ευρέως χρησιμοποιούμενη, η ταξινόμηση μεγίστης πιθανοφάνειας (MLC).
Η περιοχή μελέτης, τα δεδομένα και το αντικείμενο εργασίας

Η περιοχή μελέτης έχει έκταση περίπου 730 τ.χλμ., βρίσκεται στα Ιμαλάια, καλύπτει ένα μέρος των περιφερειών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία (Εικ. 1). Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880μ. έως 4785μ. πάνω από τη μέση στάθμη της θάλασσας. Τα ποτάμια Alaknanda και Madhyamaheshwar Ganga ρέουν μέσω του βορειοδυτικού και νοτιοανατολικού τμήματος της περιοχής αντίστοιχα. Η περιοχή επίσης κυριαρχείται από πυκνή δασική κάλυψη (> 50%). Υπάρχουν χέρσες και γεωργικές εκτάσεις, με καλλιέργειες σε αναβαθμίδες.

Οι Gopeshwar και Chamoli αποτελούν τις μεγάλες πόλεις που περιβάλλονται από πολλά μικρά χωριά, σκορπισμένα σε όλη την περιοχή. Στο βορειοανατολικό τμήμα της περιοχής βρίσκονται άγονες εκτάσεις και ψηλά βουνά καλυμμένα με χιόνι. Από γεωλογική άποψη, η περιοχή περιλαμβάνει τα χαμηλότερα Ιμαλάια και τα ψηλότερα Ιμαλάια (Valdiya, 1980) και αποτελείται από μια σειρά λιθολογικών ενοτήτων και συγκεκριμένα από ψαμμίτες, ασβεστόλιθους, γρανίτη γνεύσιο. Δομικά, η περιοχή είναι πολύπλοκη λόγω της παρουσίας διαφόρων ωθήσεων. Κατά συνέπεια, η σεισμική δραστηριότητα και οι κατολισθήσεις στην περιοχή συχνά οδηγούν σε αλλαγή των τοπικών χαρακτηριστικών εδαφοκάλυψης. Η τακτική παρακολούθηση και χαρτογράφηση της κάλυψης της γης είναι λοιπόν απαραίτητη. Η παρούσα μελέτη βασίζεται στην χαρτογράφηση κάλυψη γης από τα δεδομένα τηλεπισκόπησης IRS-1C. Η LISS ΙΙΙ πολυφασματική εικόνα (23,5 m χωρική διακριτική ικανότητα) (Εικ. 2) έχει χρησιμοποιηθεί ως η πρωτογενές δεδομένο για την ταξινόμηση της κάλυψης γης, ενώ η εικόνα PAN (5,8 m χωρική διακριτική ικανότητα) (Εικ. 3), λόγω της ανάλυσής της, έχει χρησιμοποιηθεί ως στοιχείο αναφοράς για τη δημιουργία δοκιμαστικών συνόλων δεδομένων. Πολλές άλλες μελέτες (π.χ. Fisher και Pathirana 1990, Foody και Arora 1996, Shalan et al, 2003) έχουν επίσης χρησιμοποιήσει εικόνες υψηλής ανάλυσης για αυτό το σκοπό, λόγω απουσίας επαρκών στοιχείων της έρευνας πεδίου.

Παρ 'όλα αυτά, στην παρούσα μελέτη, η προετοιμασία των δεδομένων αναφοράς συμπληρώνεται με έρευνες πεδίου που έλαβαν χώρα σε προηγούμενα έτη και το Δεκέμβριο του 2001. Η εποχή της τελευταίας επίσκεψης πεδίου συνέπεσε με την ημερομηνία της απόκτησης των εικόνων LISS ΙΙΙ και PAN, ώστε ταυτόχρονα να περιγραφούν ατμοσφαιρικές και περιβαλλοντικές συνθήκες. Δεδομένου ότι δεν υπάρχει επαρκές δίκτυο δρόμων και το έδαφος είναι απροσπέλαστο λόγω των υψηλών υψομέτρων και της τραχύτητας, οι πληροφορίες σχετικά με την υπάρχουσα κάλυψη γης συλλέγονταν μόνο κατά μήκος των δρόμων πρόσβασης κατά τη διάρκεια των ερευνών πεδίου. Επίσης χρησιμοποιήθηκε το Global Positioning System (GPS) για την απόκτηση ακριβών θέσεων των κατηγοριών κάλυψης γης για την εύκολη οριοθέτηση τους σε γεωαναφερμένες εικόνες LISS ΙΙΙ και PAN. Οι βοηθητικές πληροφορίες υπό τη μορφή ψηφιακών μοντέλων εδάφους προήλθαν από τοπογραφικούς χάρτες.

Μεθοδολογία

Στην εκτέλεση της ταξινόμησης πολλαπλών πηγών συμμετέχουν μια σειρά από βήματα επεξεργασίας δεδομένων. Αυτά περιλαμβάνουν προεπεξεργασία της εικόνας LISS ΙΙΙ για να διορθωθούν τα ατμοσφαιρικά
λάθη, καταγραφή των LISS ΙΙΙ και ΡΑΝ εικόνων, παραγωγή των βοηθητικών επιπέδων δεδομένων, η ταξινόμηση της εικόνας και η αξιολόγηση της ακρίβειας. Όλη η επεξεργασία έχει γίνει με λογισμικά ERDAS, GIS Arc και ILWIS.
Προ-επεξεργασία της εικόνας LISS ΙΙΙ

Η ατμοσφαιρική σκέδαση είναι κοινή σε δεδομένα τηλεπισκόπησης και γενικά είναι πιο έντονη στις περιοχές μικρότερου μήκους κύματος (π.χ. μπλε). Το αποτέλεσμα της ατμοσφαιρικής σκέδασης είναι κάποιες πρόσθετες φασματικές τιμές για την ανάκλαση του εδάφους (Gupta 2003, Jensen 1986). Σε αυτή τη μελέτη, η εικόνα LISS ΙΙΙ διορθώθηκε για την ατμοσφαιρική ακτινοβολία με τη μέθοδο αφαίρεσης σκοτεινού αντικειμένου (Chavez, 1988). Η μέθοδος είναι γρήγορη και εύκολη, δεδομένου ότι δεν απαιτεί πληροφορίες σχετικά με τις ατμοσφαιρικές συνθήκες κατά τη στιγμή της λήψης της εικόνας. Για την εφαρμογή αυτής της μεθόδου, το εικονοστοιχείο (που συνδέεται με το σκοτεινό αντικείμενο) με ελάχιστη τιμή φωτεινότητας στο εγγύς υπέρυθρο (NIR) κανάλι εντοπίστηκε και οι αντίστοιχες τιμές των εικονοστοιχείων σε όλα τα κανάλια αφαιρέθηκαν από τα συγκεκριμένα πρώτα κανάλια. Αυτό θα οδηγήσει σε μια εικόνα που έχει διορθωθεί για την ατμοσφαιρική σκέδαση.

Γεωμετρική καταγραφή των εικόνων

Η ακριβής γεωμετρική καταγραφή των εικόνων είναι ένα προαπαιτούμενο για να την εκτέλεση της ταξινόμησης. Πρώτον, η εικόνα LISS ΙΙΙ διορθώθηκε γεωμετρικά χρησιμοποιώντας 39 σωστά κατανεμημένα σημεία ελέγχου εδάφους (GCPs) που εξάγονται από τον τοπογραφικό χάρτη. Λόγω της μη ύπαρξης έντονων, σαφώς καθορισμένων, σταθερών και αξιοπρόσεκτων χαρακτηριστικών της εικόνας, τα κατανεμημένα σημεία ελέγχου εδάφους (GCPs) αποκτήθηκαν κυρίως από τη διασταύρωση των γραμμών αποστράγγισης. Λόγω της απότομης τοπογραφίας και των στενών κοιλάδων στα Ιμαλάια, θεωρήθηκε ότι δεν υπήρξε καμία μεταβολή στο δίκτυο αποστράγγισης μεταξύ του έτους παραγωγής του τοπογραφικού χάρτη και της ημερομηνίας απόκτησης της εικόνας LISS ΙΙΙ.

Η καταγραφή έγινε με ακρίβεια δευτερεύοντος εικονοστοιχείου
με πολυωνυμική τροποποίηση και με τη μέθοδο «επαναδειγματοληψίας του πλησιέστερου γείτονα», αφήνοντας έτσι τις τιμές φωτεινότητας αναλλοίωτες. Η εικόνα PAN έχει επίσης καταχωρηθεί με ακρίβεια δευτερεύοντος εικονοστοιχείου χρησιμοποιώντας 60 σωστά κατανεμημένα σημεία (GCPs). Η καταγραφή της εικόνας PAN ήταν απαραίτητη καθώς η εικόνα αυτή χρησιμοποιήθηκε ως στοιχείο αναφοράς για την ακριβή οριοθέτηση των περιοχών εκπαίδευσης και εξέτασης στην εικόνα LISS ΙΙΙ.

Παραγωγή των βοηθητικών δεδομένων

Τα επίπεδα δεδομένων ψηφιακού μοντέλου εδάφους (DEM) και κανονικοποιημένου δείκτη βλάστησης (NDVI) χρησιμοποιήθηκαν ως πρόσθετα κανάλια (που αναφέρονται ως δευτερεύοντα στοιχεία) την εκτέλεση της ταξινόμησης πολλαπλών πηγών

α) Παραγωγή ψηφιακού μοντέλου εδάφους

Σε μεγάλα υψόμετρα και δύσβατα εδάφη, μπορεί να βρεθεί σημαντική διακύμανση στις τιμές φωτεινότητας των εικονοστοιχείων, λόγω της παρουσίας των σκιών. Αυτό μπορεί να οδηγήσει σε λανθασμένη ταξινόμηση. Ως εκ τούτου, το ψηφιακό μοντέλο εδάφους χρησιμοποιήθηκε ως βοηθητικό δεδομένο στη διαδικασία ταξινόμησης κυρίως για να μειωθούν τα σφάλματα ταξινόμησης. Επιπλέον, οι πληροφορίες υψομέτρων από το ψηφιακό μοντέλο εδάφους μπορούν επίσης να ενεργήσουν ως ένας λογικός κανόνας για την παρουσία ή την απουσία ορισμένων κατηγοριών σε συγκεκριμένες ζώνες υψομέτρων. Για παράδειγμα, δεν αναμένεται να υπάρχουν αγραναπαύσεις σε μεγάλα υψόμετρα που καλύπτονται με χιόνι, αφού οι κλιματολογικές συνθήκες δεν επιτρέπουν τη γεωργική δραστηριότητα σε τόσο μεγάλα υψόμετρα. Οι περιοχές αυτές συνεπώς θα πρέπει να κατηγοριοποιούνται ως άγονη γη. Οποιαδήποτε παρουσία αγρανάπαυσης σε χιονισμένες περιοχές λοιπόν μπορεί να αντιπροσωπεύει εσφαλμένη ταξινόμηση, η οποία μπορεί να μειωθεί με την καταγραφή του ψηφιακού μοντέλου εδάφους. Το ψηφιακό μοντέλο εδάφους δημιουργήθηκε με την ψηφιοποίηση ισοϋψών ανά 40 μέτρα από τοπογραφικό χάρτη σε κλίμακα 1:50.000. Χρησιμοποιήθηκε ακανόνιστο δίκτυο τριγώνων (TIN) για την παραγωγή ψηφιδωτού μοντέλου εδάφους με ανάλυση 23,5μ. που ταιριάζει με της εικόνας LISS ΙΙΙ.

[[ Αρχείο:4 Normalized Difference Vegetation Index.jpg | thumb | right | Εικόνα 4. NDVI: κανονικοποιημένος δείκτης βλάστησης, Ταξινόμηση εικόνας ]]

β) Επίπεδο NDVI: κανονικοποιημένος δείκτης βλάστησης

Δεδομένου ότι η περιοχή μελέτης κυριαρχείται από διαφορετικούς τύπους
βλάστησης, ο κανονικοποιημένος δείκτης βλάστησης χρησιμοποιήθηκε ως βοηθητικό επίπεδο δεδομένων στη διαδικασία ταξινόμησης για την ενίσχυση της διάκρισης των διαφόρων κατηγοριών βλάστησης, αλλά και για τη μείωση της σκιάς. Ο κανονικοποιημένος δείκτης βλάστησης δημιουργήθηκε από το κόκκινο και εγγύς υπέρυθρο κανάλι και από την εικόνα LISS ΙΙΙ και ορίζεται ως εξής:NDVI=(NIRΚόκκινο)/(NIR + Κόκκινο).

Οι τιμές των εικονοστοιχείων του επιπέδου NDVI κυμαίνονται από -1 έως
+1 και κλιμακώνονται από 0 έως 255 αντίστοιχα. Οι μεγαλύτερες τιμές
NDVI δείχνουν αύξηση της βιομάζας ανά μονάδα επιφάνειας. Στην εικόνα 4 παρουσιάζεται το επίπεδο NDVI τοποθετημένο πάνω στο ψηφιακό μοντέλο εδάφους DEM. Στο σχήμα αυτό, οι τιμές NDVI ποικίλλουν από -0,36 έως 0,62. Οι θετικές τιμές αντιπροσωπεύουν διαφορετικές κατηγορίες τύπων βλάστησης, ενώ κοντά στο μηδέν και σε αρνητικές τιμές υποδηλώνουν κατηγορίες μη βλάστησης, όπως το νερό, το χιόνι και η άγονη γη (Εικ. 4).

[[ Αρχείο:PINAKAS 1 kalipsis gis.jpg | thumb | right | Πίνακας 1. Κατηγορίες κάλυψης γης, περιγραφή, χαρακτηριστικά ]]

[[ Αρχείο:PINAKAS 2 pixel.jpg | thumb | right | Πίνακας 2. Αριθμός εικονοστοιχείων εκπαίδευσης ανά κατηγορία κάλυψης γης ]]

Για την παραγωγή του χάρτη κάλυψης γης από την εικόνα LISS ΙΙΙ και από τα βοηθητικά επίπεδα δεδομένων πραγματοποιήθηκε μια σειρά ενεργειών ταξινόμησης εικόνας, οι οποίες περιγράφονται παρακάτω.

Επιλογή συστήματος ταξινόμησης κάλυψης γης

Ένα σύστημα ταξινόμησης πρέπει να καθορίζει τις κατηγορίες κάλυψης γης για να θεωρηθεί ταξινομημένη η εικόνα τηλεπισκόπησης. Μερικές φορές χρησιμοποιείται ένα πρότυπο σύστημα ταξινόμησης, όπως το σύστημα ταξινόμησης κατηγοριών χρήσεων και κάλυψης γης του Άντερσον (Anderson et al., 1976), ενώ άλλες φορές ο αριθμός των κατηγοριών κάλυψης γης επιλέγονται σύμφωνα με τις απαιτήσεις της συγκεκριμένης εφαρμογής. Στη μελέτη αυτή, που βασίζεται στο σύστημα ταξινόμησης του Άντερσον, ορίστηκαν εννέα κατηγορίες κάλυψης γης. Η λεπτομερής περιγραφή αυτών των κατηγοριών με τα ερμηνευτικά χαρακτηριστικά τους τόσο στο ψευδές έγχρωμο σύνθετο (FCC) των εικόνων LISS ΙΙΙ και PAN παρέχονται στον παρακάτω πίνακα (πίνακας 1).

Δημιουργία δεδομένων εκπαίδευσης

Η εξαγωγή δεδομένων εκπαίδευσης αποτελεί ένα κρίσιμο βήμα στην διαδικασία εποπτευόμενης ταξινόμησης εικόνας. Δεδομένου ότι η επιτυχία μιας ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεγούν από αντιπροσωπευτικές περιοχές των κατηγοριών κάλυψης του εδάφους. Τα δεδομένα πρέπει να συλλέγονται από ομοιογενείς περιοχές που εκφράζουν τις κατηγορίες. Η συλλογή των δεδομένων εκπαίδευσης είναι γενικά μια χρονοβόρα και κουραστική διαδικασία, δεδομένου ότι περιλαμβάνει επίπονες έρευνες πεδίου και τη συσσώρευση δεδομένων αναφοράς από διάφορες πηγές. Ο αριθμός των εικονοστοιχείων που αποτελούν το σύνολο των δεδομένων εκπαίδευσης πρέπει να είναι αρκετά μεγάλος για να χαρακτηριστούν επακριβώς οι κατηγορίες κάλυψης γης. Ως γενικός κανόνας, ο αριθμός των εικονοστοιχείων εκπαίδευσης για κάθε κατηγορία μπορεί να διατηρηθεί ως 30 φορές επί τον αριθμό των καναλιών υπό εξέταση (Mather, 1999). Στη μελέτη αυτή, το σύνολο δεδομένων εκπαίδευσης αποτελείται από περίπου το 1% του συνόλου των εικονοστοιχείων στην εικόνα LISS ΙΙΙ. Ο αριθμός των δειγμάτων εκπαίδευσης για κάθε κατηγορία επιλέχθηκαν κατ 'αναλογία προς την έκταση που καλύπτεται από τις αντίστοιχες κατηγορίες κάλυψης εδάφος (πίνακας 2) .

Ανάλυση διαχωρισιμότητας

Το σύνολο των δεδομένων για την ταξινόμηση αποτελείται από έξι επίπεδα (τέσσερα κανάλια της πολυφασματικής εικόνα LISS ΙΙΙ, δύο βοηθητικές πηγές δεδομένων: κανονικοποιημένος δείκτης βλάστησης και ψηφιακό μοντέλο εδάφους). Για τον προσδιορισμό του πιο κατάλληλου συνδυασμού των καναλιών για την καλύτερη διάκριση μεταξύ των κατηγοριών κάλυψης γης, πραγματοποιήθηκε ανάλυση διαχωρισιμότητας
των αποτελεσμάτων, (μια στατιστική μέθοδος) για τον υπολογισμό των
φασματικών αποστάσεων για κάθε συνδυασμό καναλιών, η μεταβλημένη απόκλιση (TD), με τιμές από 0-2000, με πιο κατάλληλες τις μεγαλύτερες.

Ταξινόμηση μεγίστης πιθανοφάνειας (MLC)

Η ταξινόμηση μεγίστης πιθανοφάνειας έχει διαπιστωθεί ότι είναι πολύ ακριβής όταν πληρούνται οι παραδοχές κατανομής δεδομένων και έχει χρησιμοποιηθεί εδώ προς την παραγωγή θεματικών χαρτών χήσης και κάλυψης γης με διαφορετικούς συνδυασμούς καναλιών.

Εκτίμηση ακρίβειας της ταξινόμησης

Καμία ταξινόμηση εικόνας δε μπορεί να είναι πλήρης, αν δεν έχει εκτιμηθεί η ακρίβειά της. Για τον έλεγχο της ακρίβειας της ταξινόμησης, έχει επιλεγεί ένα δείγμα των εικονοστοιχείων, για τα οποία συγκρίνεται η κατηγορία στην οποία έχουν ταξινομηθεί με την κατηγορία που ανήκουν στην πραγματικότητα με επίγειο έλεγχο. Η επιλογή του κατάλληλου δείγματος και του μεγέθους του διαδραματίζει καίριο ρόλο στην αξιολόγηση
της ακρίβειας της ταξινόμησης.

Αποτελέσματα

Ο σκοπός της παρούσας μελέτης είναι η εφαρμογή ταξινόμησης πολλαπλών πηγών για την παραγωγή χάρτη κάλυψης γης για τον καθορισμό ζωνών επικινδυνότητας λόγω κατολίσθησης. Η ταξινόμηση με βάση μόνο τα φασματικά δεδομένα της εικόνας LISS ΙΙΙ έχει ακρίβεια 86,94%, η οποία είναι μεγαλύτερη από την ελάχιστη απαιτούμενη ακρίβεια 85% (Anderson, 1976). Η επιπλέον ένταξη του κανονικοποιημένου δείκτη βλάστησης μείωσε την ακρίβεια στο 84,78%, όταν όμως προστέθηκε και το επίπεδο του ψηφιακού μοντέλου εδάφους, η ακρίβεια αυξήθηκε στο 92,04%. Συγκεκριμένα οι κατηγορίες αραιή βλάστηση, γεωργία, χέρσα και άγονη γη, οικισμοί και χιόνι παρουσίασαν σημαντική αύξηση της ακρίβειας που κυμαίνεται από 1,5% έως 20%., δεδομένου ότι, τα μεγάλα υψόμετρα και η παρουσία των σκιών αποκλείουν κάποιες κατηγορίες. Από την οπτική σύγκριση του έγχρωμου σύνθετου (Εικ. 2) και την ταξινόμηση της εδαφοκάλυψης υψηλής ακρίβειας (Εικ. 5), μπορεί να παρατηρηθεί ότι η προσθήκη του κανονικοποιημένου δείκτη βλάστησης και του ψηφιακού μοντέλου εδάφους είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

Συμπεράσματα

Στην παρούσα μελέτη αποδείχτηκε η αποτελεσματικότητα της ενσωμάτωσης του ψηφιακού μοντέλου εδάφους και του κανονικοποιημένου δείκτη βλάστησης παράλληλα με τη χρήση των τηλεπισκοπικών δεδομένων για την ακριβέστερη ταξινόμηση χαρτών κάλυψης γης σε ορεινές και απροσπέλαστες περιοχές με σημαντική παρουσία έντονων σκιών, όπως στην περιοχή των Ιμαλαΐων.

