RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Βελτίωση των αναλύσεων κίνησης των ζώων: Xωροχρονική αντιστοιχία της θέσης ζώων με δεδομένα τηλεπισκόπησης

2023-02-24T13:00:29Z

SIOMOS:

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

'''Πρωτότυπος τίτλος:''' ''Enhancing Animal Movement Analyses: Spatiotemporal Matching of Animal Positions with Remotely Sensed Data Using Google Earth Engine and R.''

'''Συγγραφείς:''' Ramiro D. Crego , Majaliwa M. Masolele, Grant Connette and Jared A. Stabach

'''Δημοσιεύθηκε:''' ''MDPI Open Access Journals'', Remote Sensing 16.10.2021, 13, 4154

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/2072-4292/13/20/4154]

'''Λέξεις-Κλειδιά:''' οικολογία μετακινήσεων, MODIS, NDVI, τηλεπισκόπηση, τηλεμετρία, συσκευές εντοπισμού

'''1. Εισαγωγή'''

Η επιστήμη της οικολογίας των μετακινήσεων ζώων έχει προχωρήσει ραγδαία τις τελευταίες δεκαετίες. Αυτό συνέβη, εν μέρει, χάρη στις τεχνολογικές καινοτομίες που μείωσαν το μέγεθος και το βάρος των συσκευών δορυφορικής παρακολούθησης που τοποθετούνται στα ζώα, διευρύνοντας την ποικιλότητα των ειδών που παρακολουθούνται και αυξάνοντας τη διάρκεια των περιόδων παρακολούθησης.
Μαζί με τα προϊόντα τηλεπισκοπικών δεδομένων, που γίνονται όλο και περισσότερο (δωρεάν) διαθέσιμα, όπως είναι η πλατφόρμα χωρικής ανάλυσης Google Earth Engine (GEE), οι επιστήμονες είναι σε θέση να αντιμετωπίσουν μια μεγαλύτερη ποικιλία χωροχρονικών ερωτημάτων, κάνοντας χρήση των μοντέλων υψομέτρου και των δεικτών κανονικοποιημένης διαφοράς βλάστησης (NDVI).
Ομοίως, οι νέες στατιστικές μέθοδοι για την ανάλυση και οπτικοποίηση της κίνησης έχουν γίνει πιο προσιτές. Για παράδειγμα, υπάρχουν τουλάχιστον 58 διαφορετικά πακέτα στη γλώσσα προγραμματισμού R, έναν από τον πιο δημοφιλή ανοιχτό κώδικα ανάλυσης δεδομένων μεταξύ των επιστημόνων της οικολογίας. Μέχρι πρότινος ήταν δύσκολη η ενσωμάτωση τηλεπισκοπικών δεδομένων από το Google Earth Engine απ’ ευθείας στην R. Ωστόσο, ένα πακέτο R που κυκλοφόρησε πρόσφατα (2020), ονόματι rGEE, έχει καταστήσει πιο προσιτή την ενσωμάτωση αυτή.

Θα παρουσιάσουμε δύο ''μελέτες περίπτωσης'':
- Στην πρώτη, εξάγουμε τον δείκτη NDVI από το Φασματοραδιόμετρο Απεικόνισης Μέτριας Ανάλυσης (MODIS) της NASA, με δεδομένα παρακολούθησης της θέσης 10 ζώων, τριών διαφορετικών ειδών, για ένα έτος: αφρικανικό βουβάλι (''Syncerus caffer''), αφρικανικός ελέφαντας (''Loxodonta africana'') και μπλε γκνου (''Connochaetes taurinus'').
- Στη δεύτερη μελέτη περίπτωσης, εξάγουμε εκτιμήσεις της επιφανειακής θερμοκρασίας από τα ωριαία δεδομένα του ατμοσφαιρικού μοντέλου ERA5-Land και αντιπαραβάλλουμε τη θερμοκρασία μεταξύ διαδοχικών βημάτων 12 μεμονωμένων γκνου σε τρία οικοσυστήματα της Κένυας.

'''2. Υλικά και Μέθοδοι'''

'''2.1. Ροή εργασιών κώδικα'''

Μόλις τα δεδομένα τηλεμετρίας φορτωθούν στο R, η χρονική σφραγίδα τους πρέπει να μετατραπεί σε χιλιοστά του δευτερολέπτου, μια μορφή διαχείρισης ημερομηνιών που χρησιμοποιείται στο GEE. Το σύνολο των δεδομένων (scv) μετατρέπεται σε ένα αντικείμενο απλού χαρακτηριστικού (sf), το οποίο μπορεί να φορτωθεί στο GEE ως συλλογή χαρακτηριστικών (feature collection), βάσει μιας συνάρτησης από το πακέτο rGEE. Εν συνεχεία, εφαρμόζεται ένα φίλτρο που ταιριάζει αποτελεσματικά τις συλλογές χαρακτηριστικών και τις συλλογές εικόνων (image collection) μιας χρονοσειράς. Έτσι, αποθηκεύεται η εικόνα που βρίσκεται χρονικά πλησιέστερα σε κάθε θέση εντοπισμού GPS. Κάθε “καλύτερη” εικόνα προσαρτάται σε κάθε χαρακτηριστικό για ολόκληρη τη συλλογή χαρακτηριστικών. Ύστερα, με τη βοήθεια μιας συνάρτησης που δημιουργήσαμε στο GEE, εξάγεται η τιμή του εικονοστοιχείου (pixel value) στην εκάστοτε θέση GPS και στη συνέχεια αποθηκεύεται η τιμή ως μια νέα ιδιότητα χαρακτηριστικού (βλ. ''Εικόνα 1'').

[[Εικόνα:wiki1_pic1_Stappa.png | thumb| right|'''Εικόνα 1:''' Διάγραμμα ροής εργασιών του κώδικα που δείχνει τη συνολική διαδικασία εξαγωγής τιμών εικονοστοιχείων στις θέσεις εντοπισμού των ζώων, με τη χρήση της γλώσσας προγραμματισμού R και του Google Earth Engine]]

'''2.2. Δεδομένα παρακολούθησης ζώων για μελέτες περίπτωσης'''

Έγινε χρήση δεδομένων παρακολούθησης από το Movebank (https:// www.movebank.org με ημερομηνία πρόσβασης 10/10/2021) για 1 αφρικανικό βουβάλι, 2 αφρικανικούς ελέφαντες και 3 μπλε γκνου στη Μελέτη περίπτωσης α’ (εξαγωγή NDVI) και για 12 γκνου στη Μελέτη περίπτωσης β’ (εξαγωγή ωριαίας θερμοκρασίας).
Για κάθε είδος συμπεριλήφθησαν μόνο τα ζώα που περιείχαν δεδομένα ενός ολόκληρου έτους. Έγινε επαναδειγματοληψία όλων των δεδομένων σε χρονικό διάστημα 3 ωρών, χρησιμοποιώντας το πακέτο “adehabitat” από τη γλώσσα R.

'''2.3 Μελέτη περίπτωσης α’: εξαγωγή NDVI'''

Ο δείκτης NDVI έχει αποδειχτεί ότι αποτελεί ισχυρό προγνωστικό παράγοντα της μετακίνησης και της χρήσης του χώρου από τα φυτοφάγα ζώα. Μια συνήθης πρακτική με τον NDVI είναι να υπολογίζεται ο μέσος όρος των εικόνων (raster) για όλα τα έτη ή τις εποχές και να εξάγονται οι τιμές στις θέσεις των ζώων για την εφαρμογή στατιστικών μοντέλων. Συχνά, όμως, τα φυτοφάγα ζώα έχουν την ικανότητα να τροποποιούν την ανάπτυξη νέας βλάστησης, καθώς κινούνται και βόσκουν. Σε τέτοιες περιπτώσεις, η υπολογιστική ισχύς των δορυφορικών δεδομένων που απαιτείται για την επεξεργασία τους να είναι χαμηλή ή είναι χρονοβόρα η διαδικασία συλλογής τους (πχ λόγω μεγάλων εκτάσεων ή μεγάλων χρονικών περιόδων). Ως λύση, αντί για το μέσο ετήσιο NDVI, χρησιμοποιείται ο χρονικά προσαρμοσμένος με την κίνηση των ζώων NDVI.
Η ροή εργασίας του κώδικα που υλοποιήσαμε εξάγει την τιμή NDVI από το προϊόν δεδομένων MODIS/Terra (MOD1Q1) των 250m, 16 ημερών, το οποίο είναι χρονικά πλησιέστερο σε κάθε αποτύπωση GPS που συλλέγεται σε μια μελέτη παρακολούθησης ζώων. Αυτό σημαίνει ότι η μέγιστη χρονική υστέρηση μεταξύ κάθε σημείου GPS που συλλέγεται και της πλησιέστερης ημερομηνίας σύνθεσης εικόνας NDVI είναι 8 ημέρες. Ωστόσο, στην πράξη μπορεί να είναι μεγαλύτερη, γιατί οι πραγματικές ημερ/νίες παρατήρησης για κάθε εικονοστοιχείο είναι άγνωστες.