[[category:Χαρτογραφία]]

Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

2012-03-03T11:43:27Z

Rokana.vasiliki:

'''A. K. Saha''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

'''M. K. Arora''', Department of Civil Engineering, Indian Institute of Technology Roorkee,Roorkee-247667, India

'''E. Csaplovics''', Institute of Photogrammetry and Remote Sensing, TU- Dresden, Dresden, D-01069, Germany

'''R. P. Gupta''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

http://www.tandfonline.com/doi/abs/10.1080/10106040508542343#preview

'''Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια'''

Η ταξινόμηση ψηφιακής εικόνας πραγματοποιείται γενικά για την παραγωγή χαρτών κάλυψης γης από τηλεπισκοπικά δεδομένα, ιδιαίτερα για περιοχές μεγάλης έκτασης. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα δεδομένα τηλεπισκόπησης μπορεί να μειωθεί, ιδιαίτερα στις ορεινές περιοχές, λόγω της παρουσίας των σκιών των ψηλών κορυφών. Στην παρούσα μελέτη, έχει υιοθετηθεί μια προσέγγιση ταξινόμησης πολλαπλών πηγών για την χαρτογράφηση της κάλυψης γης σε περιοχή με ψηλές βουνοκορφές, με υψόμετρα έως και 4785 μέτρα πάνω από τη μέση στάθμη της θάλασσας, στην περιοχή των Ιμαλαΐων. Δεδομένα τηλεπισκόπησης από εικόνες IRS LISS ΙΙΙ, αλλά και κανονικοποιημένοι δείκτες βλάστησης και ψηφιακά μοντέλα εδάφους έχουν χρησιμοποιηθεί για την εκτέλεση ταξινόμησης μεγίστης πιθανοφάνειας πολλαπλών πηγών. Τα αποτελέσματα δείχνουν μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των κανονικοποιημένων δεικτών βλάστησης και των ψηφιακών μοντέλων εδάφους ως βοηθητικά δεδομένα για την ταξινόμηση, η οποία γίνεται αποκλειστικά με βάση τα δεδομένα τηλεπισκόπησης.

Η γνώση των χωρικών πληροφοριών κάλυψης του εδάφους είναι απαραίτητη για τη σωστή διαχείριση, τον προγραμματισμό και την παρακολούθηση των φυσικών πόρων (Zhu, 1997). Για παράδειγμα, αποτελεί σημαντική πληροφορία για πολλούς τομείς της γεωργίας, της γεωλογίας, για υδρολογικά και οικολογικά μοντέλα. Επίσης, κάθε μελέτη επικινδυνότητας, όπως η μελέτη ζωνών επικινδυνότητας κατολίσθησης (π.χ. Gupta et al, 1999, Σάχα et al, 2002) εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα πληροφοριών κάλυψης γης που να έχουν ακρίβεια και να είναι επικαιροποιημένες.

Οι δορυφορικές εικόνες τηλεπισκόπησης αποτελούν μια βιώσιμη πηγή για τη συλλογή πληροφοριών ποιότητας της κάλυψης γης σε τοπικό, περιφερειακό και παγκόσμιο επίπεδο (Csaplovics, 1998, Foody, 2002). Επιπλέον, τα δεδομένα τηλεπισκόπησης είναι, κυρίως, χρήσιμα για τη χαρτογράφηση κάλυψης γης σε ορεινές περιοχές, όπως τα Ιμαλάια, αφού οι περιοχές αυτές είναι γενικά απροσπέλαστες λόγω των μεγάλων υψομέτρων και της τραχύτητας του εδάφους. Στις υψηλές ορεινές περιοχές, έχουν πραγματοποιηθεί πολλές μελέτες χαρτογράφησης της κάλυψης του εδάφους με τη χρήση τηλεπισκοπικών δεδομένων, με διαφορετικό όμως βαθμό ακρίβειας. Αυτό μπορεί να οφείλεται σε ένα μεγάλο αριθμό παραγόντων που επηρεάζουν τη διαδικασία της τηλεπισκόπησης. Αυτοί περιλαμβάνουν την παρουσία των σκιών που οφείλονται σε μεγάλο υψόμετρο του εδάφους, τη νεφοκάλυψη, τις βαθιές στενές κοιλάδες και τις ρεματιές, τις χαμηλές γωνίες του ήλιου, τις απότομες πλαγιές και τη διαφοροποιημένη κάλυψη της βλάστησης. Ως εκ τούτου, λόγω των μεταβολών των περιβαλλοντικών συνθηκών, τα φασματικά χαρακτηριστικά αλλάζουν από τη μία περιοχή στην άλλη (Mathur και Arora, 2001). Έτσι, η ταξινόμηση που βασίζεται μόνο σε τηλεπισκοπικά δεδομένα μπορεί να μην είναι επαρκής για την αποτελεσματική συλλογή πληροφοριών κάλυψης γης. Τα βοηθητικά δεδομένα από άλλες πηγές μπορεί να αποκτηθούν από χάρτες (Bruzzone et al., 1997), γεωλογικούς (Γκονγκ, 1996) και άλλους χάρτες. Οι πιο χρήσιμες πληροφορίες που μπορούν να ληφθούν από τοπογραφικούς χάρτες είναι οι ισουψείς καμπύλες, οι οποίες μπορούν να ψηφιοποιηθούν και να παράγουν ένα ράστερ ψηφιακό μοντέλο εδάφους (DEM). Τα ψηφιακά μοντέλα εδάφους μαζί με τα παράγωγά τους, όπως η κλίση, αποτελούν τη βάση για την ταξινόμηση πολλαπλών πηγών (Jones et al 1988, Φρανκ 1988, Janssen et al 1990).
Στοιχεία από διαφορετικούς αισθητήρες τηλεπισκόπησης μπορούν επίσης να συνδυαστούν για την ταξινόμηση (Michelson et al., 2000). Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων, όπως η ανάλυση σε κύριες συνιστώσες (PCA) και ο κανονικοποιημένος δείκτης βλάστησης (NDVI), μπορεί επίσης να ενσωματωθεί στη διαδικασία ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης στις ορεινές περιοχές (Eiumnoh και Shrestha, 2000). Στις ορεινές περιοχές, όπως στα Ιμαλάια, οι σκιές είναι η κύρια πηγή της σύγχυσης στην εξαγωγή πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης. Παρά το γεγονός ότι, δεν υπάρχει κατάλληλη μέθοδος για να καταργηθεί εντελώς η επίδραση των σκιών, υπάρχουν αρκετές εναλλακτικές λύσεις για να ελαχιστοποιηθούν οι επιπτώσεις τους, προκειμένου να βελτιωθεί η ταξινόμηση από τα τηλεπισκοπικά δεδομένα. Πολλές από τις μεθόδους βασίζονται σε μοντέλα σκιασμένου αναγλύφου που παράγονται από το ψηφιακό μοντέλο εδάφους. Ωστόσο, κάποιες μελέτες (π.χ. Kawata et al. 1988, Civco 1989, Colby 1991, Curran και Foody, 1994) έχουν δείξει ότι λόγω της παρουσίας λαθών στη δημιουργία ψηφιακών μοντέλων εδάφους και του τρόπου που το ψηφιακό μοντέλο εδάφους εφαρμόζεται στη διαδικασία ταξινόμησης, η διόρθωση για τις σκιασμένες πλαγιές μπορεί να είναι υπερεκτιμημένη. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί η χρήση ενός επιπλέον επιπέδου, του κανονικοποιημένου δείκτη βλάστησης (NDVI), δεδομένου ότι τα παράγωγα των λόγων των καναλιών μπορούν να βοηθήσουν στον μερικό περιορισμό τοπογραφικών στοιχείων (Holben and Justice 1981, Apan 1997). Μπορεί ωστόσο να σημειωθεί ότι το επίπεδο του κανονικοποιημένου δείκτη βλάστησης δεν μπορεί από μόνο του να καταργήσει τελείως την επίδραση της σκιάς. Οι Eiumnoh και Shrestha (2000) αξιοποίησαν τα πλεονεκτήματα της ενσωμάτωσης τόσο του κανονικοποιημένου δείκτη βλάστησης, όσο και του ψηφιακού μοντέλου εδάφους, κατά τη διαδικασία της ταξινόμησης και έδειξαν ότι βελτίωσαν την ακρίβεια στην ταξινόμηση κατά 10 έως 20%.
Βασισμένη στην επιτυχία της ταξινόμησης πολλαπλών πηγών στην εξουδετέρωση της επίδρασης των σκιών, η παρούσα εργασία στοχεύει να παρουσιάσει μια μελέτη εξαγωγής χαρτών κάλυψης γης ακριβείας με χρήση τηλεπισκοπικών και βοηθητικών δεδομένων σε μια περιοχή με υψηλό υψόμετρο και δύσβατο έδαφος, στα Ιμαλάια, όπου οι σκιές είναι το μεγαλύτερο πρόβλημα, επομένως θα είναι ιδιαίτερα χρήσιμη η εφαρμογή μιας τέτοιας ταξινόμησης.

[[ Αρχείο:1 Location map of the study area.jpg | thumb | right | Εικόνα 1. Περιοχή μελέτης ]]

[[ Αρχείο:2 IRS 1C LISS III colour infrared composite.jpg | thumb | right | Εικόνα 2. IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο ]]

[[ Αρχείο:3 A portion of IRS PAN data.jpg | thumb | right | Εικόνα 3. Δεδομένα IRS PAN ]]

Η μελέτη επιτυγχάνεται εν μέρει από ένα μεγάλο εν εξελίξει Γεωγραφικό Σύστημα Πληροφοριών που βασίζεται στην έρευνα της εκτίμησης των επιπτώσεων από την κατολίσθηση για τον σχεδιασμό δρόμων στα Ιμαλάια, όπου οι ακριβείς πληροφορίες για την κάλυψη της γης αποτελούν μια καίρια συμβολή δεδομένων. Η πολυφασματική εικόνα από το IRS-LISS ΙΙΙ- έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο, με πρόσθετα επίπεδα τον κανονικοποιημένο δείκτη βλάστησης και το ψηφιακό μοντέλο εδάφους για την εφαρμογή της ταξινόμησης της εδαφοκάλυψης πολλαπλών πηγών, χρησιμοποιώντας την προσέγγιση του λογικού καναλιού (Tso and Mather, 2001). Η ανάλυση της διαχωρισιμότητας στη βάση της μεταβλημένης απόκλισης έχει επίσης πραγματοποιηθεί για να εξετάσει τη σχετική σημασία των διαφόρων φασματικών καναλιών και των βοηθητικών επιπέδων δεδομένων κατά τη διαδικασία ταξινόμησης. Η ταξινόμηση που έχει γίνει είναι η πιο ευρέως χρησιμοποιούμενη, η ταξινόμηση μεγίστης πιθανοφάνειας (MLC).
Η περιοχή μελέτης, τα δεδομένα και το αντικείμενο εργασίας

Η περιοχή μελέτης έχει έκταση περίπου 730 τ.χλμ., βρίσκεται στα Ιμαλάια, καλύπτει ένα μέρος των περιφερειών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία (Εικ. 1). Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880μ. έως 4785μ. πάνω από τη μέση στάθμη της θάλασσας. Τα ποτάμια Alaknanda και Madhyamaheshwar Ganga ρέουν μέσω του βορειοδυτικού και νοτιοανατολικού τμήματος της περιοχής αντίστοιχα. Η περιοχή επίσης κυριαρχείται από πυκνή δασική κάλυψη (> 50%). Υπάρχουν χέρσες και γεωργικές εκτάσεις, με καλλιέργειες σε αναβαθμίδες.

Οι Gopeshwar και Chamoli αποτελούν τις μεγάλες πόλεις που περιβάλλονται από πολλά μικρά χωριά, σκορπισμένα σε όλη την περιοχή. Στο βορειοανατολικό τμήμα της περιοχής βρίσκονται άγονες εκτάσεις και ψηλά βουνά καλυμμένα με χιόνι. Από γεωλογική άποψη, η περιοχή περιλαμβάνει τα χαμηλότερα Ιμαλάια και τα ψηλότερα Ιμαλάια (Valdiya, 1980) και αποτελείται από μια σειρά λιθολογικών ενοτήτων και συγκεκριμένα από ψαμμίτες, ασβεστόλιθους, γρανίτη γνεύσιο. Δομικά, η περιοχή είναι πολύπλοκη λόγω της παρουσίας διαφόρων ωθήσεων. Κατά συνέπεια, η σεισμική δραστηριότητα και οι κατολισθήσεις στην περιοχή συχνά οδηγούν σε αλλαγή των τοπικών χαρακτηριστικών εδαφοκάλυψης. Η τακτική παρακολούθηση και χαρτογράφηση της κάλυψης της γης είναι λοιπόν απαραίτητη. Η παρούσα μελέτη βασίζεται στην χαρτογράφηση κάλυψη γης από τα δεδομένα τηλεπισκόπησης IRS-1C. Η LISS ΙΙΙ πολυφασματική εικόνα (23,5 m χωρική διακριτική ικανότητα) (Εικ. 2) έχει χρησιμοποιηθεί ως η πρωτογενές δεδομένο για την ταξινόμηση της κάλυψης γης, ενώ η εικόνα PAN (5,8 m χωρική διακριτική ικανότητα) (Εικ. 3), λόγω της ανάλυσής της, έχει χρησιμοποιηθεί ως στοιχείο αναφοράς για τη δημιουργία δοκιμαστικών συνόλων δεδομένων. Πολλές άλλες μελέτες (π.χ. Fisher και Pathirana 1990, Foody και Arora 1996, Shalan et al, 2003) έχουν επίσης χρησιμοποιήσει εικόνες υψηλής ανάλυσης για αυτό το σκοπό, λόγω απουσίας επαρκών στοιχείων της έρευνας πεδίου.

Παρ 'όλα αυτά, στην παρούσα μελέτη, η προετοιμασία των δεδομένων αναφοράς συμπληρώνεται με έρευνες πεδίου που έλαβαν χώρα σε προηγούμενα έτη και το Δεκέμβριο του 2001. Η εποχή της τελευταίας επίσκεψης πεδίου συνέπεσε με την ημερομηνία της απόκτησης των εικόνων LISS ΙΙΙ και PAN, ώστε ταυτόχρονα να περιγραφούν ατμοσφαιρικές και περιβαλλοντικές συνθήκες. Δεδομένου ότι δεν υπάρχει επαρκές δίκτυο δρόμων και το έδαφος είναι απροσπέλαστο λόγω των υψηλών υψομέτρων και της τραχύτητας, οι πληροφορίες σχετικά με την υπάρχουσα κάλυψη γης συλλέγονταν μόνο κατά μήκος των δρόμων πρόσβασης κατά τη διάρκεια των ερευνών πεδίου. Επίσης χρησιμοποιήθηκε το Global Positioning System (GPS) για την απόκτηση ακριβών θέσεων των κατηγοριών κάλυψης γης για την εύκολη οριοθέτηση τους σε γεωαναφερμένες εικόνες LISS ΙΙΙ και PAN. Οι βοηθητικές πληροφορίες υπό τη μορφή ψηφιακών μοντέλων εδάφους προήλθαν από τοπογραφικούς χάρτες.

Μεθοδολογία

Στην εκτέλεση της ταξινόμησης πολλαπλών πηγών συμμετέχουν μια σειρά από βήματα επεξεργασίας δεδομένων. Αυτά περιλαμβάνουν προεπεξεργασία της εικόνας LISS ΙΙΙ για να διορθωθούν τα ατμοσφαιρικά
λάθη, καταγραφή των LISS ΙΙΙ και ΡΑΝ εικόνων, παραγωγή των βοηθητικών επιπέδων δεδομένων, η ταξινόμηση της εικόνας και η αξιολόγηση της ακρίβειας. Όλη η επεξεργασία έχει γίνει με λογισμικά ERDAS, GIS Arc και ILWIS.
Προ-επεξεργασία της εικόνας LISS ΙΙΙ

Η ατμοσφαιρική σκέδαση είναι κοινή σε δεδομένα τηλεπισκόπησης και γενικά είναι πιο έντονη στις περιοχές μικρότερου μήκους κύματος (π.χ. μπλε). Το αποτέλεσμα της ατμοσφαιρικής σκέδασης είναι κάποιες πρόσθετες φασματικές τιμές για την ανάκλαση του εδάφους (Gupta 2003, Jensen 1986). Σε αυτή τη μελέτη, η εικόνα LISS ΙΙΙ διορθώθηκε για την ατμοσφαιρική ακτινοβολία με τη μέθοδο αφαίρεσης σκοτεινού αντικειμένου (Chavez, 1988). Η μέθοδος είναι γρήγορη και εύκολη, δεδομένου ότι δεν απαιτεί πληροφορίες σχετικά με τις ατμοσφαιρικές συνθήκες κατά τη στιγμή της λήψης της εικόνας. Για την εφαρμογή αυτής της μεθόδου, το εικονοστοιχείο (που συνδέεται με το σκοτεινό αντικείμενο) με ελάχιστη τιμή φωτεινότητας στο εγγύς υπέρυθρο (NIR) κανάλι εντοπίστηκε και οι αντίστοιχες τιμές των εικονοστοιχείων σε όλα τα κανάλια αφαιρέθηκαν από τα συγκεκριμένα πρώτα κανάλια. Αυτό θα οδηγήσει σε μια εικόνα που έχει διορθωθεί για την ατμοσφαιρική σκέδαση.

Γεωμετρική καταγραφή των εικόνων

Η ακριβής γεωμετρική καταγραφή των εικόνων είναι ένα προαπαιτούμενο για να την εκτέλεση της ταξινόμησης. Πρώτον, η εικόνα LISS ΙΙΙ διορθώθηκε γεωμετρικά χρησιμοποιώντας 39 σωστά κατανεμημένα σημεία ελέγχου εδάφους (GCPs) που εξάγονται από τον τοπογραφικό χάρτη. Λόγω της μη ύπαρξης έντονων, σαφώς καθορισμένων, σταθερών και αξιοπρόσεκτων χαρακτηριστικών της εικόνας, τα κατανεμημένα σημεία ελέγχου εδάφους (GCPs) αποκτήθηκαν κυρίως από τη διασταύρωση των γραμμών αποστράγγισης. Λόγω της απότομης τοπογραφίας και των στενών κοιλάδων στα Ιμαλάια, θεωρήθηκε ότι δεν υπήρξε καμία μεταβολή στο δίκτυο αποστράγγισης μεταξύ του έτους παραγωγής του τοπογραφικού χάρτη και της ημερομηνίας απόκτησης της εικόνας LISS ΙΙΙ.

Η καταγραφή έγινε με ακρίβεια δευτερεύοντος εικονοστοιχείου
με πολυωνυμική τροποποίηση και με τη μέθοδο «επαναδειγματοληψίας του πλησιέστερου γείτονα», αφήνοντας έτσι τις τιμές φωτεινότητας αναλλοίωτες. Η εικόνα PAN έχει επίσης καταχωρηθεί με ακρίβεια δευτερεύοντος εικονοστοιχείου χρησιμοποιώντας 60 σωστά κατανεμημένα σημεία (GCPs). Η καταγραφή της εικόνας PAN ήταν απαραίτητη καθώς η εικόνα αυτή χρησιμοποιήθηκε ως στοιχείο αναφοράς για την ακριβή οριοθέτηση των περιοχών εκπαίδευσης και εξέτασης στην εικόνα LISS ΙΙΙ.