'''2.4 Μελέτη περίπτωσης β’: θερμοκρασιακή εκχύλιση'''

Η διακύμανση της θερμοκρασίας είναι ένας από τους κύριους περιβαλλοντικούς παράγοντες που επηρεάζει τη χρήση των ενδιαιτημάτων των ζώων. Για παράδειγμα, στα μεγάλα φυτοφάγα ζώα, η αύξηση θερμοκρασίας περιβάλλοντος μπορούν να μεταβάλλει τα πρότυπα μετακίνησης και τη συμπεριφορά, αναγκάζοντας το ζώο να μετακινηθεί πιο κοντά στο νερό ή τη σκιά ή ν’ αυξήσει το χρόνο ανάπαυσης. Αντίστοιχα, η μεγάλη πτώση της θερμοκρασίας που οδηγεί σε χιονοκάλυψη περιορίζει τη διαθεσιμότητα τροφής και μεταβάλλει, επίσης, τα πρότυπα μετακίνησης των ζώων.
Για να καταδείξουμε την ισχύ της χρήσης του GEE για τη συσχέτιση κλιματικών δεδομένων με τοποθεσίες τηλεμετρίας, έγινε χρήση του συνόλου των δεδομένων ERA5-Land. Το ατμοσφαιρικό μοντέλο ERA5-Land αποτελείται από 50 κλιματικές μεταβλητές με ωριαία χρονική ανάλυση και χωρική ανάλυση ~9km. Από τις 50 διαθέσιμες μεταβλητές, το παράδειγμά μας δείχνει τη θερμοκρασία του αέρα στα 2m από την επιφάνεια της γης.
Από το σύνολο δεδομένων για τα γκνου, επιλέξαμε τυχαία 12 άτομα από τρεις διαφορετικούς πληθυσμούς της Κένυας (τον πληθυσμό Maasai Mara/Loita Plains, τον Athi-Kaputiei Plains και τον Amboseli Basin). Χρησιμοποιήσαμε μια συνολική χρονοσειρά με 8.760 εικόνες. Εξάγαμε τιμές θερμοκρασίας που αντιστοιχούν στο χρόνο, σε κάθε τοποθεσία GPS. Ύστερα, ελέγξαμε τη σχέση μεταξύ μήκους βήματος ζώου και θερμοκρασίας, με την προσαρμογή ενός γραμμικού μοντέλου μικρών επιδράσεων (Gauss). Υλοποιήσαμε το μοντέλο στο σύνολό του στη γλώσσα προγραμματισμού R.

'''3. Αποτελέσματα'''

''Μελέτη περίπτωσης α’'':
Για τα 6 ζώα που συμπεριλήφθηκαν χρειάστηκαν περίπου 3 λεπτά για την επεξεργασία των 12.344 θέσεων GPS (βλ. ''Πίνακα 1'').

[[wiki1_table1_Stappa.png | thumb| right|'''Πίνακας 1:'''Περίληψη των ειδών, των δεδομένων τηλεμετρίας, του προϊόντος τηλεπισκοπικών δεδομένων που χρησιμοποιήθηκε και του χρόνου επεξεργασίας για την εξαγωγή των τιμών των pixels σε κάθε θέση GPS.]]

Το αποτέλεσμα που εξάγαμε, συγκρίνοντας το μέσο ετήσιο NDVI (annual mean) με τον χρονικά προσαρμοσμένο NDVI (time match), ήταν η αποτυχία του πρώτου να λάβει υπόψη την εποχιακή διακύμανση της παραγωγικότητας της βλάστησης που αντιμετωπίζουν τα ζώα (βλ. ''Εικόνα 2'').

[[wiki1_pic2_Stappa.png | thumb| left|'''Εικόνα 2''': Τιμές '''MODIS NDVI''' που εξάγονται από δεδομένα ενός έτους για τον αφρικανικό βούβαλο, τον αφρικανικό ελέφαντα και το μπλε γκνου, που παρακολουθούνται με μονάδες τηλεμετρίας GPS. Τα αποτελέσματα δείχνουν μεγάλες αποκλίσεις μεταξύ του ετήσιου μέσου NDVI (κόκκινο) και του χρονικά προσαρμοσμένου NDVI (μπλε), που εξάγεται σε όλες τις θέσεις των ζώων.]]

''Μελέτη περίπτωσης β’'':
Για τα 12 γκνου που συμπεριλήφθηκαν στη συλλογή δεδομένων, χρειάστηκαν περίπου 34 λεπτά (0,06 sec ανά σημείο) για την επεξεργασία των 33.074 θέσεων GPS (βλ. Πίνακα 1). Το σύνολο δεδομένων θερμοκρασίας αέρα ERA5-Land είχε υψηλή συσχέτιση με τη θερμοκρασία που καταγράφηκε στα περιλαίμια των ζώων. Το αποτέλεσμα που εξάγαμε ήταν ότι τα γκνου μετακινούνται λιγότερο, καθώς αυξάνεται η θερμοκρασία (''Εικόνα 3'').

[[wiki1_pic3_Stappa.png | thumb| right|'''Εικόνα 3''': Σχέση μεταξύ του βήματος και της θερμοκρασίας του αέρα για το μπλε γκνου. Τα δεδομένα εντοπισμού GPS ελήθησαν για τα 12 άτομα από τους τρεις πληθυμσούς στην Κένυα: πεδιάδες Maasai Mara/Loita (πράσινο), πεδιάδες Athi-Kaputiei (μπλε) και λέκανη Amboseli (κόκκινο). Η ωριαία θερμοκρασία του αέρα στα 2m πάνω από το έδαφος λήφθηκε από το σύνολο δεδομένων ERA5-Land. Όλα τα δεδομένα είναι από το 2011.]]

'''4. Συζήτηση – Συμπεράσματα'''

Τα τελευταία χρόνια αυξήθηκε ραγδαία ο όγκος δεδομένων οικολογίας, όπως είναι η παρακολούθηση της θέσης των ζώων, χάρη στην τηλεπισκόπηση.
Σε αυτή τη μελέτη, παρουσιάσαμε παραδείγματα που ενσωματώνουν δύο επίπεδα περιβαλλοντικών δεδομένων για την εξήγηση της κίνησης και της συμπεριφοράς των μεγάλων φυτοφάγων ζώων της Αφρικής. Εναλλακτικά, άλλες συλλογές εικόνων που είναι διαθέσιμες μέσω του GEE, όπως είναι η διαθεσιμότητα επιφανειακών υδάτων ή άλλοι δείκτες βλάστησης, μπορούν να αντικατασταθούν στον κώδικα. Επιπλέον, η ευελιξία του GEE καθιστά δυνατή την ενσωμάτωση πληροφοριών που προέρχονται από πολυφασματικές εικόνες όπως το Landsat ή το Sentinel, ως πιθανές συνδιακυμάνσεις για δεδομένα κίνησης ζώων.

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-12T09:15:18Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''02 Δεκεμβρίου 2022 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022, 13–19, 2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Μη επιβλεπόμενη ταξινόμηση, K-Means, Sentinel-2, εξαγωγή ακτογραμμής, GIS, DEM.

'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).]]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η ακτογραμμή που εξάγεται χειροκίνητα και βασίζεται στη φωτοερμηνεία RGB.

'''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2.''' Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM]][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Sentinel-2.]]

'''3. ΜΕΘΟΔΟΙ'''

'''3.1 Υπολογισμός του δείκτη'''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3.''' NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)]]

'''3.2 Κατηγοριοποίηση K-Means'''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4.''' Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.]]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

'''3.3 Αξιολόγηση ακρίβειας'''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2.''' Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά]] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3.''' Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.]]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4.''' Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς]][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5.''' Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.]]

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

[[category:Μελέτη της διάβρωσης των ακτογραμμών]]

Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

2023-02-12T09:13:35Z

SIOMOS:

'''Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών'''

'''Πρωτότυπος τίτλος:''' ''Remotely sensed image fast classification and smart thematic map production''

'''Συγγραφείς: ''' Emanuele Alcaras , Pier Paolo Amoroso, Claudio Parente , Giuseppina Prezioso

'''Δημοσιεύθηκε: ''' ''23 Δεκεμβρίου 2021 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVI-4/W5-2021, 43–50, 2021''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVI-4-W5-2021-43-2021]

'''Λέξεις-Κλειδιά: ''' Thematic Map, Landsat 8 OLI, GIS, Image Classification, Smart Applications, Vegetation Index.

'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper3.1_image_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Γεωεντοπισμός της περιοχής μελέτης στο βόρειο τμήμα της Σικελίας (κόκκινο ορθογώνιο), σε ισόπλευρη προβολή και γεωγραφικές συντεταγμένες WGS84.]][[Εικόνα:RSpaper3.2_image_SIOMOS.png | thumb| right|'''Εικόνα 2.''' Φυσικό έγχρωμο σύνθετο RGB των εικόνων Landsat 8 OLI, σε συντεταγμένες επιπέδου της προβολής UTM-WGS84.]][[Εικόνα:RSpaper3.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Landsat 8 OLI.]][[Εικόνα:RSpaper3.3_image_SIOMOS.png | thumb| right|'''Εικόνα 3.''' Θεματικοί χάρτες με 3 κατηγορίες (νερό, έδαφος, βλάστηση), όπως προέκυψαν από πάνω προς τα κάτω με εφαρμογή αντίστοιχα των NDVI KM, RN KM, RGBN MD και 8MS ML.]][[Εικόνα:RSpaper3.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 2.''' Δείκτες θεματικής ακρίβειας που εφαρμόστηκαν στις μεθόδους ταξινόμησης.]][[Εικόνα:RSpaper3.4_image_SIOMOS.png | thumb| right|'''Εικόνα 4.''' Απεικόνιση του θεματικού χάρτη από τον NDVI KM σε μορφή web σε επικάλυψη με το διανυσματικό αρχείο της Ιταλικής Περιφέρειας.]]