Παραγωγή των βοηθητικών δεδομένων

Τα επίπεδα δεδομένων ψηφιακού μοντέλου εδάφους (DEM) και κανονικοποιημένου δείκτη βλάστησης (NDVI) χρησιμοποιήθηκαν ως πρόσθετα κανάλια (που αναφέρονται ως δευτερεύοντα στοιχεία) την εκτέλεση της ταξινόμησης πολλαπλών πηγών

α) Παραγωγή ψηφιακού μοντέλου εδάφους

Σε μεγάλα υψόμετρα και δύσβατα εδάφη, μπορεί να βρεθεί σημαντική διακύμανση στις τιμές φωτεινότητας των εικονοστοιχείων, λόγω της παρουσίας των σκιών. Αυτό μπορεί να οδηγήσει σε λανθασμένη ταξινόμηση. Ως εκ τούτου, το ψηφιακό μοντέλο εδάφους χρησιμοποιήθηκε ως βοηθητικό δεδομένο στη διαδικασία ταξινόμησης κυρίως για να μειωθούν τα σφάλματα ταξινόμησης. Επιπλέον, οι πληροφορίες υψομέτρων από το ψηφιακό μοντέλο εδάφους μπορούν επίσης να ενεργήσουν ως ένας λογικός κανόνας για την παρουσία ή την απουσία ορισμένων κατηγοριών σε συγκεκριμένες ζώνες υψομέτρων. Για παράδειγμα, δεν αναμένεται να υπάρχουν αγραναπαύσεις σε μεγάλα υψόμετρα που καλύπτονται με χιόνι, αφού οι κλιματολογικές συνθήκες δεν επιτρέπουν τη γεωργική δραστηριότητα σε τόσο μεγάλα υψόμετρα. Οι περιοχές αυτές συνεπώς θα πρέπει να κατηγοριοποιούνται ως άγονη γη. Οποιαδήποτε παρουσία αγρανάπαυσης σε χιονισμένες περιοχές λοιπόν μπορεί να αντιπροσωπεύει εσφαλμένη ταξινόμηση, η οποία μπορεί να μειωθεί με την καταγραφή του ψηφιακού μοντέλου εδάφους. Το ψηφιακό μοντέλο εδάφους δημιουργήθηκε με την ψηφιοποίηση ισοϋψών ανά 40 μέτρα από τοπογραφικό χάρτη σε κλίμακα 1:50.000. Χρησιμοποιήθηκε ακανόνιστο δίκτυο τριγώνων (TIN) για την παραγωγή ψηφιδωτού μοντέλου εδάφους με ανάλυση 23,5μ. που ταιριάζει με της εικόνας LISS ΙΙΙ.

[[ Αρχείο:4 Normalized Difference Vegetation Index.jpg | thumb | right | Εικόνα 4. NDVI: κανονικοποιημένος δείκτης βλάστησης, Ταξινόμηση εικόνας ]]

β) Επίπεδο NDVI: κανονικοποιημένος δείκτης βλάστησης

Δεδομένου ότι η περιοχή μελέτης κυριαρχείται από διαφορετικούς τύπους
βλάστησης, ο κανονικοποιημένος δείκτης βλάστησης χρησιμοποιήθηκε ως βοηθητικό επίπεδο δεδομένων στη διαδικασία ταξινόμησης για την ενίσχυση της διάκρισης των διαφόρων κατηγοριών βλάστησης, αλλά και για τη μείωση της σκιάς. Ο κανονικοποιημένος δείκτης βλάστησης δημιουργήθηκε από το κόκκινο και εγγύς υπέρυθρο κανάλι και από την εικόνα LISS ΙΙΙ και ορίζεται ως εξής:NDVI=(NIRΚόκκινο)/(NIR + Κόκκινο).

Οι τιμές των εικονοστοιχείων του επιπέδου NDVI κυμαίνονται από -1 έως
+1 και κλιμακώνονται από 0 έως 255 αντίστοιχα. Οι μεγαλύτερες τιμές
NDVI δείχνουν αύξηση της βιομάζας ανά μονάδα επιφάνειας. Στην εικόνα 4 παρουσιάζεται το επίπεδο NDVI τοποθετημένο πάνω στο ψηφιακό μοντέλο εδάφους DEM. Στο σχήμα αυτό, οι τιμές NDVI ποικίλλουν από -0,36 έως 0,62. Οι θετικές τιμές αντιπροσωπεύουν διαφορετικές κατηγορίες τύπων βλάστησης, ενώ κοντά στο μηδέν και σε αρνητικές τιμές υποδηλώνουν κατηγορίες μη βλάστησης, όπως το νερό, το χιόνι και η άγονη γη (Εικ. 4).

[[ Αρχείο:PINAKAS 1 kalipsis gis.jpg | thumb | right | Πίνακας 1. Κατηγορίες κάλυψης γης, περιγραφή, χαρακτηριστικά ]]

Για την παραγωγή του χάρτη κάλυψης γης από την εικόνα LISS ΙΙΙ και από τα βοηθητικά επίπεδα δεδομένων πραγματοποιήθηκε μια σειρά ενεργειών ταξινόμησης εικόνας, οι οποίες περιγράφονται παρακάτω.

Επιλογή συστήματος ταξινόμησης κάλυψης γης

Ένα σύστημα ταξινόμησης πρέπει να καθορίζει τις κατηγορίες κάλυψης γης για να θεωρηθεί ταξινομημένη η εικόνα τηλεπισκόπησης. Μερικές φορές χρησιμοποιείται ένα πρότυπο σύστημα ταξινόμησης, όπως το σύστημα ταξινόμησης κατηγοριών χρήσεων και κάλυψης γης του Άντερσον (Anderson et al., 1976), ενώ άλλες φορές ο αριθμός των κατηγοριών κάλυψης γης επιλέγονται σύμφωνα με τις απαιτήσεις της συγκεκριμένης εφαρμογής. Στη μελέτη αυτή, που βασίζεται στο σύστημα ταξινόμησης του Άντερσον, ορίστηκαν εννέα κατηγορίες κάλυψης γης. Η λεπτομερής περιγραφή αυτών των κατηγοριών με τα ερμηνευτικά χαρακτηριστικά τους τόσο στο ψευδές έγχρωμο σύνθετο (FCC) των εικόνων LISS ΙΙΙ και PAN παρέχονται στον παρακάτω πίνακα (πίνακας 1).

Δημιουργία δεδομένων εκπαίδευσης

Η εξαγωγή δεδομένων εκπαίδευσης αποτελεί ένα κρίσιμο βήμα στην διαδικασία εποπτευόμενης ταξινόμησης εικόνας. Δεδομένου ότι η επιτυχία μιας ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεγούν από αντιπροσωπευτικές περιοχές των κατηγοριών κάλυψης του εδάφους. Τα δεδομένα πρέπει να συλλέγονται από ομοιογενείς περιοχές που εκφράζουν τις κατηγορίες. Η συλλογή των δεδομένων εκπαίδευσης είναι γενικά μια χρονοβόρα και κουραστική διαδικασία, δεδομένου ότι περιλαμβάνει επίπονες έρευνες πεδίου και τη συσσώρευση δεδομένων αναφοράς από διάφορες πηγές. Ο αριθμός των εικονοστοιχείων που αποτελούν το σύνολο των δεδομένων εκπαίδευσης πρέπει να είναι αρκετά μεγάλος για να χαρακτηριστούν επακριβώς οι κατηγορίες κάλυψης γης. Ως γενικός κανόνας, ο αριθμός των εικονοστοιχείων εκπαίδευσης για κάθε κατηγορία μπορεί να διατηρηθεί ως 30 φορές επί τον αριθμό των καναλιών υπό εξέταση (Mather, 1999). Στη μελέτη αυτή, το σύνολο δεδομένων εκπαίδευσης αποτελείται από περίπου το 1% του συνόλου των εικονοστοιχείων στην εικόνα LISS ΙΙΙ. Ο αριθμός των δειγμάτων εκπαίδευσης για κάθε κατηγορία επιλέχθηκαν κατ 'αναλογία προς την έκταση που καλύπτεται από τις αντίστοιχες κατηγορίες κάλυψης εδάφος (πίνακας 2) .

Ανάλυση διαχωρισιμότητας

Το σύνολο των δεδομένων για την ταξινόμηση αποτελείται από έξι επίπεδα (τέσσερα κανάλια της πολυφασματικής εικόνα LISS ΙΙΙ, δύο βοηθητικές πηγές δεδομένων: κανονικοποιημένος δείκτης βλάστησης και ψηφιακό μοντέλο εδάφους). Για τον προσδιορισμό του πιο κατάλληλου συνδυασμού των καναλιών για την καλύτερη διάκριση μεταξύ των κατηγοριών κάλυψης γης, πραγματοποιήθηκε ανάλυση διαχωρισιμότητας
των αποτελεσμάτων, (μια στατιστική μέθοδος) για τον υπολογισμό των
φασματικών αποστάσεων για κάθε συνδυασμό καναλιών, η μεταβλημένη απόκλιση (TD), με τιμές από 0-2000, με πιο κατάλληλες τις μεγαλύτερες.

Ταξινόμηση μεγίστης πιθανοφάνειας (MLC)

Η ταξινόμηση μεγίστης πιθανοφάνειας έχει διαπιστωθεί ότι είναι πολύ ακριβής όταν πληρούνται οι παραδοχές κατανομής δεδομένων και έχει χρησιμοποιηθεί εδώ προς την παραγωγή θεματικών χαρτών χήσης και κάλυψης γης με διαφορετικούς συνδυασμούς καναλιών.

Εκτίμηση ακρίβειας της ταξινόμησης

Καμία ταξινόμηση εικόνας δε μπορεί να είναι πλήρης, αν δεν έχει εκτιμηθεί η ακρίβειά της. Για τον έλεγχο της ακρίβειας της ταξινόμησης, έχει επιλεγεί ένα δείγμα των εικονοστοιχείων, για τα οποία συγκρίνεται η κατηγορία στην οποία έχουν ταξινομηθεί με την κατηγορία που ανήκουν στην πραγματικότητα με επίγειο έλεγχο. Η επιλογή του κατάλληλου δείγματος και του μεγέθους του διαδραματίζει καίριο ρόλο στην αξιολόγηση
της ακρίβειας της ταξινόμησης.

Αποτελέσματα

Ο σκοπός της παρούσας μελέτης είναι η εφαρμογή ταξινόμησης πολλαπλών πηγών για την παραγωγή χάρτη κάλυψης γης για τον καθορισμό ζωνών επικινδυνότητας λόγω κατολίσθησης. Η ταξινόμηση με βάση μόνο τα φασματικά δεδομένα της εικόνας LISS ΙΙΙ έχει ακρίβεια 86,94%, η οποία είναι μεγαλύτερη από την ελάχιστη απαιτούμενη ακρίβεια 85% (Anderson, 1976). Η επιπλέον ένταξη του κανονικοποιημένου δείκτη βλάστησης μείωσε την ακρίβεια στο 84,78%, όταν όμως προστέθηκε και το επίπεδο του ψηφιακού μοντέλου εδάφους, η ακρίβεια αυξήθηκε στο 92,04%. Συγκεκριμένα οι κατηγορίες αραιή βλάστηση, γεωργία, χέρσα και άγονη γη, οικισμοί και χιόνι παρουσίασαν σημαντική αύξηση της ακρίβειας που κυμαίνεται από 1,5% έως 20%., δεδομένου ότι, τα μεγάλα υψόμετρα και η παρουσία των σκιών αποκλείουν κάποιες κατηγορίες. Από την οπτική σύγκριση του έγχρωμου σύνθετου (Εικ. 2) και την ταξινόμηση της εδαφοκάλυψης υψηλής ακρίβειας (Εικ. 5), μπορεί να παρατηρηθεί ότι η προσθήκη του κανονικοποιημένου δείκτη βλάστησης και του ψηφιακού μοντέλου εδάφους είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

Συμπεράσματα

Στην παρούσα μελέτη αποδείχτηκε η αποτελεσματικότητα της ενσωμάτωσης του ψηφιακού μοντέλου εδάφους και του κανονικοποιημένου δείκτη βλάστησης παράλληλα με τη χρήση των τηλεπισκοπικών δεδομένων για την ακριβέστερη ταξινόμηση χαρτών κάλυψης γης σε ορεινές και απροσπέλαστες περιοχές με σημαντική παρουσία έντονων σκιών, όπως στην περιοχή των Ιμαλαΐων.

[[category:Χαρτογραφία]]

Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

2012-03-03T11:40:57Z

Rokana.vasiliki:

'''A. K. Saha''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

'''M. K. Arora''', Department of Civil Engineering, Indian Institute of Technology Roorkee,Roorkee-247667, India

'''E. Csaplovics''', Institute of Photogrammetry and Remote Sensing, TU- Dresden, Dresden, D-01069, Germany

'''R. P. Gupta''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

http://www.tandfonline.com/doi/abs/10.1080/10106040508542343#preview

'''Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια'''

Η ταξινόμηση ψηφιακής εικόνας πραγματοποιείται γενικά για την παραγωγή χαρτών κάλυψης γης από τηλεπισκοπικά δεδομένα, ιδιαίτερα για περιοχές μεγάλης έκτασης. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα δεδομένα τηλεπισκόπησης μπορεί να μειωθεί, ιδιαίτερα στις ορεινές περιοχές, λόγω της παρουσίας των σκιών των ψηλών κορυφών. Στην παρούσα μελέτη, έχει υιοθετηθεί μια προσέγγιση ταξινόμησης πολλαπλών πηγών για την χαρτογράφηση της κάλυψης γης σε περιοχή με ψηλές βουνοκορφές, με υψόμετρα έως και 4785 μέτρα πάνω από τη μέση στάθμη της θάλασσας, στην περιοχή των Ιμαλαΐων. Δεδομένα τηλεπισκόπησης από εικόνες IRS LISS ΙΙΙ, αλλά και κανονικοποιημένοι δείκτες βλάστησης και ψηφιακά μοντέλα εδάφους έχουν χρησιμοποιηθεί για την εκτέλεση ταξινόμησης μεγίστης πιθανοφάνειας πολλαπλών πηγών. Τα αποτελέσματα δείχνουν μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των κανονικοποιημένων δεικτών βλάστησης και των ψηφιακών μοντέλων εδάφους ως βοηθητικά δεδομένα για την ταξινόμηση, η οποία γίνεται αποκλειστικά με βάση τα δεδομένα τηλεπισκόπησης.

Η γνώση των χωρικών πληροφοριών κάλυψης του εδάφους είναι απαραίτητη για τη σωστή διαχείριση, τον προγραμματισμό και την παρακολούθηση των φυσικών πόρων (Zhu, 1997). Για παράδειγμα, αποτελεί σημαντική πληροφορία για πολλούς τομείς της γεωργίας, της γεωλογίας, για υδρολογικά και οικολογικά μοντέλα. Επίσης, κάθε μελέτη επικινδυνότητας, όπως η μελέτη ζωνών επικινδυνότητας κατολίσθησης (π.χ. Gupta et al, 1999, Σάχα et al, 2002) εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα πληροφοριών κάλυψης γης που να έχουν ακρίβεια και να είναι επικαιροποιημένες.

Οι δορυφορικές εικόνες τηλεπισκόπησης αποτελούν μια βιώσιμη πηγή για τη συλλογή πληροφοριών ποιότητας της κάλυψης γης σε τοπικό, περιφερειακό και παγκόσμιο επίπεδο (Csaplovics, 1998, Foody, 2002). Επιπλέον, τα δεδομένα τηλεπισκόπησης είναι, κυρίως, χρήσιμα για τη χαρτογράφηση κάλυψης γης σε ορεινές περιοχές, όπως τα Ιμαλάια, αφού οι περιοχές αυτές είναι γενικά απροσπέλαστες λόγω των μεγάλων υψομέτρων και της τραχύτητας του εδάφους. Στις υψηλές ορεινές περιοχές, έχουν πραγματοποιηθεί πολλές μελέτες χαρτογράφησης της κάλυψης του εδάφους με τη χρήση τηλεπισκοπικών δεδομένων, με διαφορετικό όμως βαθμό ακρίβειας. Αυτό μπορεί να οφείλεται σε ένα μεγάλο αριθμό παραγόντων που επηρεάζουν τη διαδικασία της τηλεπισκόπησης. Αυτοί περιλαμβάνουν την παρουσία των σκιών που οφείλονται σε μεγάλο υψόμετρο του εδάφους, τη νεφοκάλυψη, τις βαθιές στενές κοιλάδες και τις ρεματιές, τις χαμηλές γωνίες του ήλιου, τις απότομες πλαγιές και τη διαφοροποιημένη κάλυψη της βλάστησης. Ως εκ τούτου, λόγω των μεταβολών των περιβαλλοντικών συνθηκών, τα φασματικά χαρακτηριστικά αλλάζουν από τη μία περιοχή στην άλλη (Mathur και Arora, 2001). Έτσι, η ταξινόμηση που βασίζεται μόνο σε τηλεπισκοπικά δεδομένα μπορεί να μην είναι επαρκής για την αποτελεσματική συλλογή πληροφοριών κάλυψης γης. Τα βοηθητικά δεδομένα από άλλες πηγές μπορεί να αποκτηθούν από χάρτες (Bruzzone et al., 1997), γεωλογικούς (Γκονγκ, 1996) και άλλους χάρτες. Οι πιο χρήσιμες πληροφορίες που μπορούν να ληφθούν από τοπογραφικούς χάρτες είναι οι ισουψείς καμπύλες, οι οποίες μπορούν να ψηφιοποιηθούν και να παράγουν ένα ράστερ ψηφιακό μοντέλο εδάφους (DEM). Τα ψηφιακά μοντέλα εδάφους μαζί με τα παράγωγά τους, όπως η κλίση, αποτελούν τη βάση για την ταξινόμηση πολλαπλών πηγών (Jones et al 1988, Φρανκ 1988, Janssen et al 1990).
Στοιχεία από διαφορετικούς αισθητήρες τηλεπισκόπησης μπορούν επίσης να συνδυαστούν για την ταξινόμηση (Michelson et al., 2000). Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων, όπως η ανάλυση σε κύριες συνιστώσες (PCA) και ο κανονικοποιημένος δείκτης βλάστησης (NDVI), μπορεί επίσης να ενσωματωθεί στη διαδικασία ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης στις ορεινές περιοχές (Eiumnoh και Shrestha, 2000). Στις ορεινές περιοχές, όπως στα Ιμαλάια, οι σκιές είναι η κύρια πηγή της σύγχυσης στην εξαγωγή πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης. Παρά το γεγονός ότι, δεν υπάρχει κατάλληλη μέθοδος για να καταργηθεί εντελώς η επίδραση των σκιών, υπάρχουν αρκετές εναλλακτικές λύσεις για να ελαχιστοποιηθούν οι επιπτώσεις τους, προκειμένου να βελτιωθεί η ταξινόμηση από τα τηλεπισκοπικά δεδομένα. Πολλές από τις μεθόδους βασίζονται σε μοντέλα σκιασμένου αναγλύφου που παράγονται από το ψηφιακό μοντέλο εδάφους. Ωστόσο, κάποιες μελέτες (π.χ. Kawata et al. 1988, Civco 1989, Colby 1991, Curran και Foody, 1994) έχουν δείξει ότι λόγω της παρουσίας λαθών στη δημιουργία ψηφιακών μοντέλων εδάφους και του τρόπου που το ψηφιακό μοντέλο εδάφους εφαρμόζεται στη διαδικασία ταξινόμησης, η διόρθωση για τις σκιασμένες πλαγιές μπορεί να είναι υπερεκτιμημένη. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί η χρήση ενός επιπλέον επιπέδου, του κανονικοποιημένου δείκτη βλάστησης (NDVI), δεδομένου ότι τα παράγωγα των λόγων των καναλιών μπορούν να βοηθήσουν στον μερικό περιορισμό τοπογραφικών στοιχείων (Holben and Justice 1981, Apan 1997). Μπορεί ωστόσο να σημειωθεί ότι το επίπεδο του κανονικοποιημένου δείκτη βλάστησης δεν μπορεί από μόνο του να καταργήσει τελείως την επίδραση της σκιάς. Οι Eiumnoh και Shrestha (2000) αξιοποίησαν τα πλεονεκτήματα της ενσωμάτωσης τόσο του κανονικοποιημένου δείκτη βλάστησης, όσο και του ψηφιακού μοντέλου εδάφους, κατά τη διαδικασία της ταξινόμησης και έδειξαν ότι βελτίωσαν την ακρίβεια στην ταξινόμηση κατά 10 έως 20%.
Βασισμένη στην επιτυχία της ταξινόμησης πολλαπλών πηγών στην εξουδετέρωση της επίδρασης των σκιών, η παρούσα εργασία στοχεύει να παρουσιάσει μια μελέτη εξαγωγής χαρτών κάλυψης γης ακριβείας με χρήση τηλεπισκοπικών και βοηθητικών δεδομένων σε μια περιοχή με υψηλό υψόμετρο και δύσβατο έδαφος, στα Ιμαλάια, όπου οι σκιές είναι το μεγαλύτερο πρόβλημα, επομένως θα είναι ιδιαίτερα χρήσιμη η εφαρμογή μιας τέτοιας ταξινόμησης.