Οι εφαρμογές που διατίθενται για smartphone, καθώς και το λογισμικό για συσκευές GNSS/GIS, επιτρέπουν την εύκολη χαρτογράφηση του εντοπισμού και του σχήματος μιας περιοχής με την απόκτηση των συντεταγμένων των κορυφών του περιγράμματός της. Η επιλογή αυτή είναι χρήσιμη για την ταξινόμηση μέσω τηλεπισκόπησης, υποστηρίζοντας την ανίχνευση αντιπροσωπευτικών δειγματοληπτικών περιοχών ενός γνωστού τύπου κάλυψης που θα χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων ή για τη δοκιμή των αποτελεσμάτων ταξινόμησης.
Η παρούσα εργασία αποσκοπεί στην ανάλυση της δυνατότητας παραγωγής έξυπνων χαρτών από την ταξινόμηση τηλεπισκοπικών εικόνων με γρήγορο τρόπο. Η προσοχή επικεντρώνεται σε διαφορετικές μεθόδους που συγκρίνονται για τον εντοπισμό γρήγορης και ακριβούς διαδικασίας για την παραγωγή ενημερωμένων και αξιόπιστων χαρτών. Οι πολυφασματικές εικόνες Landsat 8 OLI υποβάλλονται σε διάφορους αλγορίθμους ταξινόμησης για τη διάκριση του νερού, του γυμνού εδάφους και της βλάστησης. Ο χάρτης που προκύπτει εισάγεται κατάλληλα σε μια ευρύτερη βάση δεδομένων με στόχο την αναπαράσταση της κατάστασης σε ένα χωροχρονικά εξελικτικό σενάριο και είναι κατάλληλος ώστε να αποτυπωθεί οποιαδήποτε μεταβολή προκαλείται, όπως π.χ. εντοπισμός καμένων περιοχών, καθορισμός περιοχών με βλάστηση για τουριστικούς σκοπούς κ.λπ.

'''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ'''

Η περιοχή μελέτης καλύπτει μια επιφάνεια 5.400 Km2 και βρίσκεται στο βόρειο τμήμα της Σικελίας (Ιταλία), όπως φαίνεται στις εικόνες (1) και (2). Η εξεταζόμενη περιοχή περιλαμβάνει πολλά από τα κύρια χαρακτηριστικά του νησιού όσον αφορά την κάλυψη γης, όπως πυκνή αλλά και διάσπαρτη βλάστηση, γυμνό έδαφος καλυμμένο με λάβα, μικρές δασώδεις εκτάσεις, καλλιεργούμενες εκτάσεις με καλή κατάσταση υγείας αλλά και σε γήρανση ,άγονες περιοχές, λίμνες νερού φυσικής και τεχνητής προέλευσης.Οι εικόνες Landsat 8 OLI περιλαμβάνουν 8 πολυφασματικές ζώνες (MS) και μία παγχρωματική ζώνη (PAN), όπως αναφέρεται στον πίνακα (1).

'''3. ΜΕΘΟΔΟΙ'''

Ακολουθούν τα βήματα για την παραγωγή ενός έξυπνου χάρτη:

'''3.1 Μετατροπή των τιμών BV σε ανακλαστικότητα στην κορυφή της ατμόσφαιρας (TOA) και ατμοσφαιρική διόρθωση εφαρμόζοντας το μοντέλο DOS'''

'''3.2 Ταξινόμηση των εικόνων'''

•''3.2.1 Μη Επιβλεπόμενη Ταξινόμηση''

Με εφαρμογή της μεθόδου K-means που είναι μια αριθμητική, μη εποπτευόμενη, μη ντετερμινιστική, επαναληπτική μέθοδος.

•''3.2.2 Επιβλεπόμενη Ταξινόμηση''

Στην οποία οι περιοχές εκπαίδευσης εντοπίζονται μέσω οπτικής ανάλυσης στη σύνθεση RGB, καθώς και μέσω της συμβουλευτικής εικόνας υψηλότερης ανάλυσης που αποκτήθηκε την ίδια περίοδο με εφαρμογή των μεθόδων της ελάχιστης απόστασης MD και της μέγιστης πιθανοφάνειας ΜL.

•''3.2.3 Δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI''

Με την εφαρμογή του NDVI (Normalized Difference Vegetation Index) παράγεται μια συνθετική εικόνα που χρειάζεται την εφαρμογή κριτηρίου ταξινόμησης για να κατηγοροποιηθούν στη συνέχεια εικονοστοιχεία νερού, γυμνού εδάφους και βλάστησης.

'''3.3 Αξιολόγηση της θεματικής ακρίβειας'''

Για να διαπιστωθεί η θεματική ακρίβεια των αποτελεσμάτων που προκύπτουν, επιλέγονται περιοχές δοκιμής, διαφορετικές από τις περιοχές εκπαίδευσης που χρησιμοποιούνται στην επιβλεπόμενη ταξινόμηση, και χρησιμοποιείται ο πίνακας σύγχυσης (Confusion Matrix) ως ποσοτική μέθοδος για την αξιολόγηση της ακρίβειας ταξινόμησης εικόνων, με τις τιμές των παραδοσιακών δεικτών που ονομάζονται Producer Accuracy (PA), User Accuracy (UA) και Overall Accuracy (OA)

'''3.4 Παραγωγή έξυπνων χαρτών για διαδικτυακή εφαρμογή'''

Οι εργασίες για τη δημοσίευση δεδομένων ΓΣΠ στο διαδίκτυο και την προσβασιμότητά τους σε άλλους χρήστες ονομάζονται συνήθως διαδικτυακή χαρτογράφηση. Τα προϊόντα που προκύπτουν είναι επίσης γνωστά ως "έξυπνοι χάρτες", δεδομένου ότι είναι κατάλληλα για έξυπνες εφαρμογές σε tablet και smartphone.
Στην παρούσα μελέτη μετατρέπουμε τους παραγόμενους θεματικούς χάρτες με το πρόσθετο QGIS2Web σε κατάλληλα αρχεία μορφής για να τους καταστήσουμε κατάλληλους για δημοσίευση στο διαδίκτυο. Με αυτόν τον τρόπο μπορούμε να τους χρησιμοποιήσουμε και για τον έλεγχο του επιτευχθέντος επιπέδου θεματικής ακρίβειας στην περίπτωση επιτόπιας παρατήρησης.

'''4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

Στην παρούσα μελέτη εφαρμόζονται οι μέθοδοι ταξινόμησης Minimum Distance, Maximum Likelihood και K-means σε όλες τις εικόνες Landsat 8 OLI ή σε μια επιλογή από αυτές καθώς και στον NDVI- ειδικότερα χρησιμοποιείται ο ακόλουθος συνδυασμός:

- NDVI με ελάχιστη απόσταση (NDVI MD),

- NDVI με μέγιστη πιθανοφάνεια (NDVI ML),

- NDVI με K-Means (NDVI KM),

- RED & NIR με ελάχιστη απόσταση (RN MD),

- RED & NIR με μέγιστη πιθανοφάνεια (RN ML),

- RED & NIR με K-Means (RN KM),

- RGB & NIR με ελάχιστη απόσταση (RGBN MD),

- RGB & NIR με μέγιστη πιθανοφάνεια (RGBN ML),

- RGB & NIR με K-Means (RGBN KM),

- Και οι 8 ζώνες MS με ελάχιστη απόσταση (8MS MD),

- Και οι 8 ζώνες MS με μέγιστη πιθανοφάνεια (8MS ML),

- Και οι 8 ζώνες MS με K-Means (8MS KM).

Οι έξοδοι ταξινομούνται σε τρεις κατηγορίες: νερό, γυμνό έδαφος και βλάστηση. Μια οπτική σύγκριση ορισμένων αποτελεσμάτων ταξινόμησης, συγκεκριμένα εκείνων που λαμβάνονται από τα NDVI KM, RN KM, RGBN MD και 8MS ML, παρουσιάζεται στην εικόνα (3).
Η μέθοδος NDVI KM είναι η πιο αποδοτική μέθοδος, παρέχοντας την υψηλότερη τιμή OA (0,9962) και τις βέλτιστες τιμές PA και UA, αφού είναι ίσες με 1, εκτός από την περίπτωση της PA της βλάστησης (0,9886) και της UA του εδάφους (0,9887).
Ο θεματικός χάρτης που προκύπτει από τον NDVI KM σε μορφή ιστού, ο οποίος παράγεται με τη χρήση του πρόσθετου QGIS2Web, παρουσιάζεται στην εικόνα (4):

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η μελέτη αυτή αποδεικνύει ότι οι θεματικοί διαδικτυακοί χάρτες που επικεντρώνονται στη διάκριση της γήινης επιφάνειας σε νερό, γυμνό έδαφος και βλάστηση μπορούν εύκολα να παραχθούν με αυτόματο τρόπο χρησιμοποιώντας λίγες ζώνες MS των δορυφορικών εικόνων, συγκεκριμένα μόνο δύο ζώνες της εικόνας Landsat 8 OLI, οι οποίες είναι η κόκκινη και η NIR που χρησιμοποιούνται για την παραγωγή του NDVI.
Επίσης αποδεικνύεται ότι η χρήση του k-means, η οποία δεν απαιτεί την ανθρώπινη επίβλεψη, επιτρέπει τη διάκριση των αποτελεσμάτων του NDVI και τη γρήγορη απόδοση ετικετών στις τρεις ονομαστικές κλάσεις διατηρώντας πολύ υψηλό επίπεδο θεματικής ακρίβειας. Επομένως η μη επιβλεπόμενη ταξινόμηση είναι χρήσιμη για τη διάκριση λίγων, μη περίπλοκων και ευρείας κλίμακας κλάσεων κάλυψης γης, όπως το νερό, το γυμνό έδαφος και η βλάστηση και επιπλέον μπορεί να μειώσει τα σφάλματα του χειριστή κατά την αναγνώριση των περιοχών εκπαίδευσης. Τέλος η δημοσίευση στο διαδίκτυο του παραγόμενου θεματικού χάρτη, μια δύσκολη εργασία που συνήθως απαιτεί ειδικές δεξιότητες διαφορετικές από εκείνες που χαρακτηρίζουν τον παραδοσιακό χαρτογράφο, είναι δυνατή με γρήγορο τρόπο με τη χρήση ειδικών εργαλείων όπως το πρόσθετο QGIS2Web.