[[ Αρχείο:1 Location map of the study area.jpg | thumb | right | Εικόνα 1. Περιοχή μελέτης ]]

[[ Αρχείο:2 IRS 1C LISS III colour infrared composite.jpg | thumb | right | Εικόνα 2. IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο ]]

[[ Αρχείο:3 A portion of IRS PAN data.jpg | thumb | right | Εικόνα 3. Δεδομένα IRS PAN ]]

Η μελέτη επιτυγχάνεται εν μέρει από ένα μεγάλο εν εξελίξει Γεωγραφικό Σύστημα Πληροφοριών που βασίζεται στην έρευνα της εκτίμησης των επιπτώσεων από την κατολίσθηση για τον σχεδιασμό δρόμων στα Ιμαλάια, όπου οι ακριβείς πληροφορίες για την κάλυψη της γης αποτελούν μια καίρια συμβολή δεδομένων. Η πολυφασματική εικόνα από το IRS-LISS ΙΙΙ- έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο, με πρόσθετα επίπεδα τον κανονικοποιημένο δείκτη βλάστησης και το ψηφιακό μοντέλο εδάφους για την εφαρμογή της ταξινόμησης της εδαφοκάλυψης πολλαπλών πηγών, χρησιμοποιώντας την προσέγγιση του λογικού καναλιού (Tso and Mather, 2001). Η ανάλυση της διαχωρισιμότητας στη βάση της μεταβλημένης απόκλισης έχει επίσης πραγματοποιηθεί για να εξετάσει τη σχετική σημασία των διαφόρων φασματικών καναλιών και των βοηθητικών επιπέδων δεδομένων κατά τη διαδικασία ταξινόμησης. Η ταξινόμηση που έχει γίνει είναι η πιο ευρέως χρησιμοποιούμενη, η ταξινόμηση μεγίστης πιθανοφάνειας (MLC).
Η περιοχή μελέτης, τα δεδομένα και το αντικείμενο εργασίας

Η περιοχή μελέτης έχει έκταση περίπου 730 τ.χλμ., βρίσκεται στα Ιμαλάια, καλύπτει ένα μέρος των περιφερειών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία (Εικ. 1). Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880μ. έως 4785μ. πάνω από τη μέση στάθμη της θάλασσας. Τα ποτάμια Alaknanda και Madhyamaheshwar Ganga ρέουν μέσω του βορειοδυτικού και νοτιοανατολικού τμήματος της περιοχής αντίστοιχα. Η περιοχή επίσης κυριαρχείται από πυκνή δασική κάλυψη (> 50%). Υπάρχουν χέρσες και γεωργικές εκτάσεις, με καλλιέργειες σε αναβαθμίδες.

Οι Gopeshwar και Chamoli αποτελούν τις μεγάλες πόλεις που περιβάλλονται από πολλά μικρά χωριά, σκορπισμένα σε όλη την περιοχή. Στο βορειοανατολικό τμήμα της περιοχής βρίσκονται άγονες εκτάσεις και ψηλά βουνά καλυμμένα με χιόνι. Από γεωλογική άποψη, η περιοχή περιλαμβάνει τα χαμηλότερα Ιμαλάια και τα ψηλότερα Ιμαλάια (Valdiya, 1980) και αποτελείται από μια σειρά λιθολογικών ενοτήτων και συγκεκριμένα από ψαμμίτες, ασβεστόλιθους, γρανίτη γνεύσιο. Δομικά, η περιοχή είναι πολύπλοκη λόγω της παρουσίας διαφόρων ωθήσεων. Κατά συνέπεια, η σεισμική δραστηριότητα και οι κατολισθήσεις στην περιοχή συχνά οδηγούν σε αλλαγή των τοπικών χαρακτηριστικών εδαφοκάλυψης. Η τακτική παρακολούθηση και χαρτογράφηση της κάλυψης της γης είναι λοιπόν απαραίτητη. Η παρούσα μελέτη βασίζεται στην χαρτογράφηση κάλυψη γης από τα δεδομένα τηλεπισκόπησης IRS-1C. Η LISS ΙΙΙ πολυφασματική εικόνα (23,5 m χωρική διακριτική ικανότητα) (Εικ. 2) έχει χρησιμοποιηθεί ως η πρωτογενές δεδομένο για την ταξινόμηση της κάλυψης γης, ενώ η εικόνα PAN (5,8 m χωρική διακριτική ικανότητα) (Εικ. 3), λόγω της ανάλυσής της, έχει χρησιμοποιηθεί ως στοιχείο αναφοράς για τη δημιουργία δοκιμαστικών συνόλων δεδομένων. Πολλές άλλες μελέτες (π.χ. Fisher και Pathirana 1990, Foody και Arora 1996, Shalan et al, 2003) έχουν επίσης χρησιμοποιήσει εικόνες υψηλής ανάλυσης για αυτό το σκοπό, λόγω απουσίας επαρκών στοιχείων της έρευνας πεδίου.

Παρ 'όλα αυτά, στην παρούσα μελέτη, η προετοιμασία των δεδομένων αναφοράς συμπληρώνεται με έρευνες πεδίου που έλαβαν χώρα σε προηγούμενα έτη και το Δεκέμβριο του 2001. Η εποχή της τελευταίας επίσκεψης πεδίου συνέπεσε με την ημερομηνία της απόκτησης των εικόνων LISS ΙΙΙ και PAN, ώστε ταυτόχρονα να περιγραφούν ατμοσφαιρικές και περιβαλλοντικές συνθήκες. Δεδομένου ότι δεν υπάρχει επαρκές δίκτυο δρόμων και το έδαφος είναι απροσπέλαστο λόγω των υψηλών υψομέτρων και της τραχύτητας, οι πληροφορίες σχετικά με την υπάρχουσα κάλυψη γης συλλέγονταν μόνο κατά μήκος των δρόμων πρόσβασης κατά τη διάρκεια των ερευνών πεδίου. Επίσης χρησιμοποιήθηκε το Global Positioning System (GPS) για την απόκτηση ακριβών θέσεων των κατηγοριών κάλυψης γης για την εύκολη οριοθέτηση τους σε γεωαναφερμένες εικόνες LISS ΙΙΙ και PAN. Οι βοηθητικές πληροφορίες υπό τη μορφή ψηφιακών μοντέλων εδάφους προήλθαν από τοπογραφικούς χάρτες.

Μεθοδολογία

Στην εκτέλεση της ταξινόμησης πολλαπλών πηγών συμμετέχουν μια σειρά από βήματα επεξεργασίας δεδομένων. Αυτά περιλαμβάνουν προεπεξεργασία της εικόνας LISS ΙΙΙ για να διορθωθούν τα ατμοσφαιρικά
λάθη, καταγραφή των LISS ΙΙΙ και ΡΑΝ εικόνων, παραγωγή των βοηθητικών επιπέδων δεδομένων, η ταξινόμηση της εικόνας και η αξιολόγηση της ακρίβειας. Όλη η επεξεργασία έχει γίνει με λογισμικά ERDAS, GIS Arc και ILWIS.
Προ-επεξεργασία της εικόνας LISS ΙΙΙ

Η ατμοσφαιρική σκέδαση είναι κοινή σε δεδομένα τηλεπισκόπησης και γενικά είναι πιο έντονη στις περιοχές μικρότερου μήκους κύματος (π.χ. μπλε). Το αποτέλεσμα της ατμοσφαιρικής σκέδασης είναι κάποιες πρόσθετες φασματικές τιμές για την ανάκλαση του εδάφους (Gupta 2003, Jensen 1986). Σε αυτή τη μελέτη, η εικόνα LISS ΙΙΙ διορθώθηκε για την ατμοσφαιρική ακτινοβολία με τη μέθοδο αφαίρεσης σκοτεινού αντικειμένου (Chavez, 1988). Η μέθοδος είναι γρήγορη και εύκολη, δεδομένου ότι δεν απαιτεί πληροφορίες σχετικά με τις ατμοσφαιρικές συνθήκες κατά τη στιγμή της λήψης της εικόνας. Για την εφαρμογή αυτής της μεθόδου, το εικονοστοιχείο (που συνδέεται με το σκοτεινό αντικείμενο) με ελάχιστη τιμή φωτεινότητας στο εγγύς υπέρυθρο (NIR) κανάλι εντοπίστηκε και οι αντίστοιχες τιμές των εικονοστοιχείων σε όλα τα κανάλια αφαιρέθηκαν από τα συγκεκριμένα πρώτα κανάλια. Αυτό θα οδηγήσει σε μια εικόνα που έχει διορθωθεί για την ατμοσφαιρική σκέδαση.

Γεωμετρική καταγραφή των εικόνων

Η ακριβής γεωμετρική καταγραφή των εικόνων είναι ένα προαπαιτούμενο για να την εκτέλεση της ταξινόμησης. Πρώτον, η εικόνα LISS ΙΙΙ διορθώθηκε γεωμετρικά χρησιμοποιώντας 39 σωστά κατανεμημένα σημεία ελέγχου εδάφους (GCPs) που εξάγονται από τον τοπογραφικό χάρτη. Λόγω της μη ύπαρξης έντονων, σαφώς καθορισμένων, σταθερών και αξιοπρόσεκτων χαρακτηριστικών της εικόνας, τα κατανεμημένα σημεία ελέγχου εδάφους (GCPs) αποκτήθηκαν κυρίως από τη διασταύρωση των γραμμών αποστράγγισης. Λόγω της απότομης τοπογραφίας και των στενών κοιλάδων στα Ιμαλάια, θεωρήθηκε ότι δεν υπήρξε καμία μεταβολή στο δίκτυο αποστράγγισης μεταξύ του έτους παραγωγής του τοπογραφικού χάρτη και της ημερομηνίας απόκτησης της εικόνας LISS ΙΙΙ.

Η καταγραφή έγινε με ακρίβεια δευτερεύοντος εικονοστοιχείου
με πολυωνυμική τροποποίηση και με τη μέθοδο «επαναδειγματοληψίας του πλησιέστερου γείτονα», αφήνοντας έτσι τις τιμές φωτεινότητας αναλλοίωτες. Η εικόνα PAN έχει επίσης καταχωρηθεί με ακρίβεια δευτερεύοντος εικονοστοιχείου χρησιμοποιώντας 60 σωστά κατανεμημένα σημεία (GCPs). Η καταγραφή της εικόνας PAN ήταν απαραίτητη καθώς η εικόνα αυτή χρησιμοποιήθηκε ως στοιχείο αναφοράς για την ακριβή οριοθέτηση των περιοχών εκπαίδευσης και εξέτασης στην εικόνα LISS ΙΙΙ.

Παραγωγή των βοηθητικών δεδομένων

Τα επίπεδα δεδομένων ψηφιακού μοντέλου εδάφους (DEM) και κανονικοποιημένου δείκτη βλάστησης (NDVI) χρησιμοποιήθηκαν ως πρόσθετα κανάλια (που αναφέρονται ως δευτερεύοντα στοιχεία) την εκτέλεση της ταξινόμησης πολλαπλών πηγών

α) Παραγωγή ψηφιακού μοντέλου εδάφους

Σε μεγάλα υψόμετρα και δύσβατα εδάφη, μπορεί να βρεθεί σημαντική διακύμανση στις τιμές φωτεινότητας των εικονοστοιχείων, λόγω της παρουσίας των σκιών. Αυτό μπορεί να οδηγήσει σε λανθασμένη ταξινόμηση. Ως εκ τούτου, το ψηφιακό μοντέλο εδάφους χρησιμοποιήθηκε ως βοηθητικό δεδομένο στη διαδικασία ταξινόμησης κυρίως για να μειωθούν τα σφάλματα ταξινόμησης. Επιπλέον, οι πληροφορίες υψομέτρων από το ψηφιακό μοντέλο εδάφους μπορούν επίσης να ενεργήσουν ως ένας λογικός κανόνας για την παρουσία ή την απουσία ορισμένων κατηγοριών σε συγκεκριμένες ζώνες υψομέτρων. Για παράδειγμα, δεν αναμένεται να υπάρχουν αγραναπαύσεις σε μεγάλα υψόμετρα που καλύπτονται με χιόνι, αφού οι κλιματολογικές συνθήκες δεν επιτρέπουν τη γεωργική δραστηριότητα σε τόσο μεγάλα υψόμετρα. Οι περιοχές αυτές συνεπώς θα πρέπει να κατηγοριοποιούνται ως άγονη γη. Οποιαδήποτε παρουσία αγρανάπαυσης σε χιονισμένες περιοχές λοιπόν μπορεί να αντιπροσωπεύει εσφαλμένη ταξινόμηση, η οποία μπορεί να μειωθεί με την καταγραφή του ψηφιακού μοντέλου εδάφους. Το ψηφιακό μοντέλο εδάφους δημιουργήθηκε με την ψηφιοποίηση ισοϋψών ανά 40 μέτρα από τοπογραφικό χάρτη σε κλίμακα 1:50.000. Χρησιμοποιήθηκε ακανόνιστο δίκτυο τριγώνων (TIN) για την παραγωγή ψηφιδωτού μοντέλου εδάφους με ανάλυση 23,5μ. που ταιριάζει με της εικόνας LISS ΙΙΙ.

β) Επίπεδο NDVI: κανονικοποιημένος δείκτης βλάστησης

Δεδομένου ότι η περιοχή μελέτης κυριαρχείται από διαφορετικούς τύπους
βλάστησης, ο κανονικοποιημένος δείκτης βλάστησης χρησιμοποιήθηκε ως βοηθητικό επίπεδο δεδομένων στη διαδικασία ταξινόμησης για την ενίσχυση της διάκρισης των διαφόρων κατηγοριών βλάστησης, αλλά και για τη μείωση της σκιάς. Ο κανονικοποιημένος δείκτης βλάστησης δημιουργήθηκε από το κόκκινο και εγγύς υπέρυθρο κανάλι και από την εικόνα LISS ΙΙΙ και ορίζεται ως εξής:NDVI=(NIRΚόκκινο)/(NIR + Κόκκινο).

[[ Αρχείο:4 Normalized Difference Vegetation Index.jpg | thumb | right | Εικόνα 4. NDVI: κανονικοποιημένος δείκτης βλάστησης, Ταξινόμηση εικόνας ]]

Οι τιμές των εικονοστοιχείων του επιπέδου NDVI κυμαίνονται από -1 έως
+1 και κλιμακώνονται από 0 έως 255 αντίστοιχα. Οι μεγαλύτερες τιμές
NDVI δείχνουν αύξηση της βιομάζας ανά μονάδα επιφάνειας. Στην εικόνα 4 παρουσιάζεται το επίπεδο NDVI τοποθετημένο πάνω στο ψηφιακό μοντέλο εδάφους DEM. Στο σχήμα αυτό, οι τιμές NDVI ποικίλλουν από -0,36 έως 0,62. Οι θετικές τιμές αντιπροσωπεύουν διαφορετικές κατηγορίες τύπων βλάστησης, ενώ κοντά στο μηδέν και σε αρνητικές τιμές υποδηλώνουν κατηγορίες μη βλάστησης, όπως το νερό, το χιόνι και η άγονη γη (Εικ. 4).

Για την παραγωγή του χάρτη κάλυψης γης από την εικόνα LISS ΙΙΙ και από τα βοηθητικά επίπεδα δεδομένων πραγματοποιήθηκε μια σειρά ενεργειών ταξινόμησης εικόνας, οι οποίες περιγράφονται παρακάτω.

Επιλογή συστήματος ταξινόμησης κάλυψης γης

Ένα σύστημα ταξινόμησης πρέπει να καθορίζει τις κατηγορίες κάλυψης γης για να θεωρηθεί ταξινομημένη η εικόνα τηλεπισκόπησης. Μερικές φορές χρησιμοποιείται ένα πρότυπο σύστημα ταξινόμησης, όπως το σύστημα ταξινόμησης κατηγοριών χρήσεων και κάλυψης γης του Άντερσον (Anderson et al., 1976), ενώ άλλες φορές ο αριθμός των κατηγοριών κάλυψης γης επιλέγονται σύμφωνα με τις απαιτήσεις της συγκεκριμένης εφαρμογής. Στη μελέτη αυτή, που βασίζεται στο σύστημα ταξινόμησης του Άντερσον, ορίστηκαν εννέα κατηγορίες κάλυψης γης. Η λεπτομερής περιγραφή αυτών των κατηγοριών με τα ερμηνευτικά χαρακτηριστικά τους τόσο στο ψευδές έγχρωμο σύνθετο (FCC) των εικόνων LISS ΙΙΙ και PAN παρέχονται στον παρακάτω πίνακα (πίνακας 1).

Δημιουργία δεδομένων εκπαίδευσης

Η εξαγωγή δεδομένων εκπαίδευσης αποτελεί ένα κρίσιμο βήμα στην διαδικασία εποπτευόμενης ταξινόμησης εικόνας. Δεδομένου ότι η επιτυχία μιας ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεγούν από αντιπροσωπευτικές περιοχές των κατηγοριών κάλυψης του εδάφους. Τα δεδομένα πρέπει να συλλέγονται από ομοιογενείς περιοχές που εκφράζουν τις κατηγορίες. Η συλλογή των δεδομένων εκπαίδευσης είναι γενικά μια χρονοβόρα και κουραστική διαδικασία, δεδομένου ότι περιλαμβάνει επίπονες έρευνες πεδίου και τη συσσώρευση δεδομένων αναφοράς από διάφορες πηγές. Ο αριθμός των εικονοστοιχείων που αποτελούν το σύνολο των δεδομένων εκπαίδευσης πρέπει να είναι αρκετά μεγάλος για να χαρακτηριστούν επακριβώς οι κατηγορίες κάλυψης γης. Ως γενικός κανόνας, ο αριθμός των εικονοστοιχείων εκπαίδευσης για κάθε κατηγορία μπορεί να διατηρηθεί ως 30 φορές επί τον αριθμό των καναλιών υπό εξέταση (Mather, 1999). Στη μελέτη αυτή, το σύνολο δεδομένων εκπαίδευσης αποτελείται από περίπου το 1% του συνόλου των εικονοστοιχείων στην εικόνα LISS ΙΙΙ. Ο αριθμός των δειγμάτων εκπαίδευσης για κάθε κατηγορία επιλέχθηκαν κατ 'αναλογία προς την έκταση που καλύπτεται από τις αντίστοιχες κατηγορίες κάλυψης εδάφος (πίνακας 2) .

Ανάλυση διαχωρισιμότητας

Το σύνολο των δεδομένων για την ταξινόμηση αποτελείται από έξι επίπεδα (τέσσερα κανάλια της πολυφασματικής εικόνα LISS ΙΙΙ, δύο βοηθητικές πηγές δεδομένων: κανονικοποιημένος δείκτης βλάστησης και ψηφιακό μοντέλο εδάφους). Για τον προσδιορισμό του πιο κατάλληλου συνδυασμού των καναλιών για την καλύτερη διάκριση μεταξύ των κατηγοριών κάλυψης γης, πραγματοποιήθηκε ανάλυση διαχωρισιμότητας
των αποτελεσμάτων, (μια στατιστική μέθοδος) για τον υπολογισμό των
φασματικών αποστάσεων για κάθε συνδυασμό καναλιών, η μεταβλημένη απόκλιση (TD), με τιμές από 0-2000, με πιο κατάλληλες τις μεγαλύτερες.

Ταξινόμηση μεγίστης πιθανοφάνειας (MLC)

Η ταξινόμηση μεγίστης πιθανοφάνειας έχει διαπιστωθεί ότι είναι πολύ ακριβής όταν πληρούνται οι παραδοχές κατανομής δεδομένων και έχει χρησιμοποιηθεί εδώ προς την παραγωγή θεματικών χαρτών χήσης και κάλυψης γης με διαφορετικούς συνδυασμούς καναλιών.

Εκτίμηση ακρίβειας της ταξινόμησης

Καμία ταξινόμηση εικόνας δε μπορεί να είναι πλήρης, αν δεν έχει εκτιμηθεί η ακρίβειά της. Για τον έλεγχο της ακρίβειας της ταξινόμησης, έχει επιλεγεί ένα δείγμα των εικονοστοιχείων, για τα οποία συγκρίνεται η κατηγορία στην οποία έχουν ταξινομηθεί με την κατηγορία που ανήκουν στην πραγματικότητα με επίγειο έλεγχο. Η επιλογή του κατάλληλου δείγματος και του μεγέθους του διαδραματίζει καίριο ρόλο στην αξιολόγηση
της ακρίβειας της ταξινόμησης.

Αποτελέσματα

Ο σκοπός της παρούσας μελέτης είναι η εφαρμογή ταξινόμησης πολλαπλών πηγών για την παραγωγή χάρτη κάλυψης γης για τον καθορισμό ζωνών επικινδυνότητας λόγω κατολίσθησης. Η ταξινόμηση με βάση μόνο τα φασματικά δεδομένα της εικόνας LISS ΙΙΙ έχει ακρίβεια 86,94%, η οποία είναι μεγαλύτερη από την ελάχιστη απαιτούμενη ακρίβεια 85% (Anderson, 1976). Η επιπλέον ένταξη του κανονικοποιημένου δείκτη βλάστησης μείωσε την ακρίβεια στο 84,78%, όταν όμως προστέθηκε και το επίπεδο του ψηφιακού μοντέλου εδάφους, η ακρίβεια αυξήθηκε στο 92,04%. Συγκεκριμένα οι κατηγορίες αραιή βλάστηση, γεωργία, χέρσα και άγονη γη, οικισμοί και χιόνι παρουσίασαν σημαντική αύξηση της ακρίβειας που κυμαίνεται από 1,5% έως 20%., δεδομένου ότι, τα μεγάλα υψόμετρα και η παρουσία των σκιών αποκλείουν κάποιες κατηγορίες. Από την οπτική σύγκριση του έγχρωμου σύνθετου (Εικ. 2) και την ταξινόμηση της εδαφοκάλυψης υψηλής ακρίβειας (Εικ. 5), μπορεί να παρατηρηθεί ότι η προσθήκη του κανονικοποιημένου δείκτη βλάστησης και του ψηφιακού μοντέλου εδάφους είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

Συμπεράσματα

Στην παρούσα μελέτη αποδείχτηκε η αποτελεσματικότητα της ενσωμάτωσης του ψηφιακού μοντέλου εδάφους και του κανονικοποιημένου δείκτη βλάστησης παράλληλα με τη χρήση των τηλεπισκοπικών δεδομένων για την ακριβέστερη ταξινόμηση χαρτών κάλυψης γης σε ορεινές και απροσπέλαστες περιοχές με σημαντική παρουσία έντονων σκιών, όπως στην περιοχή των Ιμαλαΐων.

[[category:Χαρτογραφία]]

Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

2012-03-03T11:38:12Z

Rokana.vasiliki:

'''A. K. Saha''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

'''M. K. Arora''', Department of Civil Engineering, Indian Institute of Technology Roorkee,Roorkee-247667, India

'''E. Csaplovics''', Institute of Photogrammetry and Remote Sensing, TU- Dresden, Dresden, D-01069, Germany

'''R. P. Gupta''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

http://www.tandfonline.com/doi/abs/10.1080/10106040508542343#preview

'''Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια'''

Η ταξινόμηση ψηφιακής εικόνας πραγματοποιείται γενικά για την παραγωγή χαρτών κάλυψης γης από τηλεπισκοπικά δεδομένα, ιδιαίτερα για περιοχές μεγάλης έκτασης. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα δεδομένα τηλεπισκόπησης μπορεί να μειωθεί, ιδιαίτερα στις ορεινές περιοχές, λόγω της παρουσίας των σκιών των ψηλών κορυφών. Στην παρούσα μελέτη, έχει υιοθετηθεί μια προσέγγιση ταξινόμησης πολλαπλών πηγών για την χαρτογράφηση της κάλυψης γης σε περιοχή με ψηλές βουνοκορφές, με υψόμετρα έως και 4785 μέτρα πάνω από τη μέση στάθμη της θάλασσας, στην περιοχή των Ιμαλαΐων. Δεδομένα τηλεπισκόπησης από εικόνες IRS LISS ΙΙΙ, αλλά και κανονικοποιημένοι δείκτες βλάστησης και ψηφιακά μοντέλα εδάφους έχουν χρησιμοποιηθεί για την εκτέλεση ταξινόμησης μεγίστης πιθανοφάνειας πολλαπλών πηγών. Τα αποτελέσματα δείχνουν μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των κανονικοποιημένων δεικτών βλάστησης και των ψηφιακών μοντέλων εδάφους ως βοηθητικά δεδομένα για την ταξινόμηση, η οποία γίνεται αποκλειστικά με βάση τα δεδομένα τηλεπισκόπησης.

Η γνώση των χωρικών πληροφοριών κάλυψης του εδάφους είναι απαραίτητη για τη σωστή διαχείριση, τον προγραμματισμό και την παρακολούθηση των φυσικών πόρων (Zhu, 1997). Για παράδειγμα, αποτελεί σημαντική πληροφορία για πολλούς τομείς της γεωργίας, της γεωλογίας, για υδρολογικά και οικολογικά μοντέλα. Επίσης, κάθε μελέτη επικινδυνότητας, όπως η μελέτη ζωνών επικινδυνότητας κατολίσθησης (π.χ. Gupta et al, 1999, Σάχα et al, 2002) εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα πληροφοριών κάλυψης γης που να έχουν ακρίβεια και να είναι επικαιροποιημένες.

Οι δορυφορικές εικόνες τηλεπισκόπησης αποτελούν μια βιώσιμη πηγή για τη συλλογή πληροφοριών ποιότητας της κάλυψης γης σε τοπικό, περιφερειακό και παγκόσμιο επίπεδο (Csaplovics, 1998, Foody, 2002). Επιπλέον, τα δεδομένα τηλεπισκόπησης είναι, κυρίως, χρήσιμα για τη χαρτογράφηση κάλυψης γης σε ορεινές περιοχές, όπως τα Ιμαλάια, αφού οι περιοχές αυτές είναι γενικά απροσπέλαστες λόγω των μεγάλων υψομέτρων και της τραχύτητας του εδάφους. Στις υψηλές ορεινές περιοχές, έχουν πραγματοποιηθεί πολλές μελέτες χαρτογράφησης της κάλυψης του εδάφους με τη χρήση τηλεπισκοπικών δεδομένων, με διαφορετικό όμως βαθμό ακρίβειας. Αυτό μπορεί να οφείλεται σε ένα μεγάλο αριθμό παραγόντων που επηρεάζουν τη διαδικασία της τηλεπισκόπησης. Αυτοί περιλαμβάνουν την παρουσία των σκιών που οφείλονται σε μεγάλο υψόμετρο του εδάφους, τη νεφοκάλυψη, τις βαθιές στενές κοιλάδες και τις ρεματιές, τις χαμηλές γωνίες του ήλιου, τις απότομες πλαγιές και τη διαφοροποιημένη κάλυψη της βλάστησης. Ως εκ τούτου, λόγω των μεταβολών των περιβαλλοντικών συνθηκών, τα φασματικά χαρακτηριστικά αλλάζουν από τη μία περιοχή στην άλλη (Mathur και Arora, 2001). Έτσι, η ταξινόμηση που βασίζεται μόνο σε τηλεπισκοπικά δεδομένα μπορεί να μην είναι επαρκής για την αποτελεσματική συλλογή πληροφοριών κάλυψης γης. Τα βοηθητικά δεδομένα από άλλες πηγές μπορεί να αποκτηθούν από χάρτες (Bruzzone et al., 1997), γεωλογικούς (Γκονγκ, 1996) και άλλους χάρτες. Οι πιο χρήσιμες πληροφορίες που μπορούν να ληφθούν από τοπογραφικούς χάρτες είναι οι ισουψείς καμπύλες, οι οποίες μπορούν να ψηφιοποιηθούν και να παράγουν ένα ράστερ ψηφιακό μοντέλο εδάφους (DEM). Τα ψηφιακά μοντέλα εδάφους μαζί με τα παράγωγά τους, όπως η κλίση, αποτελούν τη βάση για την ταξινόμηση πολλαπλών πηγών (Jones et al 1988, Φρανκ 1988, Janssen et al 1990).
Στοιχεία από διαφορετικούς αισθητήρες τηλεπισκόπησης μπορούν επίσης να συνδυαστούν για την ταξινόμηση (Michelson et al., 2000). Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων, όπως η ανάλυση σε κύριες συνιστώσες (PCA) και ο κανονικοποιημένος δείκτης βλάστησης (NDVI), μπορεί επίσης να ενσωματωθεί στη διαδικασία ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης στις ορεινές περιοχές (Eiumnoh και Shrestha, 2000). Στις ορεινές περιοχές, όπως στα Ιμαλάια, οι σκιές είναι η κύρια πηγή της σύγχυσης στην εξαγωγή πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης. Παρά το γεγονός ότι, δεν υπάρχει κατάλληλη μέθοδος για να καταργηθεί εντελώς η επίδραση των σκιών, υπάρχουν αρκετές εναλλακτικές λύσεις για να ελαχιστοποιηθούν οι επιπτώσεις τους, προκειμένου να βελτιωθεί η ταξινόμηση από τα τηλεπισκοπικά δεδομένα. Πολλές από τις μεθόδους βασίζονται σε μοντέλα σκιασμένου αναγλύφου που παράγονται από το ψηφιακό μοντέλο εδάφους. Ωστόσο, κάποιες μελέτες (π.χ. Kawata et al. 1988, Civco 1989, Colby 1991, Curran και Foody, 1994) έχουν δείξει ότι λόγω της παρουσίας λαθών στη δημιουργία ψηφιακών μοντέλων εδάφους και του τρόπου που το ψηφιακό μοντέλο εδάφους εφαρμόζεται στη διαδικασία ταξινόμησης, η διόρθωση για τις σκιασμένες πλαγιές μπορεί να είναι υπερεκτιμημένη. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί η χρήση ενός επιπλέον επιπέδου, του κανονικοποιημένου δείκτη βλάστησης (NDVI), δεδομένου ότι τα παράγωγα των λόγων των καναλιών μπορούν να βοηθήσουν στον μερικό περιορισμό τοπογραφικών στοιχείων (Holben and Justice 1981, Apan 1997). Μπορεί ωστόσο να σημειωθεί ότι το επίπεδο του κανονικοποιημένου δείκτη βλάστησης δεν μπορεί από μόνο του να καταργήσει τελείως την επίδραση της σκιάς. Οι Eiumnoh και Shrestha (2000) αξιοποίησαν τα πλεονεκτήματα της ενσωμάτωσης τόσο του κανονικοποιημένου δείκτη βλάστησης, όσο και του ψηφιακού μοντέλου εδάφους, κατά τη διαδικασία της ταξινόμησης και έδειξαν ότι βελτίωσαν την ακρίβεια στην ταξινόμηση κατά 10 έως 20%.
Βασισμένη στην επιτυχία της ταξινόμησης πολλαπλών πηγών στην εξουδετέρωση της επίδρασης των σκιών, η παρούσα εργασία στοχεύει να παρουσιάσει μια μελέτη εξαγωγής χαρτών κάλυψης γης ακριβείας με χρήση τηλεπισκοπικών και βοηθητικών δεδομένων σε μια περιοχή με υψηλό υψόμετρο και δύσβατο έδαφος, στα Ιμαλάια, όπου οι σκιές είναι το μεγαλύτερο πρόβλημα, επομένως θα είναι ιδιαίτερα χρήσιμη η εφαρμογή μιας τέτοιας ταξινόμησης.

[[ Αρχείο:1 Location map of the study area.jpg | thumb | right | Εικόνα 1. Περιοχή μελέτης ]]

[[ Αρχείο:2 IRS 1C LISS III colour infrared composite.jpg | thumb | right | Εικόνα 2. IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο ]]

[[ Αρχείο:3 A portion of IRS PAN data.jpg | thumb | right | Εικόνα 3. Δεδομένα IRS PAN ]]

Η μελέτη επιτυγχάνεται εν μέρει από ένα μεγάλο εν εξελίξει Γεωγραφικό Σύστημα Πληροφοριών που βασίζεται στην έρευνα της εκτίμησης των επιπτώσεων από την κατολίσθηση για τον σχεδιασμό δρόμων στα Ιμαλάια, όπου οι ακριβείς πληροφορίες για την κάλυψη της γης αποτελούν μια καίρια συμβολή δεδομένων. Η πολυφασματική εικόνα από το IRS-LISS ΙΙΙ- έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο, με πρόσθετα επίπεδα τον κανονικοποιημένο δείκτη βλάστησης και το ψηφιακό μοντέλο εδάφους για την εφαρμογή της ταξινόμησης της εδαφοκάλυψης πολλαπλών πηγών, χρησιμοποιώντας την προσέγγιση του λογικού καναλιού (Tso and Mather, 2001). Η ανάλυση της διαχωρισιμότητας στη βάση της μεταβλημένης απόκλισης έχει επίσης πραγματοποιηθεί για να εξετάσει τη σχετική σημασία των διαφόρων φασματικών καναλιών και των βοηθητικών επιπέδων δεδομένων κατά τη διαδικασία ταξινόμησης. Η ταξινόμηση που έχει γίνει είναι η πιο ευρέως χρησιμοποιούμενη, η ταξινόμηση μεγίστης πιθανοφάνειας (MLC).
Η περιοχή μελέτης, τα δεδομένα και το αντικείμενο εργασίας

Η περιοχή μελέτης έχει έκταση περίπου 730 τ.χλμ., βρίσκεται στα Ιμαλάια, καλύπτει ένα μέρος των περιφερειών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία (Εικ. 1). Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880μ. έως 4785μ. πάνω από τη μέση στάθμη της θάλασσας. Τα ποτάμια Alaknanda και Madhyamaheshwar Ganga ρέουν μέσω του βορειοδυτικού και νοτιοανατολικού τμήματος της περιοχής αντίστοιχα. Η περιοχή επίσης κυριαρχείται από πυκνή δασική κάλυψη (> 50%). Υπάρχουν χέρσες και γεωργικές εκτάσεις, με καλλιέργειες σε αναβαθμίδες.

Οι Gopeshwar και Chamoli αποτελούν τις μεγάλες πόλεις που περιβάλλονται από πολλά μικρά χωριά, σκορπισμένα σε όλη την περιοχή. Στο βορειοανατολικό τμήμα της περιοχής βρίσκονται άγονες εκτάσεις και ψηλά βουνά καλυμμένα με χιόνι. Από γεωλογική άποψη, η περιοχή περιλαμβάνει τα χαμηλότερα Ιμαλάια και τα ψηλότερα Ιμαλάια (Valdiya, 1980) και αποτελείται από μια σειρά λιθολογικών ενοτήτων και συγκεκριμένα από ψαμμίτες, ασβεστόλιθους, γρανίτη γνεύσιο. Δομικά, η περιοχή είναι πολύπλοκη λόγω της παρουσίας διαφόρων ωθήσεων. Κατά συνέπεια, η σεισμική δραστηριότητα και οι κατολισθήσεις στην περιοχή συχνά οδηγούν σε αλλαγή των τοπικών χαρακτηριστικών εδαφοκάλυψης. Η τακτική παρακολούθηση και χαρτογράφηση της κάλυψης της γης είναι λοιπόν απαραίτητη. Η παρούσα μελέτη βασίζεται στην χαρτογράφηση κάλυψη γης από τα δεδομένα τηλεπισκόπησης IRS-1C. Η LISS ΙΙΙ πολυφασματική εικόνα (23,5 m χωρική διακριτική ικανότητα) (Εικ. 2) έχει χρησιμοποιηθεί ως η πρωτογενές δεδομένο για την ταξινόμηση της κάλυψης γης, ενώ η εικόνα PAN (5,8 m χωρική διακριτική ικανότητα) (Εικ. 3), λόγω της ανάλυσής της, έχει χρησιμοποιηθεί ως στοιχείο αναφοράς για τη δημιουργία δοκιμαστικών συνόλων δεδομένων. Πολλές άλλες μελέτες (π.χ. Fisher και Pathirana 1990, Foody και Arora 1996, Shalan et al, 2003) έχουν επίσης χρησιμοποιήσει εικόνες υψηλής ανάλυσης για αυτό το σκοπό, λόγω απουσίας επαρκών στοιχείων της έρευνας πεδίου.

Παρ 'όλα αυτά, στην παρούσα μελέτη, η προετοιμασία των δεδομένων αναφοράς συμπληρώνεται με έρευνες πεδίου που έλαβαν χώρα σε προηγούμενα έτη και το Δεκέμβριο του 2001. Η εποχή της τελευταίας επίσκεψης πεδίου συνέπεσε με την ημερομηνία της απόκτησης των εικόνων LISS ΙΙΙ και PAN, ώστε ταυτόχρονα να περιγραφούν ατμοσφαιρικές και περιβαλλοντικές συνθήκες. Δεδομένου ότι δεν υπάρχει επαρκές δίκτυο δρόμων και το έδαφος είναι απροσπέλαστο λόγω των υψηλών υψομέτρων και της τραχύτητας, οι πληροφορίες σχετικά με την υπάρχουσα κάλυψη γης συλλέγονταν μόνο κατά μήκος των δρόμων πρόσβασης κατά τη διάρκεια των ερευνών πεδίου. Επίσης χρησιμοποιήθηκε το Global Positioning System (GPS) για την απόκτηση ακριβών θέσεων των κατηγοριών κάλυψης γης για την εύκολη οριοθέτηση τους σε γεωαναφερμένες εικόνες LISS ΙΙΙ και PAN. Οι βοηθητικές πληροφορίες υπό τη μορφή ψηφιακών μοντέλων εδάφους προήλθαν από τοπογραφικούς χάρτες.

Μεθοδολογία

Στην εκτέλεση της ταξινόμησης πολλαπλών πηγών συμμετέχουν μια σειρά από βήματα επεξεργασίας δεδομένων. Αυτά περιλαμβάνουν προεπεξεργασία της εικόνας LISS ΙΙΙ για να διορθωθούν τα ατμοσφαιρικά
λάθη, καταγραφή των LISS ΙΙΙ και ΡΑΝ εικόνων, παραγωγή των βοηθητικών επιπέδων δεδομένων, η ταξινόμηση της εικόνας και η αξιολόγηση της ακρίβειας. Όλη η επεξεργασία έχει γίνει με λογισμικά ERDAS, GIS Arc και ILWIS.
Προ-επεξεργασία της εικόνας LISS ΙΙΙ

Η ατμοσφαιρική σκέδαση είναι κοινή σε δεδομένα τηλεπισκόπησης και γενικά είναι πιο έντονη στις περιοχές μικρότερου μήκους κύματος (π.χ. μπλε). Το αποτέλεσμα της ατμοσφαιρικής σκέδασης είναι κάποιες πρόσθετες φασματικές τιμές για την ανάκλαση του εδάφους (Gupta 2003, Jensen 1986). Σε αυτή τη μελέτη, η εικόνα LISS ΙΙΙ διορθώθηκε για την ατμοσφαιρική ακτινοβολία με τη μέθοδο αφαίρεσης σκοτεινού αντικειμένου (Chavez, 1988). Η μέθοδος είναι γρήγορη και εύκολη, δεδομένου ότι δεν απαιτεί πληροφορίες σχετικά με τις ατμοσφαιρικές συνθήκες κατά τη στιγμή της λήψης της εικόνας. Για την εφαρμογή αυτής της μεθόδου, το εικονοστοιχείο (που συνδέεται με το σκοτεινό αντικείμενο) με ελάχιστη τιμή φωτεινότητας στο εγγύς υπέρυθρο (NIR) κανάλι εντοπίστηκε και οι αντίστοιχες τιμές των εικονοστοιχείων σε όλα τα κανάλια αφαιρέθηκαν από τα συγκεκριμένα πρώτα κανάλια. Αυτό θα οδηγήσει σε μια εικόνα που έχει διορθωθεί για την ατμοσφαιρική σκέδαση.