[[category:Χαρτογραφία]]

Αρχείο:RSpaper3.4 image SIOMOS.png

2023-02-12T09:12:42Z

SIOMOS: ανέβασμα νέας έκδοσης του "Αρχείο:RSpaper3.4 image SIOMOS.png"

Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

2023-02-12T09:10:43Z

SIOMOS:

'''Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών'''

'''Πρωτότυπος τίτλος:''' ''Remotely sensed image fast classification and smart thematic map production''

'''Συγγραφείς: ''' Emanuele Alcaras , Pier Paolo Amoroso, Claudio Parente , Giuseppina Prezioso

'''Δημοσιεύθηκε: ''' ''23 Δεκεμβρίου 2021 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVI-4/W5-2021, 43–50, 2021''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVI-4-W5-2021-43-2021]

'''Λέξεις-Κλειδιά: ''' Thematic Map, Landsat 8 OLI, GIS, Image Classification, Smart Applications, Vegetation Index.

'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper3.1_image_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Γεωεντοπισμός της περιοχής μελέτης στο βόρειο τμήμα της Σικελίας (κόκκινο ορθογώνιο), σε ισόπλευρη προβολή και γεωγραφικές συντεταγμένες WGS84.]][[Εικόνα:RSpaper3.2_image_SIOMOS.png | thumb| right|'''Εικόνα 2.''' Φυσικό έγχρωμο σύνθετο RGB των εικόνων Landsat 8 OLI, σε συντεταγμένες επιπέδου της προβολής UTM-WGS84.]][[Εικόνα:RSpaper3.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Landsat 8 OLI.]][[Εικόνα:RSpaper3.3_image_SIOMOS.png | thumb| right|'''Εικόνα 3.''' Θεματικοί χάρτες με 3 κατηγορίες (νερό, έδαφος, βλάστηση), όπως προέκυψαν από πάνω προς τα κάτω με εφαρμογή αντίστοιχα των NDVI KM, RN KM, RGBN MD και 8MS ML.]][[Εικόνα:RSpaper3.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 2.''' Δείκτες θεματικής ακρίβειας που εφαρμόστηκαν στις μεθόδους ταξινόμησης.]][[RSpaper3.4_image_SIOMOS.png | thumb| right|'''Εικόνα 4.''' Απεικόνιση του θεματικού χάρτη από τον NDVI KM σε μορφή web σε επικάλυψη με το διανυσματικό αρχείο της Ιταλικής Περιφέρειας.]]

Οι εφαρμογές που διατίθενται για smartphone, καθώς και το λογισμικό για συσκευές GNSS/GIS, επιτρέπουν την εύκολη χαρτογράφηση του εντοπισμού και του σχήματος μιας περιοχής με την απόκτηση των συντεταγμένων των κορυφών του περιγράμματός της. Η επιλογή αυτή είναι χρήσιμη για την ταξινόμηση μέσω τηλεπισκόπησης, υποστηρίζοντας την ανίχνευση αντιπροσωπευτικών δειγματοληπτικών περιοχών ενός γνωστού τύπου κάλυψης που θα χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων ή για τη δοκιμή των αποτελεσμάτων ταξινόμησης.
Η παρούσα εργασία αποσκοπεί στην ανάλυση της δυνατότητας παραγωγής έξυπνων χαρτών από την ταξινόμηση τηλεπισκοπικών εικόνων με γρήγορο τρόπο. Η προσοχή επικεντρώνεται σε διαφορετικές μεθόδους που συγκρίνονται για τον εντοπισμό γρήγορης και ακριβούς διαδικασίας για την παραγωγή ενημερωμένων και αξιόπιστων χαρτών. Οι πολυφασματικές εικόνες Landsat 8 OLI υποβάλλονται σε διάφορους αλγορίθμους ταξινόμησης για τη διάκριση του νερού, του γυμνού εδάφους και της βλάστησης. Ο χάρτης που προκύπτει εισάγεται κατάλληλα σε μια ευρύτερη βάση δεδομένων με στόχο την αναπαράσταση της κατάστασης σε ένα χωροχρονικά εξελικτικό σενάριο και είναι κατάλληλος ώστε να αποτυπωθεί οποιαδήποτε μεταβολή προκαλείται, όπως π.χ. εντοπισμός καμένων περιοχών, καθορισμός περιοχών με βλάστηση για τουριστικούς σκοπούς κ.λπ.

'''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ'''

Η περιοχή μελέτης καλύπτει μια επιφάνεια 5.400 Km2 και βρίσκεται στο βόρειο τμήμα της Σικελίας (Ιταλία), όπως φαίνεται στις εικόνες (1) και (2). Η εξεταζόμενη περιοχή περιλαμβάνει πολλά από τα κύρια χαρακτηριστικά του νησιού όσον αφορά την κάλυψη γης, όπως πυκνή αλλά και διάσπαρτη βλάστηση, γυμνό έδαφος καλυμμένο με λάβα, μικρές δασώδεις εκτάσεις, καλλιεργούμενες εκτάσεις με καλή κατάσταση υγείας αλλά και σε γήρανση ,άγονες περιοχές, λίμνες νερού φυσικής και τεχνητής προέλευσης.Οι εικόνες Landsat 8 OLI περιλαμβάνουν 8 πολυφασματικές ζώνες (MS) και μία παγχρωματική ζώνη (PAN), όπως αναφέρεται στον πίνακα (1).

'''3. ΜΕΘΟΔΟΙ'''

Ακολουθούν τα βήματα για την παραγωγή ενός έξυπνου χάρτη:

'''3.1 Μετατροπή των τιμών BV σε ανακλαστικότητα στην κορυφή της ατμόσφαιρας (TOA) και ατμοσφαιρική διόρθωση εφαρμόζοντας το μοντέλο DOS'''

'''3.2 Ταξινόμηση των εικόνων'''

•''3.2.1 Μη Επιβλεπόμενη Ταξινόμηση''

Με εφαρμογή της μεθόδου K-means που είναι μια αριθμητική, μη εποπτευόμενη, μη ντετερμινιστική, επαναληπτική μέθοδος.

•''3.2.2 Επιβλεπόμενη Ταξινόμηση''

Στην οποία οι περιοχές εκπαίδευσης εντοπίζονται μέσω οπτικής ανάλυσης στη σύνθεση RGB, καθώς και μέσω της συμβουλευτικής εικόνας υψηλότερης ανάλυσης που αποκτήθηκε την ίδια περίοδο με εφαρμογή των μεθόδων της ελάχιστης απόστασης MD και της μέγιστης πιθανοφάνειας ΜL.

•''3.2.3 Δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI''

Με την εφαρμογή του NDVI (Normalized Difference Vegetation Index) παράγεται μια συνθετική εικόνα που χρειάζεται την εφαρμογή κριτηρίου ταξινόμησης για να κατηγοροποιηθούν στη συνέχεια εικονοστοιχεία νερού, γυμνού εδάφους και βλάστησης.

'''3.3 Αξιολόγηση της θεματικής ακρίβειας'''

Για να διαπιστωθεί η θεματική ακρίβεια των αποτελεσμάτων που προκύπτουν, επιλέγονται περιοχές δοκιμής, διαφορετικές από τις περιοχές εκπαίδευσης που χρησιμοποιούνται στην επιβλεπόμενη ταξινόμηση, και χρησιμοποιείται ο πίνακας σύγχυσης (Confusion Matrix) ως ποσοτική μέθοδος για την αξιολόγηση της ακρίβειας ταξινόμησης εικόνων, με τις τιμές των παραδοσιακών δεικτών που ονομάζονται Producer Accuracy (PA), User Accuracy (UA) και Overall Accuracy (OA)

'''3.4 Παραγωγή έξυπνων χαρτών για διαδικτυακή εφαρμογή'''

Οι εργασίες για τη δημοσίευση δεδομένων ΓΣΠ στο διαδίκτυο και την προσβασιμότητά τους σε άλλους χρήστες ονομάζονται συνήθως διαδικτυακή χαρτογράφηση. Τα προϊόντα που προκύπτουν είναι επίσης γνωστά ως "έξυπνοι χάρτες", δεδομένου ότι είναι κατάλληλα για έξυπνες εφαρμογές σε tablet και smartphone.
Στην παρούσα μελέτη μετατρέπουμε τους παραγόμενους θεματικούς χάρτες με το πρόσθετο QGIS2Web σε κατάλληλα αρχεία μορφής για να τους καταστήσουμε κατάλληλους για δημοσίευση στο διαδίκτυο. Με αυτόν τον τρόπο μπορούμε να τους χρησιμοποιήσουμε και για τον έλεγχο του επιτευχθέντος επιπέδου θεματικής ακρίβειας στην περίπτωση επιτόπιας παρατήρησης.

'''4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

Στην παρούσα μελέτη εφαρμόζονται οι μέθοδοι ταξινόμησης Minimum Distance, Maximum Likelihood και K-means σε όλες τις εικόνες Landsat 8 OLI ή σε μια επιλογή από αυτές καθώς και στον NDVI- ειδικότερα χρησιμοποιείται ο ακόλουθος συνδυασμός:

- NDVI με ελάχιστη απόσταση (NDVI MD),

- NDVI με μέγιστη πιθανοφάνεια (NDVI ML),

- NDVI με K-Means (NDVI KM),

- RED & NIR με ελάχιστη απόσταση (RN MD),

- RED & NIR με μέγιστη πιθανοφάνεια (RN ML),

- RED & NIR με K-Means (RN KM),

- RGB & NIR με ελάχιστη απόσταση (RGBN MD),

- RGB & NIR με μέγιστη πιθανοφάνεια (RGBN ML),

- RGB & NIR με K-Means (RGBN KM),

- Και οι 8 ζώνες MS με ελάχιστη απόσταση (8MS MD),

- Και οι 8 ζώνες MS με μέγιστη πιθανοφάνεια (8MS ML),

- Και οι 8 ζώνες MS με K-Means (8MS KM).