Γεωμετρική καταγραφή των εικόνων

Η ακριβής γεωμετρική καταγραφή των εικόνων είναι ένα προαπαιτούμενο για να την εκτέλεση της ταξινόμησης. Πρώτον, η εικόνα LISS ΙΙΙ διορθώθηκε γεωμετρικά χρησιμοποιώντας 39 σωστά κατανεμημένα σημεία ελέγχου εδάφους (GCPs) που εξάγονται από τον τοπογραφικό χάρτη. Λόγω της μη ύπαρξης έντονων, σαφώς καθορισμένων, σταθερών και αξιοπρόσεκτων χαρακτηριστικών της εικόνας, τα κατανεμημένα σημεία ελέγχου εδάφους (GCPs) αποκτήθηκαν κυρίως από τη διασταύρωση των γραμμών αποστράγγισης. Λόγω της απότομης τοπογραφίας και των στενών κοιλάδων στα Ιμαλάια, θεωρήθηκε ότι δεν υπήρξε καμία μεταβολή στο δίκτυο αποστράγγισης μεταξύ του έτους παραγωγής του τοπογραφικού χάρτη και της ημερομηνίας απόκτησης της εικόνας LISS ΙΙΙ.

Η καταγραφή έγινε με ακρίβεια δευτερεύοντος εικονοστοιχείου
με πολυωνυμική τροποποίηση και με τη μέθοδο «επαναδειγματοληψίας του πλησιέστερου γείτονα», αφήνοντας έτσι τις τιμές φωτεινότητας αναλλοίωτες. Η εικόνα PAN έχει επίσης καταχωρηθεί με ακρίβεια δευτερεύοντος εικονοστοιχείου χρησιμοποιώντας 60 σωστά κατανεμημένα σημεία (GCPs). Η καταγραφή της εικόνας PAN ήταν απαραίτητη καθώς η εικόνα αυτή χρησιμοποιήθηκε ως στοιχείο αναφοράς για την ακριβή οριοθέτηση των περιοχών εκπαίδευσης και εξέτασης στην εικόνα LISS ΙΙΙ.

Παραγωγή των βοηθητικών δεδομένων

Τα επίπεδα δεδομένων ψηφιακού μοντέλου εδάφους (DEM) και κανονικοποιημένου δείκτη βλάστησης (NDVI) χρησιμοποιήθηκαν ως πρόσθετα κανάλια (που αναφέρονται ως δευτερεύοντα στοιχεία) την εκτέλεση της ταξινόμησης πολλαπλών πηγών

α) Παραγωγή ψηφιακού μοντέλου εδάφους

Σε μεγάλα υψόμετρα και δύσβατα εδάφη, μπορεί να βρεθεί σημαντική διακύμανση στις τιμές φωτεινότητας των εικονοστοιχείων, λόγω της παρουσίας των σκιών. Αυτό μπορεί να οδηγήσει σε λανθασμένη ταξινόμηση. Ως εκ τούτου, το ψηφιακό μοντέλο εδάφους χρησιμοποιήθηκε ως βοηθητικό δεδομένο στη διαδικασία ταξινόμησης κυρίως για να μειωθούν τα σφάλματα ταξινόμησης. Επιπλέον, οι πληροφορίες υψομέτρων από το ψηφιακό μοντέλο εδάφους μπορούν επίσης να ενεργήσουν ως ένας λογικός κανόνας για την παρουσία ή την απουσία ορισμένων κατηγοριών σε συγκεκριμένες ζώνες υψομέτρων. Για παράδειγμα, δεν αναμένεται να υπάρχουν αγραναπαύσεις σε μεγάλα υψόμετρα που καλύπτονται με χιόνι, αφού οι κλιματολογικές συνθήκες δεν επιτρέπουν τη γεωργική δραστηριότητα σε τόσο μεγάλα υψόμετρα. Οι περιοχές αυτές συνεπώς θα πρέπει να κατηγοριοποιούνται ως άγονη γη. Οποιαδήποτε παρουσία αγρανάπαυσης σε χιονισμένες περιοχές λοιπόν μπορεί να αντιπροσωπεύει εσφαλμένη ταξινόμηση, η οποία μπορεί να μειωθεί με την καταγραφή του ψηφιακού μοντέλου εδάφους. Το ψηφιακό μοντέλο εδάφους δημιουργήθηκε με την ψηφιοποίηση ισοϋψών ανά 40 μέτρα από τοπογραφικό χάρτη σε κλίμακα 1:50.000. Χρησιμοποιήθηκε ακανόνιστο δίκτυο τριγώνων (TIN) για την παραγωγή ψηφιδωτού μοντέλου εδάφους με ανάλυση 23,5μ. που ταιριάζει με της εικόνας LISS ΙΙΙ.

β) Επίπεδο NDVI: κανονικοποιημένος δείκτης βλάστησης

Δεδομένου ότι η περιοχή μελέτης κυριαρχείται από διαφορετικούς τύπους
βλάστησης, ο κανονικοποιημένος δείκτης βλάστησης χρησιμοποιήθηκε ως βοηθητικό επίπεδο δεδομένων στη διαδικασία ταξινόμησης για την ενίσχυση της διάκρισης των διαφόρων κατηγοριών βλάστησης, αλλά και για τη μείωση της σκιάς. Ο κανονικοποιημένος δείκτης βλάστησης δημιουργήθηκε από το κόκκινο και εγγύς υπέρυθρο κανάλι και από την εικόνα LISS ΙΙΙ και ορίζεται ως εξής:NDVI=(NIRΚόκκινο)/(NIR + Κόκκινο).

Οι τιμές των εικονοστοιχείων του επιπέδου NDVI κυμαίνονται από -1 έως
+1 και κλιμακώνονται από 0 έως 255 αντίστοιχα. Οι μεγαλύτερες τιμές
NDVI δείχνουν αύξηση της βιομάζας ανά μονάδα επιφάνειας. Στην εικόνα 4 παρουσιάζεται το επίπεδο NDVI τοποθετημένο πάνω στο ψηφιακό μοντέλο εδάφους DEM. Στο σχήμα αυτό, οι τιμές NDVI ποικίλλουν από -0,36 έως 0,62. Οι θετικές τιμές αντιπροσωπεύουν διαφορετικές κατηγορίες τύπων βλάστησης, ενώ κοντά στο μηδέν και σε αρνητικές τιμές υποδηλώνουν κατηγορίες μη βλάστησης, όπως το νερό, το χιόνι και η άγονη γη (Εικ. 4).

Για την παραγωγή του χάρτη κάλυψης γης από την εικόνα LISS ΙΙΙ και από τα βοηθητικά επίπεδα δεδομένων πραγματοποιήθηκε μια σειρά ενεργειών ταξινόμησης εικόνας, οι οποίες περιγράφονται παρακάτω.

Επιλογή συστήματος ταξινόμησης κάλυψης γης

Ένα σύστημα ταξινόμησης πρέπει να καθορίζει τις κατηγορίες κάλυψης γης για να θεωρηθεί ταξινομημένη η εικόνα τηλεπισκόπησης. Μερικές φορές χρησιμοποιείται ένα πρότυπο σύστημα ταξινόμησης, όπως το σύστημα ταξινόμησης κατηγοριών χρήσεων και κάλυψης γης του Άντερσον (Anderson et al., 1976), ενώ άλλες φορές ο αριθμός των κατηγοριών κάλυψης γης επιλέγονται σύμφωνα με τις απαιτήσεις της συγκεκριμένης εφαρμογής. Στη μελέτη αυτή, που βασίζεται στο σύστημα ταξινόμησης του Άντερσον, ορίστηκαν εννέα κατηγορίες κάλυψης γης. Η λεπτομερής περιγραφή αυτών των κατηγοριών με τα ερμηνευτικά χαρακτηριστικά τους τόσο στο ψευδές έγχρωμο σύνθετο (FCC) των εικόνων LISS ΙΙΙ και PAN παρέχονται στον παρακάτω πίνακα (πίνακας 1).

Δημιουργία δεδομένων εκπαίδευσης

Η εξαγωγή δεδομένων εκπαίδευσης αποτελεί ένα κρίσιμο βήμα στην διαδικασία εποπτευόμενης ταξινόμησης εικόνας. Δεδομένου ότι η επιτυχία μιας ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεγούν από αντιπροσωπευτικές περιοχές των κατηγοριών κάλυψης του εδάφους. Τα δεδομένα πρέπει να συλλέγονται από ομοιογενείς περιοχές που εκφράζουν τις κατηγορίες. Η συλλογή των δεδομένων εκπαίδευσης είναι γενικά μια χρονοβόρα και κουραστική διαδικασία, δεδομένου ότι περιλαμβάνει επίπονες έρευνες πεδίου και τη συσσώρευση δεδομένων αναφοράς από διάφορες πηγές. Ο αριθμός των εικονοστοιχείων που αποτελούν το σύνολο των δεδομένων εκπαίδευσης πρέπει να είναι αρκετά μεγάλος για να χαρακτηριστούν επακριβώς οι κατηγορίες κάλυψης γης. Ως γενικός κανόνας, ο αριθμός των εικονοστοιχείων εκπαίδευσης για κάθε κατηγορία μπορεί να διατηρηθεί ως 30 φορές επί τον αριθμό των καναλιών υπό εξέταση (Mather, 1999). Στη μελέτη αυτή, το σύνολο δεδομένων εκπαίδευσης αποτελείται από περίπου το 1% του συνόλου των εικονοστοιχείων στην εικόνα LISS ΙΙΙ. Ο αριθμός των δειγμάτων εκπαίδευσης για κάθε κατηγορία επιλέχθηκαν κατ 'αναλογία προς την έκταση που καλύπτεται από τις αντίστοιχες κατηγορίες κάλυψης εδάφος (πίνακας 2) .

Ανάλυση διαχωρισιμότητας

Το σύνολο των δεδομένων για την ταξινόμηση αποτελείται από έξι επίπεδα (τέσσερα κανάλια της πολυφασματικής εικόνα LISS ΙΙΙ, δύο βοηθητικές πηγές δεδομένων: κανονικοποιημένος δείκτης βλάστησης και ψηφιακό μοντέλο εδάφους). Για τον προσδιορισμό του πιο κατάλληλου συνδυασμού των καναλιών για την καλύτερη διάκριση μεταξύ των κατηγοριών κάλυψης γης, πραγματοποιήθηκε ανάλυση διαχωρισιμότητας
των αποτελεσμάτων, (μια στατιστική μέθοδος) για τον υπολογισμό των
φασματικών αποστάσεων για κάθε συνδυασμό καναλιών, η μεταβλημένη απόκλιση (TD), με τιμές από 0-2000, με πιο κατάλληλες τις μεγαλύτερες.

Ταξινόμηση μεγίστης πιθανοφάνειας (MLC)

Η ταξινόμηση μεγίστης πιθανοφάνειας έχει διαπιστωθεί ότι είναι πολύ ακριβής όταν πληρούνται οι παραδοχές κατανομής δεδομένων και έχει χρησιμοποιηθεί εδώ προς την παραγωγή θεματικών χαρτών χήσης και κάλυψης γης με διαφορετικούς συνδυασμούς καναλιών.

Εκτίμηση ακρίβειας της ταξινόμησης

Καμία ταξινόμηση εικόνας δε μπορεί να είναι πλήρης, αν δεν έχει εκτιμηθεί η ακρίβειά της. Για τον έλεγχο της ακρίβειας της ταξινόμησης, έχει επιλεγεί ένα δείγμα των εικονοστοιχείων, για τα οποία συγκρίνεται η κατηγορία στην οποία έχουν ταξινομηθεί με την κατηγορία που ανήκουν στην πραγματικότητα με επίγειο έλεγχο. Η επιλογή του κατάλληλου δείγματος και του μεγέθους του διαδραματίζει καίριο ρόλο στην αξιολόγηση
της ακρίβειας της ταξινόμησης.

Αποτελέσματα

Ο σκοπός της παρούσας μελέτης είναι η εφαρμογή ταξινόμησης πολλαπλών πηγών για την παραγωγή χάρτη κάλυψης γης για τον καθορισμό ζωνών επικινδυνότητας λόγω κατολίσθησης. Η ταξινόμηση με βάση μόνο τα φασματικά δεδομένα της εικόνας LISS ΙΙΙ έχει ακρίβεια 86,94%, η οποία είναι μεγαλύτερη από την ελάχιστη απαιτούμενη ακρίβεια 85% (Anderson, 1976). Η επιπλέον ένταξη του κανονικοποιημένου δείκτη βλάστησης μείωσε την ακρίβεια στο 84,78%, όταν όμως προστέθηκε και το επίπεδο του ψηφιακού μοντέλου εδάφους, η ακρίβεια αυξήθηκε στο 92,04%. Συγκεκριμένα οι κατηγορίες αραιή βλάστηση, γεωργία, χέρσα και άγονη γη, οικισμοί και χιόνι παρουσίασαν σημαντική αύξηση της ακρίβειας που κυμαίνεται από 1,5% έως 20%., δεδομένου ότι, τα μεγάλα υψόμετρα και η παρουσία των σκιών αποκλείουν κάποιες κατηγορίες. Από την οπτική σύγκριση του έγχρωμου σύνθετου (Εικ. 2) και την ταξινόμηση της εδαφοκάλυψης υψηλής ακρίβειας (Εικ. 5), μπορεί να παρατηρηθεί ότι η προσθήκη του κανονικοποιημένου δείκτη βλάστησης και του ψηφιακού μοντέλου εδάφους είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

Συμπεράσματα

Στην παρούσα μελέτη αποδείχτηκε η αποτελεσματικότητα της ενσωμάτωσης του ψηφιακού μοντέλου εδάφους και του κανονικοποιημένου δείκτη βλάστησης παράλληλα με τη χρήση των τηλεπισκοπικών δεδομένων για την ακριβέστερη ταξινόμηση χαρτών κάλυψης γης σε ορεινές και απροσπέλαστες περιοχές με σημαντική παρουσία έντονων σκιών, όπως στην περιοχή των Ιμαλαΐων.

[[category:Χαρτογραφία]]

Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

2012-03-03T11:34:41Z

Rokana.vasiliki:

'''A. K. Saha''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

'''M. K. Arora''', Department of Civil Engineering, Indian Institute of Technology Roorkee,Roorkee-247667, India

'''E. Csaplovics''', Institute of Photogrammetry and Remote Sensing, TU- Dresden, Dresden, D-01069, Germany

'''R. P. Gupta''', Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

http://www.tandfonline.com/doi/abs/10.1080/10106040508542343#preview

'''Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια'''

Η ταξινόμηση ψηφιακής εικόνας πραγματοποιείται γενικά για την παραγωγή χαρτών κάλυψης γης από τηλεπισκοπικά δεδομένα, ιδιαίτερα για περιοχές μεγάλης έκτασης. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα δεδομένα τηλεπισκόπησης μπορεί να μειωθεί, ιδιαίτερα στις ορεινές περιοχές, λόγω της παρουσίας των σκιών των ψηλών κορυφών. Στην παρούσα μελέτη, έχει υιοθετηθεί μια προσέγγιση ταξινόμησης πολλαπλών πηγών για την χαρτογράφηση της κάλυψης γης σε περιοχή με ψηλές βουνοκορφές, με υψόμετρα έως και 4785 μέτρα πάνω από τη μέση στάθμη της θάλασσας, στην περιοχή των Ιμαλαΐων. Δεδομένα τηλεπισκόπησης από εικόνες IRS LISS ΙΙΙ, αλλά και κανονικοποιημένοι δείκτες βλάστησης και ψηφιακά μοντέλα εδάφους έχουν χρησιμοποιηθεί για την εκτέλεση ταξινόμησης μεγίστης πιθανοφάνειας πολλαπλών πηγών. Τα αποτελέσματα δείχνουν μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των κανονικοποιημένων δεικτών βλάστησης και των ψηφιακών μοντέλων εδάφους ως βοηθητικά δεδομένα για την ταξινόμηση, η οποία γίνεται αποκλειστικά με βάση τα δεδομένα τηλεπισκόπησης.

Η γνώση των χωρικών πληροφοριών κάλυψης του εδάφους είναι απαραίτητη για τη σωστή διαχείριση, τον προγραμματισμό και την παρακολούθηση των φυσικών πόρων (Zhu, 1997). Για παράδειγμα, αποτελεί σημαντική πληροφορία για πολλούς τομείς της γεωργίας, της γεωλογίας, για υδρολογικά και οικολογικά μοντέλα. Επίσης, κάθε μελέτη επικινδυνότητας, όπως η μελέτη ζωνών επικινδυνότητας κατολίσθησης (π.χ. Gupta et al, 1999, Σάχα et al, 2002) εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα πληροφοριών κάλυψης γης που να έχουν ακρίβεια και να είναι επικαιροποιημένες.

Οι δορυφορικές εικόνες τηλεπισκόπησης αποτελούν μια βιώσιμη πηγή για τη συλλογή πληροφοριών ποιότητας της κάλυψης γης σε τοπικό, περιφερειακό και παγκόσμιο επίπεδο (Csaplovics, 1998, Foody, 2002). Επιπλέον, τα δεδομένα τηλεπισκόπησης είναι, κυρίως, χρήσιμα για τη χαρτογράφηση κάλυψης γης σε ορεινές περιοχές, όπως τα Ιμαλάια, αφού οι περιοχές αυτές είναι γενικά απροσπέλαστες λόγω των μεγάλων υψομέτρων και της τραχύτητας του εδάφους. Στις υψηλές ορεινές περιοχές, έχουν πραγματοποιηθεί πολλές μελέτες χαρτογράφησης της κάλυψης του εδάφους με τη χρήση τηλεπισκοπικών δεδομένων, με διαφορετικό όμως βαθμό ακρίβειας. Αυτό μπορεί να οφείλεται σε ένα μεγάλο αριθμό παραγόντων που επηρεάζουν τη διαδικασία της τηλεπισκόπησης. Αυτοί περιλαμβάνουν την παρουσία των σκιών που οφείλονται σε μεγάλο υψόμετρο του εδάφους, τη νεφοκάλυψη, τις βαθιές στενές κοιλάδες και τις ρεματιές, τις χαμηλές γωνίες του ήλιου, τις απότομες πλαγιές και τη διαφοροποιημένη κάλυψη της βλάστησης. Ως εκ τούτου, λόγω των μεταβολών των περιβαλλοντικών συνθηκών, τα φασματικά χαρακτηριστικά αλλάζουν από τη μία περιοχή στην άλλη (Mathur και Arora, 2001). Έτσι, η ταξινόμηση που βασίζεται μόνο σε τηλεπισκοπικά δεδομένα μπορεί να μην είναι επαρκής για την αποτελεσματική συλλογή πληροφοριών κάλυψης γης. Τα βοηθητικά δεδομένα από άλλες πηγές μπορεί να αποκτηθούν από χάρτες (Bruzzone et al., 1997), γεωλογικούς (Γκονγκ, 1996) και άλλους χάρτες. Οι πιο χρήσιμες πληροφορίες που μπορούν να ληφθούν από τοπογραφικούς χάρτες είναι οι ισουψείς καμπύλες, οι οποίες μπορούν να ψηφιοποιηθούν και να παράγουν ένα ράστερ ψηφιακό μοντέλο εδάφους (DEM). Τα ψηφιακά μοντέλα εδάφους μαζί με τα παράγωγά τους, όπως η κλίση, αποτελούν τη βάση για την ταξινόμηση πολλαπλών πηγών (Jones et al 1988, Φρανκ 1988, Janssen et al 1990).
Στοιχεία από διαφορετικούς αισθητήρες τηλεπισκόπησης μπορούν επίσης να συνδυαστούν για την ταξινόμηση (Michelson et al., 2000). Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων, όπως η ανάλυση σε κύριες συνιστώσες (PCA) και ο κανονικοποιημένος δείκτης βλάστησης (NDVI), μπορεί επίσης να ενσωματωθεί στη διαδικασία ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης στις ορεινές περιοχές (Eiumnoh και Shrestha, 2000). Στις ορεινές περιοχές, όπως στα Ιμαλάια, οι σκιές είναι η κύρια πηγή της σύγχυσης στην εξαγωγή πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης. Παρά το γεγονός ότι, δεν υπάρχει κατάλληλη μέθοδος για να καταργηθεί εντελώς η επίδραση των σκιών, υπάρχουν αρκετές εναλλακτικές λύσεις για να ελαχιστοποιηθούν οι επιπτώσεις τους, προκειμένου να βελτιωθεί η ταξινόμηση από τα τηλεπισκοπικά δεδομένα. Πολλές από τις μεθόδους βασίζονται σε μοντέλα σκιασμένου αναγλύφου που παράγονται από το ψηφιακό μοντέλο εδάφους. Ωστόσο, κάποιες μελέτες (π.χ. Kawata et al. 1988, Civco 1989, Colby 1991, Curran και Foody, 1994) έχουν δείξει ότι λόγω της παρουσίας λαθών στη δημιουργία ψηφιακών μοντέλων εδάφους και του τρόπου που το ψηφιακό μοντέλο εδάφους εφαρμόζεται στη διαδικασία ταξινόμησης, η διόρθωση για τις σκιασμένες πλαγιές μπορεί να είναι υπερεκτιμημένη. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί η χρήση ενός επιπλέον επιπέδου, του κανονικοποιημένου δείκτη βλάστησης (NDVI), δεδομένου ότι τα παράγωγα των λόγων των καναλιών μπορούν να βοηθήσουν στον μερικό περιορισμό τοπογραφικών στοιχείων (Holben and Justice 1981, Apan 1997). Μπορεί ωστόσο να σημειωθεί ότι το επίπεδο του κανονικοποιημένου δείκτη βλάστησης δεν μπορεί από μόνο του να καταργήσει τελείως την επίδραση της σκιάς. Οι Eiumnoh και Shrestha (2000) αξιοποίησαν τα πλεονεκτήματα της ενσωμάτωσης τόσο του κανονικοποιημένου δείκτη βλάστησης, όσο και του ψηφιακού μοντέλου εδάφους, κατά τη διαδικασία της ταξινόμησης και έδειξαν ότι βελτίωσαν την ακρίβεια στην ταξινόμηση κατά 10 έως 20%.
Βασισμένη στην επιτυχία της ταξινόμησης πολλαπλών πηγών στην εξουδετέρωση της επίδρασης των σκιών, η παρούσα εργασία στοχεύει να παρουσιάσει μια μελέτη εξαγωγής χαρτών κάλυψης γης ακριβείας με χρήση τηλεπισκοπικών και βοηθητικών δεδομένων σε μια περιοχή με υψηλό υψόμετρο και δύσβατο έδαφος, στα Ιμαλάια, όπου οι σκιές είναι το μεγαλύτερο πρόβλημα, επομένως θα είναι ιδιαίτερα χρήσιμη η εφαρμογή μιας τέτοιας ταξινόμησης.