Οι έξοδοι ταξινομούνται σε τρεις κατηγορίες: νερό, γυμνό έδαφος και βλάστηση. Μια οπτική σύγκριση ορισμένων αποτελεσμάτων ταξινόμησης, συγκεκριμένα εκείνων που λαμβάνονται από τα NDVI KM, RN KM, RGBN MD και 8MS ML, παρουσιάζεται στην εικόνα (3).
Η μέθοδος NDVI KM είναι η πιο αποδοτική μέθοδος, παρέχοντας την υψηλότερη τιμή OA (0,9962) και τις βέλτιστες τιμές PA και UA, αφού είναι ίσες με 1, εκτός από την περίπτωση της PA της βλάστησης (0,9886) και της UA του εδάφους (0,9887).
Ο θεματικός χάρτης που προκύπτει από τον NDVI KM σε μορφή ιστού, ο οποίος παράγεται με τη χρήση του πρόσθετου QGIS2Web, παρουσιάζεται στην εικόνα (4):

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η μελέτη αυτή αποδεικνύει ότι οι θεματικοί διαδικτυακοί χάρτες που επικεντρώνονται στη διάκριση της γήινης επιφάνειας σε νερό, γυμνό έδαφος και βλάστηση μπορούν εύκολα να παραχθούν με αυτόματο τρόπο χρησιμοποιώντας λίγες ζώνες MS των δορυφορικών εικόνων, συγκεκριμένα μόνο δύο ζώνες της εικόνας Landsat 8 OLI, οι οποίες είναι η κόκκινη και η NIR που χρησιμοποιούνται για την παραγωγή του NDVI.
Επίσης αποδεικνύεται ότι η χρήση του k-means, η οποία δεν απαιτεί την ανθρώπινη επίβλεψη, επιτρέπει τη διάκριση των αποτελεσμάτων του NDVI και τη γρήγορη απόδοση ετικετών στις τρεις ονομαστικές κλάσεις διατηρώντας πολύ υψηλό επίπεδο θεματικής ακρίβειας. Επομένως η μη επιβλεπόμενη ταξινόμηση είναι χρήσιμη για τη διάκριση λίγων, μη περίπλοκων και ευρείας κλίμακας κλάσεων κάλυψης γης, όπως το νερό, το γυμνό έδαφος και η βλάστηση και επιπλέον μπορεί να μειώσει τα σφάλματα του χειριστή κατά την αναγνώριση των περιοχών εκπαίδευσης. Τέλος η δημοσίευση στο διαδίκτυο του παραγόμενου θεματικού χάρτη, μια δύσκολη εργασία που συνήθως απαιτεί ειδικές δεξιότητες διαφορετικές από εκείνες που χαρακτηρίζουν τον παραδοσιακό χαρτογράφο, είναι δυνατή με γρήγορο τρόπο με τη χρήση ειδικών εργαλείων όπως το πρόσθετο QGIS2Web.

[[category:Χαρτογραφία]]

Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

2023-02-12T09:10:15Z

SIOMOS:

'''Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών'''

'''Πρωτότυπος τίτλος:''' ''Remotely sensed image fast classification and smart thematic map production''

'''Συγγραφείς: ''' Emanuele Alcaras , Pier Paolo Amoroso, Claudio Parente , Giuseppina Prezioso

'''Δημοσιεύθηκε: ''' ''23 Δεκεμβρίου 2021 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVI-4/W5-2021, 43–50, 2021''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVI-4-W5-2021-43-2021]

'''Λέξεις-Κλειδιά: ''' Thematic Map, Landsat 8 OLI, GIS, Image Classification, Smart Applications, Vegetation Index.

'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper3.1_image_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Γεωεντοπισμός της περιοχής μελέτης στο βόρειο τμήμα της Σικελίας (κόκκινο ορθογώνιο), σε ισόπλευρη προβολή και γεωγραφικές συντεταγμένες WGS84.]][[Εικόνα:RSpaper3.2_image_SIOMOS.png | thumb| right|'''Εικόνα 2.''' Φυσικό έγχρωμο σύνθετο RGB των εικόνων Landsat 8 OLI, σε συντεταγμένες επιπέδου της προβολής UTM-WGS84.]][[Εικόνα:RSpaper3.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Landsat 8 OLI.]][[Εικόνα:RSpaper3.3_image_SIOMOS.png | thumb| right|'''Εικόνα 3.''' Θεματικοί χάρτες με 3 κατηγορίες (νερό, έδαφος, βλάστηση), που προέκυψαν από πάνω προς τα κάτω με εφαρμογή αντίστοιχα των NDVI KM, RN KM, RGBN MD και 8MS ML.]][[Εικόνα:RSpaper3.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 2.''' Δείκτες θεματικής ακρίβειας που εφαρμόστηκαν στις μεθόδους ταξινόμησης.]][[RSpaper3.4_image_SIOMOS.png | thumb| right|'''Εικόνα 4.''' Απεικόνιση του θεματικού χάρτη από τον NDVI KM σε μορφή web σε επικάλυψη με το διανυσματικό αρχείο της Ιταλικής Περιφέρειας.]]

Οι εφαρμογές που διατίθενται για smartphone, καθώς και το λογισμικό για συσκευές GNSS/GIS, επιτρέπουν την εύκολη χαρτογράφηση του εντοπισμού και του σχήματος μιας περιοχής με την απόκτηση των συντεταγμένων των κορυφών του περιγράμματός της. Η επιλογή αυτή είναι χρήσιμη για την ταξινόμηση μέσω τηλεπισκόπησης, υποστηρίζοντας την ανίχνευση αντιπροσωπευτικών δειγματοληπτικών περιοχών ενός γνωστού τύπου κάλυψης που θα χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων ή για τη δοκιμή των αποτελεσμάτων ταξινόμησης.
Η παρούσα εργασία αποσκοπεί στην ανάλυση της δυνατότητας παραγωγής έξυπνων χαρτών από την ταξινόμηση τηλεπισκοπικών εικόνων με γρήγορο τρόπο. Η προσοχή επικεντρώνεται σε διαφορετικές μεθόδους που συγκρίνονται για τον εντοπισμό γρήγορης και ακριβούς διαδικασίας για την παραγωγή ενημερωμένων και αξιόπιστων χαρτών. Οι πολυφασματικές εικόνες Landsat 8 OLI υποβάλλονται σε διάφορους αλγορίθμους ταξινόμησης για τη διάκριση του νερού, του γυμνού εδάφους και της βλάστησης. Ο χάρτης που προκύπτει εισάγεται κατάλληλα σε μια ευρύτερη βάση δεδομένων με στόχο την αναπαράσταση της κατάστασης σε ένα χωροχρονικά εξελικτικό σενάριο και είναι κατάλληλος ώστε να αποτυπωθεί οποιαδήποτε μεταβολή προκαλείται, όπως π.χ. εντοπισμός καμένων περιοχών, καθορισμός περιοχών με βλάστηση για τουριστικούς σκοπούς κ.λπ.

'''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ'''

Η περιοχή μελέτης καλύπτει μια επιφάνεια 5.400 Km2 και βρίσκεται στο βόρειο τμήμα της Σικελίας (Ιταλία), όπως φαίνεται στις εικόνες (1) και (2). Η εξεταζόμενη περιοχή περιλαμβάνει πολλά από τα κύρια χαρακτηριστικά του νησιού όσον αφορά την κάλυψη γης, όπως πυκνή αλλά και διάσπαρτη βλάστηση, γυμνό έδαφος καλυμμένο με λάβα, μικρές δασώδεις εκτάσεις, καλλιεργούμενες εκτάσεις με καλή κατάσταση υγείας αλλά και σε γήρανση ,άγονες περιοχές, λίμνες νερού φυσικής και τεχνητής προέλευσης.Οι εικόνες Landsat 8 OLI περιλαμβάνουν 8 πολυφασματικές ζώνες (MS) και μία παγχρωματική ζώνη (PAN), όπως αναφέρεται στον πίνακα (1).

'''3. ΜΕΘΟΔΟΙ'''

Ακολουθούν τα βήματα για την παραγωγή ενός έξυπνου χάρτη:

'''3.1 Μετατροπή των τιμών BV σε ανακλαστικότητα στην κορυφή της ατμόσφαιρας (TOA) και ατμοσφαιρική διόρθωση εφαρμόζοντας το μοντέλο DOS'''

'''3.2 Ταξινόμηση των εικόνων'''

•''3.2.1 Μη Επιβλεπόμενη Ταξινόμηση''

Με εφαρμογή της μεθόδου K-means που είναι μια αριθμητική, μη εποπτευόμενη, μη ντετερμινιστική, επαναληπτική μέθοδος.

•''3.2.2 Επιβλεπόμενη Ταξινόμηση''

Στην οποία οι περιοχές εκπαίδευσης εντοπίζονται μέσω οπτικής ανάλυσης στη σύνθεση RGB, καθώς και μέσω της συμβουλευτικής εικόνας υψηλότερης ανάλυσης που αποκτήθηκε την ίδια περίοδο με εφαρμογή των μεθόδων της ελάχιστης απόστασης MD και της μέγιστης πιθανοφάνειας ΜL.

•''3.2.3 Δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI''

Με την εφαρμογή του NDVI (Normalized Difference Vegetation Index) παράγεται μια συνθετική εικόνα που χρειάζεται την εφαρμογή κριτηρίου ταξινόμησης για να κατηγοροποιηθούν στη συνέχεια εικονοστοιχεία νερού, γυμνού εδάφους και βλάστησης.