Η μελέτη επιτυγχάνεται εν μέρει από ένα μεγάλο εν εξελίξει Γεωγραφικό Σύστημα Πληροφοριών που βασίζεται στην έρευνα της εκτίμησης των επιπτώσεων από την κατολίσθηση για τον σχεδιασμό δρόμων στα Ιμαλάια, όπου οι ακριβείς πληροφορίες για την κάλυψη της γης αποτελούν μια καίρια συμβολή δεδομένων. Η πολυφασματική εικόνα από το IRS-LISS ΙΙΙ- έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο, με πρόσθετα επίπεδα τον κανονικοποιημένο δείκτη βλάστησης και το ψηφιακό μοντέλο εδάφους για την εφαρμογή της ταξινόμησης της εδαφοκάλυψης πολλαπλών πηγών, χρησιμοποιώντας την προσέγγιση του λογικού καναλιού (Tso and Mather, 2001). Η ανάλυση της διαχωρισιμότητας στη βάση της μεταβλημένης απόκλισης έχει επίσης πραγματοποιηθεί για να εξετάσει τη σχετική σημασία των διαφόρων φασματικών καναλιών και των βοηθητικών επιπέδων δεδομένων κατά τη διαδικασία ταξινόμησης. Η ταξινόμηση που έχει γίνει είναι η πιο ευρέως χρησιμοποιούμενη, η ταξινόμηση μεγίστης πιθανοφάνειας (MLC).
Η περιοχή μελέτης, τα δεδομένα και το αντικείμενο εργασίας

[[ Αρχείο:1 Location map of the study area.jpg | thumb | right | Εικόνα 1. Περιοχή μελέτης ]]

Η περιοχή μελέτης έχει έκταση περίπου 730 τ.χλμ., βρίσκεται στα Ιμαλάια, καλύπτει ένα μέρος των περιφερειών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία (Εικ. 1). Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880μ. έως 4785μ. πάνω από τη μέση στάθμη της θάλασσας. Τα ποτάμια Alaknanda και Madhyamaheshwar Ganga ρέουν μέσω του βορειοδυτικού και νοτιοανατολικού τμήματος της περιοχής αντίστοιχα. Η περιοχή επίσης κυριαρχείται από πυκνή δασική κάλυψη (> 50%). Υπάρχουν χέρσες και γεωργικές εκτάσεις, με καλλιέργειες σε αναβαθμίδες.

Οι Gopeshwar και Chamoli αποτελούν τις μεγάλες πόλεις που περιβάλλονται από πολλά μικρά χωριά, σκορπισμένα σε όλη την περιοχή. Στο βορειοανατολικό τμήμα της περιοχής βρίσκονται άγονες εκτάσεις και ψηλά βουνά καλυμμένα με χιόνι. Από γεωλογική άποψη, η περιοχή περιλαμβάνει τα χαμηλότερα Ιμαλάια και τα ψηλότερα Ιμαλάια (Valdiya, 1980) και αποτελείται από μια σειρά λιθολογικών ενοτήτων και συγκεκριμένα από ψαμμίτες, ασβεστόλιθους, γρανίτη γνεύσιο. Δομικά, η περιοχή είναι πολύπλοκη λόγω της παρουσίας διαφόρων ωθήσεων. Κατά συνέπεια, η σεισμική δραστηριότητα και οι κατολισθήσεις στην περιοχή συχνά οδηγούν σε αλλαγή των τοπικών χαρακτηριστικών εδαφοκάλυψης. Η τακτική παρακολούθηση και χαρτογράφηση της κάλυψης της γης είναι λοιπόν απαραίτητη. Η παρούσα μελέτη βασίζεται στην χαρτογράφηση κάλυψη γης από τα δεδομένα τηλεπισκόπησης IRS-1C. Η LISS ΙΙΙ πολυφασματική εικόνα (23,5 m χωρική διακριτική ικανότητα) (Εικ. 2) έχει χρησιμοποιηθεί ως η πρωτογενές δεδομένο για την ταξινόμηση της κάλυψης γης, ενώ η εικόνα PAN (5,8 m χωρική διακριτική ικανότητα) (Εικ. 3), λόγω της ανάλυσής της, έχει χρησιμοποιηθεί ως στοιχείο αναφοράς για τη δημιουργία δοκιμαστικών συνόλων δεδομένων. Πολλές άλλες μελέτες (π.χ. Fisher και Pathirana 1990, Foody και Arora 1996, Shalan et al, 2003) έχουν επίσης χρησιμοποιήσει εικόνες υψηλής ανάλυσης για αυτό το σκοπό, λόγω απουσίας επαρκών στοιχείων της έρευνας πεδίου.

Παρ 'όλα αυτά, στην παρούσα μελέτη, η προετοιμασία των δεδομένων αναφοράς συμπληρώνεται με έρευνες πεδίου που έλαβαν χώρα σε προηγούμενα έτη και το Δεκέμβριο του 2001. Η εποχή της τελευταίας επίσκεψης πεδίου συνέπεσε με την ημερομηνία της απόκτησης των εικόνων LISS ΙΙΙ και PAN, ώστε ταυτόχρονα να περιγραφούν ατμοσφαιρικές και περιβαλλοντικές συνθήκες. Δεδομένου ότι δεν υπάρχει επαρκές δίκτυο δρόμων και το έδαφος είναι απροσπέλαστο λόγω των υψηλών υψομέτρων και της τραχύτητας, οι πληροφορίες σχετικά με την υπάρχουσα κάλυψη γης συλλέγονταν μόνο κατά μήκος των δρόμων πρόσβασης κατά τη διάρκεια των ερευνών πεδίου. Επίσης χρησιμοποιήθηκε το Global Positioning System (GPS) για την απόκτηση ακριβών θέσεων των κατηγοριών κάλυψης γης για την εύκολη οριοθέτηση τους σε γεωαναφερμένες εικόνες LISS ΙΙΙ και PAN. Οι βοηθητικές πληροφορίες υπό τη μορφή ψηφιακών μοντέλων εδάφους προήλθαν από τοπογραφικούς χάρτες.

Μεθοδολογία

Στην εκτέλεση της ταξινόμησης πολλαπλών πηγών συμμετέχουν μια σειρά από βήματα επεξεργασίας δεδομένων. Αυτά περιλαμβάνουν προεπεξεργασία της εικόνας LISS ΙΙΙ για να διορθωθούν τα ατμοσφαιρικά
λάθη, καταγραφή των LISS ΙΙΙ και ΡΑΝ εικόνων, παραγωγή των βοηθητικών επιπέδων δεδομένων, η ταξινόμηση της εικόνας και η αξιολόγηση της ακρίβειας. Όλη η επεξεργασία έχει γίνει με λογισμικά ERDAS, GIS Arc και ILWIS.
Προ-επεξεργασία της εικόνας LISS ΙΙΙ

Η ατμοσφαιρική σκέδαση είναι κοινή σε δεδομένα τηλεπισκόπησης και γενικά είναι πιο έντονη στις περιοχές μικρότερου μήκους κύματος (π.χ. μπλε). Το αποτέλεσμα της ατμοσφαιρικής σκέδασης είναι κάποιες πρόσθετες φασματικές τιμές για την ανάκλαση του εδάφους (Gupta 2003, Jensen 1986). Σε αυτή τη μελέτη, η εικόνα LISS ΙΙΙ διορθώθηκε για την ατμοσφαιρική ακτινοβολία με τη μέθοδο αφαίρεσης σκοτεινού αντικειμένου (Chavez, 1988). Η μέθοδος είναι γρήγορη και εύκολη, δεδομένου ότι δεν απαιτεί πληροφορίες σχετικά με τις ατμοσφαιρικές συνθήκες κατά τη στιγμή της λήψης της εικόνας. Για την εφαρμογή αυτής της μεθόδου, το εικονοστοιχείο (που συνδέεται με το σκοτεινό αντικείμενο) με ελάχιστη τιμή φωτεινότητας στο εγγύς υπέρυθρο (NIR) κανάλι εντοπίστηκε και οι αντίστοιχες τιμές των εικονοστοιχείων σε όλα τα κανάλια αφαιρέθηκαν από τα συγκεκριμένα πρώτα κανάλια. Αυτό θα οδηγήσει σε μια εικόνα που έχει διορθωθεί για την ατμοσφαιρική σκέδαση.

Γεωμετρική καταγραφή των εικόνων

Η ακριβής γεωμετρική καταγραφή των εικόνων είναι ένα προαπαιτούμενο για να την εκτέλεση της ταξινόμησης. Πρώτον, η εικόνα LISS ΙΙΙ διορθώθηκε γεωμετρικά χρησιμοποιώντας 39 σωστά κατανεμημένα σημεία ελέγχου εδάφους (GCPs) που εξάγονται από τον τοπογραφικό χάρτη. Λόγω της μη ύπαρξης έντονων, σαφώς καθορισμένων, σταθερών και αξιοπρόσεκτων χαρακτηριστικών της εικόνας, τα κατανεμημένα σημεία ελέγχου εδάφους (GCPs) αποκτήθηκαν κυρίως από τη διασταύρωση των γραμμών αποστράγγισης. Λόγω της απότομης τοπογραφίας και των στενών κοιλάδων στα Ιμαλάια, θεωρήθηκε ότι δεν υπήρξε καμία μεταβολή στο δίκτυο αποστράγγισης μεταξύ του έτους παραγωγής του τοπογραφικού χάρτη και της ημερομηνίας απόκτησης της εικόνας LISS ΙΙΙ.

Η καταγραφή έγινε με ακρίβεια δευτερεύοντος εικονοστοιχείου
με πολυωνυμική τροποποίηση και με τη μέθοδο «επαναδειγματοληψίας του πλησιέστερου γείτονα», αφήνοντας έτσι τις τιμές φωτεινότητας αναλλοίωτες. Η εικόνα PAN έχει επίσης καταχωρηθεί με ακρίβεια δευτερεύοντος εικονοστοιχείου χρησιμοποιώντας 60 σωστά κατανεμημένα σημεία (GCPs). Η καταγραφή της εικόνας PAN ήταν απαραίτητη καθώς η εικόνα αυτή χρησιμοποιήθηκε ως στοιχείο αναφοράς για την ακριβή οριοθέτηση των περιοχών εκπαίδευσης και εξέτασης στην εικόνα LISS ΙΙΙ.

Παραγωγή των βοηθητικών δεδομένων

Τα επίπεδα δεδομένων ψηφιακού μοντέλου εδάφους (DEM) και κανονικοποιημένου δείκτη βλάστησης (NDVI) χρησιμοποιήθηκαν ως πρόσθετα κανάλια (που αναφέρονται ως δευτερεύοντα στοιχεία) την εκτέλεση της ταξινόμησης πολλαπλών πηγών

α) Παραγωγή ψηφιακού μοντέλου εδάφους

Σε μεγάλα υψόμετρα και δύσβατα εδάφη, μπορεί να βρεθεί σημαντική διακύμανση στις τιμές φωτεινότητας των εικονοστοιχείων, λόγω της παρουσίας των σκιών. Αυτό μπορεί να οδηγήσει σε λανθασμένη ταξινόμηση. Ως εκ τούτου, το ψηφιακό μοντέλο εδάφους χρησιμοποιήθηκε ως βοηθητικό δεδομένο στη διαδικασία ταξινόμησης κυρίως για να μειωθούν τα σφάλματα ταξινόμησης. Επιπλέον, οι πληροφορίες υψομέτρων από το ψηφιακό μοντέλο εδάφους μπορούν επίσης να ενεργήσουν ως ένας λογικός κανόνας για την παρουσία ή την απουσία ορισμένων κατηγοριών σε συγκεκριμένες ζώνες υψομέτρων. Για παράδειγμα, δεν αναμένεται να υπάρχουν αγραναπαύσεις σε μεγάλα υψόμετρα που καλύπτονται με χιόνι, αφού οι κλιματολογικές συνθήκες δεν επιτρέπουν τη γεωργική δραστηριότητα σε τόσο μεγάλα υψόμετρα. Οι περιοχές αυτές συνεπώς θα πρέπει να κατηγοριοποιούνται ως άγονη γη. Οποιαδήποτε παρουσία αγρανάπαυσης σε χιονισμένες περιοχές λοιπόν μπορεί να αντιπροσωπεύει εσφαλμένη ταξινόμηση, η οποία μπορεί να μειωθεί με την καταγραφή του ψηφιακού μοντέλου εδάφους. Το ψηφιακό μοντέλο εδάφους δημιουργήθηκε με την ψηφιοποίηση ισοϋψών ανά 40 μέτρα από τοπογραφικό χάρτη σε κλίμακα 1:50.000. Χρησιμοποιήθηκε ακανόνιστο δίκτυο τριγώνων (TIN) για την παραγωγή ψηφιδωτού μοντέλου εδάφους με ανάλυση 23,5μ. που ταιριάζει με της εικόνας LISS ΙΙΙ.

β) Επίπεδο NDVI: κανονικοποιημένος δείκτης βλάστησης

Δεδομένου ότι η περιοχή μελέτης κυριαρχείται από διαφορετικούς τύπους
βλάστησης, ο κανονικοποιημένος δείκτης βλάστησης χρησιμοποιήθηκε ως βοηθητικό επίπεδο δεδομένων στη διαδικασία ταξινόμησης για την ενίσχυση της διάκρισης των διαφόρων κατηγοριών βλάστησης, αλλά και για τη μείωση της σκιάς. Ο κανονικοποιημένος δείκτης βλάστησης δημιουργήθηκε από το κόκκινο και εγγύς υπέρυθρο κανάλι και από την εικόνα LISS ΙΙΙ και ορίζεται ως εξής:NDVI=(NIRΚόκκινο)/(NIR + Κόκκινο).

Οι τιμές των εικονοστοιχείων του επιπέδου NDVI κυμαίνονται από -1 έως
+1 και κλιμακώνονται από 0 έως 255 αντίστοιχα. Οι μεγαλύτερες τιμές
NDVI δείχνουν αύξηση της βιομάζας ανά μονάδα επιφάνειας. Στην εικόνα 4 παρουσιάζεται το επίπεδο NDVI τοποθετημένο πάνω στο ψηφιακό μοντέλο εδάφους DEM. Στο σχήμα αυτό, οι τιμές NDVI ποικίλλουν από -0,36 έως 0,62. Οι θετικές τιμές αντιπροσωπεύουν διαφορετικές κατηγορίες τύπων βλάστησης, ενώ κοντά στο μηδέν και σε αρνητικές τιμές υποδηλώνουν κατηγορίες μη βλάστησης, όπως το νερό, το χιόνι και η άγονη γη (Εικ. 4).

Για την παραγωγή του χάρτη κάλυψης γης από την εικόνα LISS ΙΙΙ και από τα βοηθητικά επίπεδα δεδομένων πραγματοποιήθηκε μια σειρά ενεργειών ταξινόμησης εικόνας, οι οποίες περιγράφονται παρακάτω.

Επιλογή συστήματος ταξινόμησης κάλυψης γης

Ένα σύστημα ταξινόμησης πρέπει να καθορίζει τις κατηγορίες κάλυψης γης για να θεωρηθεί ταξινομημένη η εικόνα τηλεπισκόπησης. Μερικές φορές χρησιμοποιείται ένα πρότυπο σύστημα ταξινόμησης, όπως το σύστημα ταξινόμησης κατηγοριών χρήσεων και κάλυψης γης του Άντερσον (Anderson et al., 1976), ενώ άλλες φορές ο αριθμός των κατηγοριών κάλυψης γης επιλέγονται σύμφωνα με τις απαιτήσεις της συγκεκριμένης εφαρμογής. Στη μελέτη αυτή, που βασίζεται στο σύστημα ταξινόμησης του Άντερσον, ορίστηκαν εννέα κατηγορίες κάλυψης γης. Η λεπτομερής περιγραφή αυτών των κατηγοριών με τα ερμηνευτικά χαρακτηριστικά τους τόσο στο ψευδές έγχρωμο σύνθετο (FCC) των εικόνων LISS ΙΙΙ και PAN παρέχονται στον παρακάτω πίνακα (πίνακας 1).

Δημιουργία δεδομένων εκπαίδευσης

Η εξαγωγή δεδομένων εκπαίδευσης αποτελεί ένα κρίσιμο βήμα στην διαδικασία εποπτευόμενης ταξινόμησης εικόνας. Δεδομένου ότι η επιτυχία μιας ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεγούν από αντιπροσωπευτικές περιοχές των κατηγοριών κάλυψης του εδάφους. Τα δεδομένα πρέπει να συλλέγονται από ομοιογενείς περιοχές που εκφράζουν τις κατηγορίες. Η συλλογή των δεδομένων εκπαίδευσης είναι γενικά μια χρονοβόρα και κουραστική διαδικασία, δεδομένου ότι περιλαμβάνει επίπονες έρευνες πεδίου και τη συσσώρευση δεδομένων αναφοράς από διάφορες πηγές. Ο αριθμός των εικονοστοιχείων που αποτελούν το σύνολο των δεδομένων εκπαίδευσης πρέπει να είναι αρκετά μεγάλος για να χαρακτηριστούν επακριβώς οι κατηγορίες κάλυψης γης. Ως γενικός κανόνας, ο αριθμός των εικονοστοιχείων εκπαίδευσης για κάθε κατηγορία μπορεί να διατηρηθεί ως 30 φορές επί τον αριθμό των καναλιών υπό εξέταση (Mather, 1999). Στη μελέτη αυτή, το σύνολο δεδομένων εκπαίδευσης αποτελείται από περίπου το 1% του συνόλου των εικονοστοιχείων στην εικόνα LISS ΙΙΙ. Ο αριθμός των δειγμάτων εκπαίδευσης για κάθε κατηγορία επιλέχθηκαν κατ 'αναλογία προς την έκταση που καλύπτεται από τις αντίστοιχες κατηγορίες κάλυψης εδάφος (πίνακας 2) .