'''3.3 Αξιολόγηση της θεματικής ακρίβειας'''

Για να διαπιστωθεί η θεματική ακρίβεια των αποτελεσμάτων που προκύπτουν, επιλέγονται περιοχές δοκιμής, διαφορετικές από τις περιοχές εκπαίδευσης που χρησιμοποιούνται στην επιβλεπόμενη ταξινόμηση, και χρησιμοποιείται ο πίνακας σύγχυσης (Confusion Matrix) ως ποσοτική μέθοδος για την αξιολόγηση της ακρίβειας ταξινόμησης εικόνων, με τις τιμές των παραδοσιακών δεικτών που ονομάζονται Producer Accuracy (PA), User Accuracy (UA) και Overall Accuracy (OA)

'''3.4 Παραγωγή έξυπνων χαρτών για διαδικτυακή εφαρμογή'''

Οι εργασίες για τη δημοσίευση δεδομένων ΓΣΠ στο διαδίκτυο και την προσβασιμότητά τους σε άλλους χρήστες ονομάζονται συνήθως διαδικτυακή χαρτογράφηση. Τα προϊόντα που προκύπτουν είναι επίσης γνωστά ως "έξυπνοι χάρτες", δεδομένου ότι είναι κατάλληλα για έξυπνες εφαρμογές σε tablet και smartphone.
Στην παρούσα μελέτη μετατρέπουμε τους παραγόμενους θεματικούς χάρτες με το πρόσθετο QGIS2Web σε κατάλληλα αρχεία μορφής για να τους καταστήσουμε κατάλληλους για δημοσίευση στο διαδίκτυο. Με αυτόν τον τρόπο μπορούμε να τους χρησιμοποιήσουμε και για τον έλεγχο του επιτευχθέντος επιπέδου θεματικής ακρίβειας στην περίπτωση επιτόπιας παρατήρησης.

'''4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

Στην παρούσα μελέτη εφαρμόζονται οι μέθοδοι ταξινόμησης Minimum Distance, Maximum Likelihood και K-means σε όλες τις εικόνες Landsat 8 OLI ή σε μια επιλογή από αυτές καθώς και στον NDVI- ειδικότερα χρησιμοποιείται ο ακόλουθος συνδυασμός:

- NDVI με ελάχιστη απόσταση (NDVI MD),

- NDVI με μέγιστη πιθανοφάνεια (NDVI ML),

- NDVI με K-Means (NDVI KM),

- RED & NIR με ελάχιστη απόσταση (RN MD),

- RED & NIR με μέγιστη πιθανοφάνεια (RN ML),

- RED & NIR με K-Means (RN KM),

- RGB & NIR με ελάχιστη απόσταση (RGBN MD),

- RGB & NIR με μέγιστη πιθανοφάνεια (RGBN ML),

- RGB & NIR με K-Means (RGBN KM),

- Και οι 8 ζώνες MS με ελάχιστη απόσταση (8MS MD),

- Και οι 8 ζώνες MS με μέγιστη πιθανοφάνεια (8MS ML),

- Και οι 8 ζώνες MS με K-Means (8MS KM).

Οι έξοδοι ταξινομούνται σε τρεις κατηγορίες: νερό, γυμνό έδαφος και βλάστηση. Μια οπτική σύγκριση ορισμένων αποτελεσμάτων ταξινόμησης, συγκεκριμένα εκείνων που λαμβάνονται από τα NDVI KM, RN KM, RGBN MD και 8MS ML, παρουσιάζεται στην εικόνα (3).
Η μέθοδος NDVI KM είναι η πιο αποδοτική μέθοδος, παρέχοντας την υψηλότερη τιμή OA (0,9962) και τις βέλτιστες τιμές PA και UA, αφού είναι ίσες με 1, εκτός από την περίπτωση της PA της βλάστησης (0,9886) και της UA του εδάφους (0,9887).
Ο θεματικός χάρτης που προκύπτει από τον NDVI KM σε μορφή ιστού, ο οποίος παράγεται με τη χρήση του πρόσθετου QGIS2Web, παρουσιάζεται στην εικόνα (4):

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η μελέτη αυτή αποδεικνύει ότι οι θεματικοί διαδικτυακοί χάρτες που επικεντρώνονται στη διάκριση της γήινης επιφάνειας σε νερό, γυμνό έδαφος και βλάστηση μπορούν εύκολα να παραχθούν με αυτόματο τρόπο χρησιμοποιώντας λίγες ζώνες MS των δορυφορικών εικόνων, συγκεκριμένα μόνο δύο ζώνες της εικόνας Landsat 8 OLI, οι οποίες είναι η κόκκινη και η NIR που χρησιμοποιούνται για την παραγωγή του NDVI.
Επίσης αποδεικνύεται ότι η χρήση του k-means, η οποία δεν απαιτεί την ανθρώπινη επίβλεψη, επιτρέπει τη διάκριση των αποτελεσμάτων του NDVI και τη γρήγορη απόδοση ετικετών στις τρεις ονομαστικές κλάσεις διατηρώντας πολύ υψηλό επίπεδο θεματικής ακρίβειας. Επομένως η μη επιβλεπόμενη ταξινόμηση είναι χρήσιμη για τη διάκριση λίγων, μη περίπλοκων και ευρείας κλίμακας κλάσεων κάλυψης γης, όπως το νερό, το γυμνό έδαφος και η βλάστηση και επιπλέον μπορεί να μειώσει τα σφάλματα του χειριστή κατά την αναγνώριση των περιοχών εκπαίδευσης. Τέλος η δημοσίευση στο διαδίκτυο του παραγόμενου θεματικού χάρτη, μια δύσκολη εργασία που συνήθως απαιτεί ειδικές δεξιότητες διαφορετικές από εκείνες που χαρακτηρίζουν τον παραδοσιακό χαρτογράφο, είναι δυνατή με γρήγορο τρόπο με τη χρήση ειδικών εργαλείων όπως το πρόσθετο QGIS2Web.

[[category:Χαρτογραφία]]

Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

2023-02-12T09:05:25Z

SIOMOS:

'''Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών'''

'''Πρωτότυπος τίτλος:''' ''Remotely sensed image fast classification and smart thematic map production''

'''Συγγραφείς: ''' Emanuele Alcaras , Pier Paolo Amoroso, Claudio Parente , Giuseppina Prezioso

'''Δημοσιεύθηκε: ''' ''23 Δεκεμβρίου 2021 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVI-4/W5-2021, 43–50, 2021''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVI-4-W5-2021-43-2021]

'''Λέξεις-Κλειδιά: ''' Thematic Map, Landsat 8 OLI, GIS, Image Classification, Smart Applications, Vegetation Index.

'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper3.1_image_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Γεωεντοπισμός της περιοχής μελέτης στο βόρειο τμήμα της Σικελίας (κόκκινο ορθογώνιο), σε ισόπλευρη προβολή και γεωγραφικές συντεταγμένες WGS84.]][[Εικόνα:RSpaper3.2_image_SIOMOS.png | thumb| right|'''Εικόνα 2.''' Φυσικό έγχρωμο σύνθετο RGB των εικόνων Landsat 8 OLI, σε συντεταγμένες επιπέδου της προβολής UTM-WGS84.]][[Εικόνα:RSpaper3.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Landsat 8 OLI.]][[Εικόνα:RSpaper3.3_image_SIOMOS.png | thumb| right|'''Εικόνα 3.''' Θεματικοί χάρτες σε 3 κατηγορίες (νερό, έδαφος, βλάστηση), που προέκυψαν από (από το υψηλότερο προς το χαμηλότερο) NDVI KM, RN KM, RGBN MD και 8MS ML.]][[Εικόνα:RSpaper3.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 2.''' Δείκτες θεματικής ακρίβειας που εφαρμόστηκαν στις μεθόδους ταξινόμησης.]][[RSpaper3.4_image_SIOMOS.png | thumb| right|'''Εικόνα 4.''' Απεικόνιση του θεματικού χάρτη από τον NDVI KM σε μορφή web σε επικάλυψη με το διανυσματικό αρχείο της Ιταλικής Περιφέρειας.]]

Οι εφαρμογές που διατίθενται για smartphone, καθώς και το λογισμικό για συσκευές GNSS/GIS, επιτρέπουν την εύκολη χαρτογράφηση του εντοπισμού και του σχήματος μιας περιοχής με την απόκτηση των συντεταγμένων των κορυφών του περιγράμματός της. Η επιλογή αυτή είναι χρήσιμη για την ταξινόμηση μέσω τηλεπισκόπησης, υποστηρίζοντας την ανίχνευση αντιπροσωπευτικών δειγματοληπτικών περιοχών ενός γνωστού τύπου κάλυψης που θα χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων ή για τη δοκιμή των αποτελεσμάτων ταξινόμησης.
Η παρούσα εργασία αποσκοπεί στην ανάλυση της δυνατότητας παραγωγής έξυπνων χαρτών από την ταξινόμηση τηλεπισκοπικών εικόνων με γρήγορο τρόπο. Η προσοχή επικεντρώνεται σε διαφορετικές μεθόδους που συγκρίνονται για τον εντοπισμό γρήγορης και ακριβούς διαδικασίας για την παραγωγή ενημερωμένων και αξιόπιστων χαρτών. Οι πολυφασματικές εικόνες Landsat 8 OLI υποβάλλονται σε διάφορους αλγορίθμους ταξινόμησης για τη διάκριση του νερού, του γυμνού εδάφους και της βλάστησης. Ο χάρτης που προκύπτει εισάγεται κατάλληλα σε μια ευρύτερη βάση δεδομένων με στόχο την αναπαράσταση της κατάστασης σε ένα χωροχρονικά εξελικτικό σενάριο και είναι κατάλληλος ώστε να αποτυπωθεί οποιαδήποτε μεταβολή προκαλείται, όπως π.χ. εντοπισμός καμένων περιοχών, καθορισμός περιοχών με βλάστηση για τουριστικούς σκοπούς κ.λπ.

'''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ'''

Η περιοχή μελέτης καλύπτει μια επιφάνεια 5.400 Km2 και βρίσκεται στο βόρειο τμήμα της Σικελίας (Ιταλία), όπως φαίνεται στις εικόνες (1) και (2). Η εξεταζόμενη περιοχή περιλαμβάνει πολλά από τα κύρια χαρακτηριστικά του νησιού όσον αφορά την κάλυψη γης, όπως πυκνή αλλά και διάσπαρτη βλάστηση, γυμνό έδαφος καλυμμένο με λάβα, μικρές δασώδεις εκτάσεις, καλλιεργούμενες εκτάσεις με καλή κατάσταση υγείας αλλά και σε γήρανση ,άγονες περιοχές, λίμνες νερού φυσικής και τεχνητής προέλευσης.Οι εικόνες Landsat 8 OLI περιλαμβάνουν 8 πολυφασματικές ζώνες (MS) και μία παγχρωματική ζώνη (PAN), όπως αναφέρεται στον πίνακα (1).

'''3. ΜΕΘΟΔΟΙ'''

Ακολουθούν τα βήματα για την παραγωγή ενός έξυπνου χάρτη:

'''3.1 Μετατροπή των τιμών BV σε ανακλαστικότητα στην κορυφή της ατμόσφαιρας (TOA) και ατμοσφαιρική διόρθωση εφαρμόζοντας το μοντέλο DOS'''

'''3.2 Ταξινόμηση των εικόνων'''

•''3.2.1 Μη Επιβλεπόμενη Ταξινόμηση''

Με εφαρμογή της μεθόδου K-means που είναι μια αριθμητική, μη εποπτευόμενη, μη ντετερμινιστική, επαναληπτική μέθοδος.

•''3.2.2 Επιβλεπόμενη Ταξινόμηση''

Στην οποία οι περιοχές εκπαίδευσης εντοπίζονται μέσω οπτικής ανάλυσης στη σύνθεση RGB, καθώς και μέσω της συμβουλευτικής εικόνας υψηλότερης ανάλυσης που αποκτήθηκε την ίδια περίοδο με εφαρμογή των μεθόδων της ελάχιστης απόστασης MD και της μέγιστης πιθανοφάνειας ΜL.

•''3.2.3 Δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI''

Με την εφαρμογή του NDVI (Normalized Difference Vegetation Index) παράγεται μια συνθετική εικόνα που χρειάζεται την εφαρμογή κριτηρίου ταξινόμησης για να κατηγοροποιηθούν στη συνέχεια εικονοστοιχεία νερού, γυμνού εδάφους και βλάστησης.

'''3.3 Αξιολόγηση της θεματικής ακρίβειας'''

Για να διαπιστωθεί η θεματική ακρίβεια των αποτελεσμάτων που προκύπτουν, επιλέγονται περιοχές δοκιμής, διαφορετικές από τις περιοχές εκπαίδευσης που χρησιμοποιούνται στην επιβλεπόμενη ταξινόμηση, και χρησιμοποιείται ο πίνακας σύγχυσης (Confusion Matrix) ως ποσοτική μέθοδος για την αξιολόγηση της ακρίβειας ταξινόμησης εικόνων, με τις τιμές των παραδοσιακών δεικτών που ονομάζονται Producer Accuracy (PA), User Accuracy (UA) και Overall Accuracy (OA)

'''3.4 Παραγωγή έξυπνων χαρτών για διαδικτυακή εφαρμογή'''

Οι εργασίες για τη δημοσίευση δεδομένων ΓΣΠ στο διαδίκτυο και την προσβασιμότητά τους σε άλλους χρήστες ονομάζονται συνήθως διαδικτυακή χαρτογράφηση. Τα προϊόντα που προκύπτουν είναι επίσης γνωστά ως "έξυπνοι χάρτες", δεδομένου ότι είναι κατάλληλα για έξυπνες εφαρμογές σε tablet και smartphone.
Στην παρούσα μελέτη μετατρέπουμε τους παραγόμενους θεματικούς χάρτες με το πρόσθετο QGIS2Web σε κατάλληλα αρχεία μορφής για να τους καταστήσουμε κατάλληλους για δημοσίευση στο διαδίκτυο. Με αυτόν τον τρόπο μπορούμε να τους χρησιμοποιήσουμε και για τον έλεγχο του επιτευχθέντος επιπέδου θεματικής ακρίβειας στην περίπτωση επιτόπιας παρατήρησης.

'''4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

Στην παρούσα μελέτη εφαρμόζονται οι μέθοδοι ταξινόμησης Minimum Distance, Maximum Likelihood και K-means σε όλες τις εικόνες Landsat 8 OLI ή σε μια επιλογή από αυτές καθώς και στον NDVI- ειδικότερα χρησιμοποιείται ο ακόλουθος συνδυασμός:

- NDVI με ελάχιστη απόσταση (NDVI MD),

- NDVI με μέγιστη πιθανοφάνεια (NDVI ML),

- NDVI με K-Means (NDVI KM),

- RED & NIR με ελάχιστη απόσταση (RN MD),

- RED & NIR με μέγιστη πιθανοφάνεια (RN ML),

- RED & NIR με K-Means (RN KM),

- RGB & NIR με ελάχιστη απόσταση (RGBN MD),

- RGB & NIR με μέγιστη πιθανοφάνεια (RGBN ML),

- RGB & NIR με K-Means (RGBN KM),

- Και οι 8 ζώνες MS με ελάχιστη απόσταση (8MS MD),

- Και οι 8 ζώνες MS με μέγιστη πιθανοφάνεια (8MS ML),

- Και οι 8 ζώνες MS με K-Means (8MS KM).

Οι έξοδοι ταξινομούνται σε τρεις κατηγορίες: νερό, γυμνό έδαφος και βλάστηση. Μια οπτική σύγκριση ορισμένων αποτελεσμάτων ταξινόμησης, συγκεκριμένα εκείνων που λαμβάνονται από τα NDVI KM, RN KM, RGBN MD και 8MS ML, παρουσιάζεται στην εικόνα (3).
Η μέθοδος NDVI KM είναι η πιο αποδοτική μέθοδος, παρέχοντας την υψηλότερη τιμή OA (0,9962) και τις βέλτιστες τιμές PA και UA, αφού είναι ίσες με 1, εκτός από την περίπτωση της PA της βλάστησης (0,9886) και της UA του εδάφους (0,9887).
Ο θεματικός χάρτης που προκύπτει από τον NDVI KM σε μορφή ιστού, ο οποίος παράγεται με τη χρήση του πρόσθετου QGIS2Web, παρουσιάζεται στην εικόνα (4):

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η μελέτη αυτή αποδεικνύει ότι οι θεματικοί διαδικτυακοί χάρτες που επικεντρώνονται στη διάκριση της γήινης επιφάνειας σε νερό, γυμνό έδαφος και βλάστηση μπορούν εύκολα να παραχθούν με αυτόματο τρόπο χρησιμοποιώντας λίγες ζώνες MS των δορυφορικών εικόνων, συγκεκριμένα μόνο δύο ζώνες της εικόνας Landsat 8 OLI, οι οποίες είναι η κόκκινη και η NIR που χρησιμοποιούνται για την παραγωγή του NDVI.
Επίσης αποδεικνύεται ότι η χρήση του k-means, η οποία δεν απαιτεί την ανθρώπινη επίβλεψη, επιτρέπει τη διάκριση των αποτελεσμάτων του NDVI και τη γρήγορη απόδοση ετικετών στις τρεις ονομαστικές κλάσεις διατηρώντας πολύ υψηλό επίπεδο θεματικής ακρίβειας. Επομένως η μη επιβλεπόμενη ταξινόμηση είναι χρήσιμη για τη διάκριση λίγων, μη περίπλοκων και ευρείας κλίμακας κλάσεων κάλυψης γης, όπως το νερό, το γυμνό έδαφος και η βλάστηση και επιπλέον μπορεί να μειώσει τα σφάλματα του χειριστή κατά την αναγνώριση των περιοχών εκπαίδευσης. Τέλος η δημοσίευση στο διαδίκτυο του παραγόμενου θεματικού χάρτη, μια δύσκολη εργασία που συνήθως απαιτεί ειδικές δεξιότητες διαφορετικές από εκείνες που χαρακτηρίζουν τον παραδοσιακό χαρτογράφο, είναι δυνατή με γρήγορο τρόπο με τη χρήση ειδικών εργαλείων όπως το πρόσθετο QGIS2Web.

[[category:Χαρτογραφία]]

Αρχείο:RSpaper3.2 Table SIOMOS.png

2023-02-12T09:04:30Z

SIOMOS:

Αρχείο:RSpaper3.4 image SIOMOS.png

2023-02-12T09:04:07Z

SIOMOS:

Αρχείο:RSpaper3.3 image SIOMOS.png

2023-02-12T09:02:36Z

SIOMOS:

Αρχείο:RSpaper3.1 Table SIOMOS.png

2023-02-12T08:59:48Z

SIOMOS:

Αρχείο:RSpaper3.2 image SIOMOS.png

2023-02-12T08:48:11Z

SIOMOS:

Αρχείο:RSpaper3.1 image SIOMOS.png

2023-02-12T08:46:12Z

SIOMOS:

Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

2023-02-12T08:39:45Z

SIOMOS:

'''Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών'''

'''Πρωτότυπος τίτλος:''' ''Remotely sensed image fast classification and smart thematic map production''

'''Συγγραφείς: ''' Emanuele Alcaras , Pier Paolo Amoroso, Claudio Parente , Giuseppina Prezioso

'''Δημοσιεύθηκε: ''' ''23 Δεκεμβρίου 2021 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVI-4/W5-2021, 43–50, 2021''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVI-4-W5-2021-43-2021]

'''Λέξεις-Κλειδιά: ''' Thematic Map, Landsat 8 OLI, GIS, Image Classification, Smart Applications, Vegetation Index.

'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).]]