Ανάλυση διαχωρισιμότητας

Το σύνολο των δεδομένων για την ταξινόμηση αποτελείται από έξι επίπεδα (τέσσερα κανάλια της πολυφασματικής εικόνα LISS ΙΙΙ, δύο βοηθητικές πηγές δεδομένων: κανονικοποιημένος δείκτης βλάστησης και ψηφιακό μοντέλο εδάφους). Για τον προσδιορισμό του πιο κατάλληλου συνδυασμού των καναλιών για την καλύτερη διάκριση μεταξύ των κατηγοριών κάλυψης γης, πραγματοποιήθηκε ανάλυση διαχωρισιμότητας
των αποτελεσμάτων, (μια στατιστική μέθοδος) για τον υπολογισμό των
φασματικών αποστάσεων για κάθε συνδυασμό καναλιών, η μεταβλημένη απόκλιση (TD), με τιμές από 0-2000, με πιο κατάλληλες τις μεγαλύτερες.

Ταξινόμηση μεγίστης πιθανοφάνειας (MLC)

Η ταξινόμηση μεγίστης πιθανοφάνειας έχει διαπιστωθεί ότι είναι πολύ ακριβής όταν πληρούνται οι παραδοχές κατανομής δεδομένων και έχει χρησιμοποιηθεί εδώ προς την παραγωγή θεματικών χαρτών χήσης και κάλυψης γης με διαφορετικούς συνδυασμούς καναλιών.

Εκτίμηση ακρίβειας της ταξινόμησης

Καμία ταξινόμηση εικόνας δε μπορεί να είναι πλήρης, αν δεν έχει εκτιμηθεί η ακρίβειά της. Για τον έλεγχο της ακρίβειας της ταξινόμησης, έχει επιλεγεί ένα δείγμα των εικονοστοιχείων, για τα οποία συγκρίνεται η κατηγορία στην οποία έχουν ταξινομηθεί με την κατηγορία που ανήκουν στην πραγματικότητα με επίγειο έλεγχο. Η επιλογή του κατάλληλου δείγματος και του μεγέθους του διαδραματίζει καίριο ρόλο στην αξιολόγηση
της ακρίβειας της ταξινόμησης.

Αποτελέσματα

Ο σκοπός της παρούσας μελέτης είναι η εφαρμογή ταξινόμησης πολλαπλών πηγών για την παραγωγή χάρτη κάλυψης γης για τον καθορισμό ζωνών επικινδυνότητας λόγω κατολίσθησης. Η ταξινόμηση με βάση μόνο τα φασματικά δεδομένα της εικόνας LISS ΙΙΙ έχει ακρίβεια 86,94%, η οποία είναι μεγαλύτερη από την ελάχιστη απαιτούμενη ακρίβεια 85% (Anderson, 1976). Η επιπλέον ένταξη του κανονικοποιημένου δείκτη βλάστησης μείωσε την ακρίβεια στο 84,78%, όταν όμως προστέθηκε και το επίπεδο του ψηφιακού μοντέλου εδάφους, η ακρίβεια αυξήθηκε στο 92,04%. Συγκεκριμένα οι κατηγορίες αραιή βλάστηση, γεωργία, χέρσα και άγονη γη, οικισμοί και χιόνι παρουσίασαν σημαντική αύξηση της ακρίβειας που κυμαίνεται από 1,5% έως 20%., δεδομένου ότι, τα μεγάλα υψόμετρα και η παρουσία των σκιών αποκλείουν κάποιες κατηγορίες. Από την οπτική σύγκριση του έγχρωμου σύνθετου (Εικ. 2) και την ταξινόμηση της εδαφοκάλυψης υψηλής ακρίβειας (Εικ. 5), μπορεί να παρατηρηθεί ότι η προσθήκη του κανονικοποιημένου δείκτη βλάστησης και του ψηφιακού μοντέλου εδάφους είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

Συμπεράσματα

Στην παρούσα μελέτη αποδείχτηκε η αποτελεσματικότητα της ενσωμάτωσης του ψηφιακού μοντέλου εδάφους και του κανονικοποιημένου δείκτη βλάστησης παράλληλα με τη χρήση των τηλεπισκοπικών δεδομένων για την ακριβέστερη ταξινόμηση χαρτών κάλυψης γης σε ορεινές και απροσπέλαστες περιοχές με σημαντική παρουσία έντονων σκιών, όπως στην περιοχή των Ιμαλαΐων.

[[category:Χαρτογραφία]]

Αρχείο:PINAKAS 2 pixel.jpg

2012-03-03T11:32:12Z

Rokana.vasiliki: Αριθμός εικονοστοιχείων

Αριθμός εικονοστοιχείων

Αρχείο:PINAKAS 1 kalipsis gis.jpg

2012-03-03T11:30:08Z

Rokana.vasiliki: Κάλυψη γης

Κάλυψη γης

Αρχείο:5 The land cover classification with the highest accuracy.jpg

2012-03-03T11:29:30Z

Rokana.vasiliki: Ταξινόμηση κάλυψης γης μεγίστης ακρίβειας

Ταξινόμηση κάλυψης γης μεγίστης ακρίβειας

Αρχείο:4 Normalized Difference Vegetation Index.jpg

2012-03-03T11:28:53Z

Rokana.vasiliki: NDVI: κανονικοποιημένος δείκτης βλάστησης Ταξινόμηση εικόνας

NDVI: κανονικοποιημένος δείκτης βλάστησης
Ταξινόμηση εικόνας

Αρχείο:3 A portion of IRS PAN data.jpg

2012-03-03T11:28:01Z

Rokana.vasiliki: Δεδομένα IRS PAN

Δεδομένα IRS PAN

Αρχείο:2 IRS 1C LISS III colour infrared composite.jpg

2012-03-03T11:18:42Z

Rokana.vasiliki: IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο, υπέρυθρο

IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο, υπέρυθρο

Αρχείο:1 Location map of the study area.jpg

2012-03-03T11:17:55Z

Rokana.vasiliki: Περιοχή μελέτης

Περιοχή μελέτης

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T11:09:25Z

Rokana.vasiliki:

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

[[ Αρχείο:5 εικόνα εισόδου και υφές.jpg | thumb | right | Εικόνα 5. α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων ]]

[[ Αρχείο:6 Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι.jpg | thumb | right | Εικόνα 6. Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι ]]

[[ Αρχείο:7 Η διασπορά των αντικειμένων στα διαφορετικά κανάλια.jpg | thumb | right | Εικόνα 7. Η διασπορά των αντικειμένων στα διαφορετικά κανάλια (άξονας x: διασπορά, άξονας y: αριθμός των αντικειμένων) ]]

[[ Αρχείο:8 Δείκτες βλάστησης για εικονοστοιχεία και αντικείμενα.jpg | thumb | right | Εικόνα 8. Δείκτες βλάστησης για α. εικονοστοιχεία και b. αντικείμενα ]]

[[ Αρχείο:9 Ποσοστό ταξινομημένων εικονοστοιχείων.jpg | thumb | right | Εικόνα 9. Ποσοστό ταξινομημένων εικονοστοιχείων α. εικόνα εισόδου, b. αποτέλεσμα της ταξινόμησης εικονοστοιχείων, c. ποσοστό ταξινομημένων εικονοστοιχείων δασικών περιοχών, d. οικιστικών περιοχών, e. περιοχών βλάστησης ]]

[[ Αρχείο:10 Απεικόνιση του χαρακτηριστικού χώρου της ταξινόμησης.jpg | thumb | right | Εικόνα 10. Απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης ]]

[[ Αρχείο:11 Δεδομένα Γ.Σ.Π. και Αποτέλεσμα της ταξινόμησης.jpg | thumb | right | Εικόνα 11. α. Δεδομένα Γ.Σ.Π. και b. Αποτέλεσμα της ταξινόμησης ]]

[[ Αρχείο:12 Εικόνα εισόδου και ταξινομήσεις.jpg | thumb | right | Εικόνα 12. α. Εικόνα εισόδου b. Ταξινόμηση με πολυφασματικά δεδομένα και c. Ταξινόμηση με πολυφασματικά δεδομένα και δεδομένα λέιζερ ]]

[[ Αρχείο:13 Προφίλ λέιζερ από οικιστική περιοχή και βιομηχανική.jpg | thumb | right | Εικόνα 13. Προφίλ λέιζερ από α. οικιστική περιοχή και b. βιομηχανική περιοχή ]]

[[ Αρχείο:14 Διαφορετικές κατευθύνσεις για χωράφια, δάση και οικισμούς.jpg | thumb | right | Εικόνα 14. Διαφορετικές κατευθύνσεις για α.χωράφια b. δάση και c. οικισμούς ]]

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αρχείο:14 Διαφορετικές κατευθύνσεις για χωράφια, δάση και οικισμούς.jpg

2012-03-03T11:05:21Z

Rokana.vasiliki: Διαφορετικές κατευθύνσεις για α.χωράφια b. δάση και c. οικισμούς

Διαφορετικές κατευθύνσεις για α.χωράφια b. δάση και c. οικισμούς

Αρχείο:13 Προφίλ λέιζερ από οικιστική περιοχή και βιομηχανική.jpg

2012-03-03T11:04:35Z

Rokana.vasiliki: Προφίλ λέιζερ από α. οικιστική περιοχή και b. βιομηχανική περιοχή

Προφίλ λέιζερ από α. οικιστική περιοχή και b. βιομηχανική περιοχή

Αρχείο:12 Εικόνα εισόδου και ταξινομήσεις.jpg

2012-03-03T11:03:56Z

Rokana.vasiliki: α. Εικόνα εισόδου b. Ταξινόμηση με πολυφασματικά δεδομένα και c. Ταξινόμηση με πολυφασματικά δεδομένα και δεδομένα λέιζερ

α. Εικόνα εισόδου b. Ταξινόμηση με πολυφασματικά δεδομένα και c. Ταξινόμηση με πολυφασματικά δεδομένα και δεδομένα λέιζερ

Αρχείο:11 Δεδομένα Γ.Σ.Π. και Αποτέλεσμα της ταξινόμησης.jpg

2012-03-03T11:03:06Z

Rokana.vasiliki: α. Δεδομένα Γ.Σ.Π. και b. Αποτέλεσμα της ταξινόμησης

α. Δεδομένα Γ.Σ.Π. και b. Αποτέλεσμα της ταξινόμησης

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T11:01:12Z

Rokana.vasiliki:

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

[[ Αρχείο:5 εικόνα εισόδου και υφές.jpg | thumb | right | Εικόνα 5. α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων ]]

[[ Αρχείο:6 Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι.jpg | thumb | right | Εικόνα 6. Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι ]]

[[ Αρχείο:7 Η διασπορά των αντικειμένων στα διαφορετικά κανάλια.jpg | thumb | right | Εικόνα 7. Η διασπορά των αντικειμένων στα διαφορετικά κανάλια (άξονας x: διασπορά, άξονας y: αριθμός των αντικειμένων) ]]

[[ Αρχείο:8 Δείκτες βλάστησης για εικονοστοιχεία και αντικείμενα.jpg | thumb | right | Εικόνα 8. Δείκτες βλάστησης για α. εικονοστοιχεία και b. αντικείμενα ]]

[[ Αρχείο:9 Ποσοστό ταξινομημένων εικονοστοιχείων.jpg | thumb | right | Εικόνα 9. Ποσοστό ταξινομημένων εικονοστοιχείων α. εικόνα εισόδου, b. αποτέλεσμα της ταξινόμησης εικονοστοιχείων, c. ποσοστό ταξινομημένων εικονοστοιχείων δασικών περιοχών, d. οικιστικών περιοχών, e. περιοχών βλάστησης ]]

[[ Αρχείο:10 Απεικόνιση του χαρακτηριστικού χώρου της ταξινόμησης.jpg | thumb | right | Εικόνα 10. Απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης ]]

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αρχείο:8 Δείκτες βλάστησης για εικονοστοιχεία και αντικείμενα.jpg

2012-03-03T10:56:39Z

Rokana.vasiliki: Δείκτες βλάστησης για α. εικονοστοιχεία και b. αντικείμενα

Δείκτες βλάστησης για α. εικονοστοιχεία και b. αντικείμενα

Αρχείο:10 Απεικόνιση του χαρακτηριστικού χώρου της ταξινόμησης.jpg

2012-03-03T10:53:24Z

Rokana.vasiliki: Απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης

Απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης

Αρχείο:9 Ποσοστό ταξινομημένων εικονοστοιχείων.jpg

2012-03-03T10:52:59Z

Rokana.vasiliki: Ποσοστό ταξινομημένων εικονοστοιχείων α. εικόνα εισόδου, b. αποτέλεσμα της ταξινόμησης εικονοστοιχείων, c. ποσοστό ταξινομημένων εικονοστ�

Ποσοστό ταξινομημένων εικονοστοιχείων
α. εικόνα εισόδου, b. αποτέλεσμα της ταξινόμησης εικονοστοιχείων,
c. ποσοστό ταξινομημένων εικονοστοιχείων δασικών περιοχών, d. ποσοστό ταξινομημένων εικονοστοιχείων οικιστικών περιοχών, e. ποσοστό ταξινομημένων εικονοστοιχείων περιοχών βλάστησης

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T10:36:36Z

Rokana.vasiliki:

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

[[ Αρχείο:5 εικόνα εισόδου και υφές.jpg | thumb | right | Εικόνα 5. α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων ]]

[[ Αρχείο:6 Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι.jpg | thumb | right | Εικόνα 6. Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι ]]

[[ Αρχείο:7 Η διασπορά των αντικειμένων στα διαφορετικά κανάλια.jpg | thumb | right | Εικόνα 7. Η διασπορά των αντικειμένων στα διαφορετικά κανάλια (άξονας x: διασπορά, άξονας y: αριθμός των αντικειμένων) ]]

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T10:35:05Z

Rokana.vasiliki:

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

[[ Αρχείο:5 εικόνα εισόδου και υφές.jpg | thumb | right | Εικόνα 5. α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων ]]

[[ Αρχείο:6 Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι.jpg | thumb | right | Εικόνα 6. Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι ]]

[[ Αρχείο:7 Η διασπορά των αντικειμένων στα διαφορετικά κανάλια.jpg | thumb | right | Εικόνα 7. Η διασπορά των αντικειμένων στα διαφορετικά κανάλια (άξονας x: διασπορά, άξονας y: αριθμός των αντικειμένων) ]]

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T10:33:39Z

Rokana.vasiliki:

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

[[ Αρχείο:5 εικόνα εισόδου και υφές.jpg | thumb | right | Εικόνα 5. α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων ]]

[[ Αρχείο:6 Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι.jpg | thumb | right | Εικόνα 6. Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι ]]

[[ Αρχείο:7 Η διασπορά των αντικειμένων στα διαφορετικά κανάλια.jpg | thumb | right | Εικόνα 7. Η διασπορά των αντικειμένων στα διαφορετικά κανάλια (άξονας x: διασπορά, άξονας y: αριθμός των αντικειμένων) ]]

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αρχείο:7 Η διασπορά των αντικειμένων στα διαφορετικά κανάλια.jpg

2012-03-03T10:32:01Z

Rokana.vasiliki: Η διασπορά των αντικειμένων στα διαφορετικά κανάλια (άξονας x: διασπορά, άξονας y: αριθμός των αντικειμένων)

Η διασπορά των αντικειμένων στα διαφορετικά κανάλια (άξονας x: διασπορά, άξονας y: αριθμός των αντικειμένων)

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T10:29:13Z

Rokana.vasiliki:

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

[[ Αρχείο:5 εικόνα εισόδου και υφές.jpg | thumb | right | Εικόνα 5. α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων ]]

[[ Αρχείο:6 Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι.jpg | thumb | right | Εικόνα 6. Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι ]]

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αρχείο:6 Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι.jpg

2012-03-03T10:23:14Z

Rokana.vasiliki: Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι

Η μέση διασπορά των αντικειμένων Γ.Σ.Π. στο μπλε κανάλι

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T10:22:02Z

Rokana.vasiliki:

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

[[ Αρχείο:5 εικόνα εισόδου και υφές.jpg | thumb | right | Εικόνα 5. α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων ]]

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αρχείο:5 εικόνα εισόδου και υφές.jpg

2012-03-03T10:20:14Z

Rokana.vasiliki: α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων

α. εικόνα εισόδου b. υφή από το μπλε κανάλι και c. μέσες υφές αντικειμένων

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T09:51:49Z

Rokana.vasiliki:

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T09:50:43Z

Rokana.vasiliki:

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

[[ Αρχείο:4 Διαγράμματα διασποράς.jpg | thumb | right | Εικόνα 4. Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων ]]

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αρχείο:4 Διαγράμματα διασποράς.jpg

2012-03-03T09:47:53Z

Rokana.vasiliki: Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων

Διαγράμματα διασποράς α.των εικονοστοιχείων και β.των αντικειμένων

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T09:46:25Z

Rokana.vasiliki:

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

[[ Αρχείο:3 δεδομένα εισόδου.jpg | thumb | right | Εικόνα 3. Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων ]]

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]

Αρχείο:3 δεδομένα εισόδου.jpg

2012-03-03T09:43:38Z

Rokana.vasiliki: Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση, b. ταξινόμηση εικονοστοιχείων

Δεδομένα εισόδου για α. αντικειμενοστραφή ταξινόμηση,
b. ταξινόμηση εικονοστοιχείων

Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών

2012-03-03T09:40:18Z

Rokana.vasiliki:

ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),

Object-based classification of remote sensing data for change detection

Volker Walter

Institute for Photogrammetry, University of Stuttgart, Germany

http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf

'''Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.'''

Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).

[[ Εικόνα: viky eikona 1.jpg | thumb | right | Εικόνα 1. Προσέγγιση ταξινόμησης εικονοστοιχείων ]]

Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.

Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).

[[ Αρχείο:2 Διαφορές ταξινομήσεων.jpg | thumb | right | Εικόνα 2. Διαφορές μεταξύ αντικειμενοστραφούς ταξινόμησης και ταξινόμησης εικονοστοιχείων ]]

Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.

Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.

Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου.
Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.

'''1. Σχετικές εργασίες'''

Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.

'''2. Αντικειμενοστραφής ταξινόμηση'''

'''2.1 Δεδομένα εισόδου'''

Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.

'''2.2 Kατηγορίες ταξινόμησης'''

Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).

'''2.3 Κανάλια εισόδου'''

Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.

Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.

Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.

Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.

Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.

Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).

Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).

Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.

Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.

Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.

'''3. Αποτελέσματα ταξινόμησης'''

Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών).
Τα κανάλια εισόδου ήταν:
μέση τιμή του γκρι στο μπλε κανάλι
μέση τιμή του γκρι στο πράσινο κανάλι
μέση τιμή του γκρι στο κόκκινο κανάλι
μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι
μέση τιμή κανονικοποιημένου δείκτη βλάστησης
μέση τιμή της γκρι υφής στο μπλε κανάλι
διασπορά στο μπλε κανάλι
διασπορά στο πράσινο κανάλι
διασπορά στο κόκκινο κανάλι
διασπορά στο εγγύς υπέρυθρο NIR κανάλι
διασπορά του δείκτη βλάστησης
διασπορά της υφής
ποσοστό εικονοστοιχείων δασικών περιοχών
ποσοστό εικονοστοιχείων περιοχών βλάστησης
ποσοστό εικονοστοιχείων οικιστικών περιοχών
ποσοστό εικονοστοιχείων υδάτινων περιοχών

Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.

Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).

'''4. Περαιτέρω εργασίες'''

Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.

'''4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ'''

Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.

Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.

Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).

'''4.2 Περισσότεροι παράμετροι για την υφή'''

Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.

Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.

'''4.3 Χρήση πολλαπλών χρονικών δεδομένων'''

Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.

'''5. Σύνοψη'''

Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.

Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.

[[category:Χαρτογραφία]]