Οι εφαρμογές που διατίθενται για smartphone, καθώς και το λογισμικό για συσκευές GNSS/GIS, επιτρέπουν την εύκολη χαρτογράφηση του εντοπισμού και του σχήματος μιας περιοχής με την απόκτηση των συντεταγμένων των κορυφών του περιγράμματός της. Η επιλογή αυτή είναι χρήσιμη για την ταξινόμηση μέσω τηλεπισκόπησης, υποστηρίζοντας την ανίχνευση αντιπροσωπευτικών δειγματοληπτικών περιοχών ενός γνωστού τύπου κάλυψης που θα χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων ή για τη δοκιμή των αποτελεσμάτων ταξινόμησης.
Η παρούσα εργασία αποσκοπεί στην ανάλυση της δυνατότητας παραγωγής έξυπνων χαρτών από την ταξινόμηση τηλεπισκοπικών εικόνων με γρήγορο τρόπο. Η προσοχή επικεντρώνεται σε διαφορετικές μεθόδους που συγκρίνονται για τον εντοπισμό γρήγορης και ακριβούς διαδικασίας για την παραγωγή ενημερωμένων και αξιόπιστων χαρτών. Οι πολυφασματικές εικόνες Landsat 8 OLI υποβάλλονται σε διάφορους αλγορίθμους ταξινόμησης για τη διάκριση του νερού, του γυμνού εδάφους και της βλάστησης. Ο χάρτης που προκύπτει εισάγεται κατάλληλα σε μια ευρύτερη βάση δεδομένων με στόχο την αναπαράσταση της κατάστασης σε ένα χωροχρονικά εξελικτικό σενάριο και είναι κατάλληλος ώστε να αποτυπωθεί οποιαδήποτε μεταβολή προκαλείται, όπως π.χ. εντοπισμός καμένων περιοχών, καθορισμός περιοχών με βλάστηση για τουριστικούς σκοπούς κ.λπ.

'''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ'''

Η περιοχή μελέτης καλύπτει μια επιφάνεια 5.400 Km2 και βρίσκεται στο βόρειο τμήμα της Σικελίας (Ιταλία), όπως φαίνεται στις εικόνες (1) και (2). Η εξεταζόμενη περιοχή περιλαμβάνει πολλά από τα κύρια χαρακτηριστικά του νησιού όσον αφορά την κάλυψη γης, όπως πυκνή αλλά και διάσπαρτη βλάστηση, γυμνό έδαφος καλυμμένο με λάβα, μικρές δασώδεις εκτάσεις, καλλιεργούμενες εκτάσεις με καλή κατάσταση υγείας αλλά και σε γήρανση ,άγονες περιοχές, λίμνες νερού φυσικής και τεχνητής προέλευσης.Οι εικόνες Landsat 8 OLI περιλαμβάνουν 8 πολυφασματικές ζώνες (MS) και μία παγχρωματική ζώνη (PAN), όπως αναφέρεται στον πίνακα (1).

[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2.''' Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM]][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Sentinel-2.]]

'''3. ΜΕΘΟΔΟΙ'''

Ακολουθούν τα βήματα για την παραγωγή ενός έξυπνου χάρτη:

'''3.1 Μετατροπή των τιμών BV σε ανακλαστικότητα στην κορυφή της ατμόσφαιρας (TOA) και ατμοσφαιρική διόρθωση εφαρμόζοντας το μοντέλο DOS'''

'''3.2 Ταξινόμηση των εικόνων'''

•''3.2.1 Μη Επιβλεπόμενη Ταξινόμηση''

Με εφαρμογή της μεθόδου K-means που είναι μια αριθμητική, μη εποπτευόμενη, μη ντετερμινιστική, επαναληπτική μέθοδος.

•''3.2.2 Επιβλεπόμενη Ταξινόμηση''

Στην οποία οι περιοχές εκπαίδευσης εντοπίζονται μέσω οπτικής ανάλυσης στη σύνθεση RGB, καθώς και μέσω της συμβουλευτικής εικόνας υψηλότερης ανάλυσης που αποκτήθηκε την ίδια περίοδο με εφαρμογή των μεθόδων της ελάχιστης απόστασης MD και της μέγιστης πιθανοφάνειας ΜL.

•''3.2.3 Δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI''

Με την εφαρμογή του NDVI (Normalized Difference Vegetation Index) παράγεται μια συνθετική εικόνα που χρειάζεται την εφαρμογή κριτηρίου ταξινόμησης για να κατηγοροποιηθούν στη συνέχεια εικονοστοιχεία νερού, γυμνού εδάφους και βλάστησης.

'''3.3 Αξιολόγηση της θεματικής ακρίβειας'''

Για να διαπιστωθεί η θεματική ακρίβεια των αποτελεσμάτων που προκύπτουν, επιλέγονται περιοχές δοκιμής, διαφορετικές από τις περιοχές εκπαίδευσης που χρησιμοποιούνται στην επιβλεπόμενη ταξινόμηση, και χρησιμοποιείται ο πίνακας σύγχυσης (Confusion Matrix) ως ποσοτική μέθοδος για την αξιολόγηση της ακρίβειας ταξινόμησης εικόνων, με τις τιμές των παραδοσιακών δεικτών που ονομάζονται Producer Accuracy (PA), User Accuracy (UA) και Overall Accuracy (OA)

'''3.4 Παραγωγή έξυπνων χαρτών για διαδικτυακή εφαρμογή'''

Οι εργασίες για τη δημοσίευση δεδομένων ΓΣΠ στο διαδίκτυο και την προσβασιμότητά τους σε άλλους χρήστες ονομάζονται συνήθως διαδικτυακή χαρτογράφηση. Τα προϊόντα που προκύπτουν είναι επίσης γνωστά ως "έξυπνοι χάρτες", δεδομένου ότι είναι κατάλληλα για έξυπνες εφαρμογές σε tablet και smartphone.
Στην παρούσα μελέτη μετατρέπουμε τους παραγόμενους θεματικούς χάρτες με το πρόσθετο QGIS2Web σε κατάλληλα αρχεία μορφής για να τους καταστήσουμε κατάλληλους για δημοσίευση στο διαδίκτυο. Με αυτόν τον τρόπο μπορούμε να τους χρησιμοποιήσουμε και για τον έλεγχο του επιτευχθέντος επιπέδου θεματικής ακρίβειας στην περίπτωση επιτόπιας παρατήρησης.

'''4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

Στην παρούσα μελέτη εφαρμόζονται οι μέθοδοι ταξινόμησης Minimum Distance, Maximum Likelihood και K-means σε όλες τις εικόνες Landsat 8 OLI ή σε μια επιλογή από αυτές καθώς και στον NDVI- ειδικότερα χρησιμοποιείται ο ακόλουθος συνδυασμός:

- NDVI με ελάχιστη απόσταση (NDVI MD),

- NDVI με μέγιστη πιθανοφάνεια (NDVI ML),

- NDVI με K-Means (NDVI KM),

- RED & NIR με ελάχιστη απόσταση (RN MD),

- RED & NIR με μέγιστη πιθανοφάνεια (RN ML),

- RED & NIR με K-Means (RN KM),

- RGB & NIR με ελάχιστη απόσταση (RGBN MD),

- RGB & NIR με μέγιστη πιθανοφάνεια (RGBN ML),

- RGB & NIR με K-Means (RGBN KM),

- Και οι 8 ζώνες MS με ελάχιστη απόσταση (8MS MD),

- Και οι 8 ζώνες MS με μέγιστη πιθανοφάνεια (8MS ML),

- Και οι 8 ζώνες MS με K-Means (8MS KM).

Οι έξοδοι ταξινομούνται σε τρεις κατηγορίες: νερό, γυμνό έδαφος και βλάστηση. Μια οπτική σύγκριση ορισμένων αποτελεσμάτων ταξινόμησης, συγκεκριμένα εκείνων που λαμβάνονται από τα NDVI KM, RN KM, RGBN MD και 8MS ML, παρουσιάζεται στην εικόνα (3).
Η μέθοδος NDVI KM είναι η πιο αποδοτική μέθοδος, παρέχοντας την υψηλότερη τιμή OA (0,9962) και τις βέλτιστες τιμές PA και UA, αφού είναι ίσες με 1, εκτός από την περίπτωση της PA της βλάστησης (0,9886) και της UA του εδάφους (0,9887).
Ο θεματικός χάρτης που προκύπτει από τον NDVI KM σε μορφή ιστού, ο οποίος παράγεται με τη χρήση του πρόσθετου QGIS2Web, παρουσιάζεται στην εικόνα (4):

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η μελέτη αυτή αποδεικνύει ότι οι θεματικοί διαδικτυακοί χάρτες που επικεντρώνονται στη διάκριση της γήινης επιφάνειας σε νερό, γυμνό έδαφος και βλάστηση μπορούν εύκολα να παραχθούν με αυτόματο τρόπο χρησιμοποιώντας λίγες ζώνες MS των δορυφορικών εικόνων, συγκεκριμένα μόνο δύο ζώνες της εικόνας Landsat 8 OLI, οι οποίες είναι η κόκκινη και η NIR που χρησιμοποιούνται για την παραγωγή του NDVI.
Επίσης αποδεικνύεται ότι η χρήση του k-means, η οποία δεν απαιτεί την ανθρώπινη επίβλεψη, επιτρέπει τη διάκριση των αποτελεσμάτων του NDVI και τη γρήγορη απόδοση ετικετών στις τρεις ονομαστικές κλάσεις διατηρώντας πολύ υψηλό επίπεδο θεματικής ακρίβειας. Επομένως η μη επιβλεπόμενη ταξινόμηση είναι χρήσιμη για τη διάκριση λίγων, μη περίπλοκων και ευρείας κλίμακας κλάσεων κάλυψης γης, όπως το νερό, το γυμνό έδαφος και η βλάστηση και επιπλέον μπορεί να μειώσει τα σφάλματα του χειριστή κατά την αναγνώριση των περιοχών εκπαίδευσης. Τέλος η δημοσίευση στο διαδίκτυο του παραγόμενου θεματικού χάρτη, μια δύσκολη εργασία που συνήθως απαιτεί ειδικές δεξιότητες διαφορετικές από εκείνες που χαρακτηρίζουν τον παραδοσιακό χαρτογράφο, είναι δυνατή με γρήγορο τρόπο με τη χρήση ειδικών εργαλείων όπως το πρόσθετο QGIS2Web.

[[category:Χαρτογραφία]]

Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

2023-02-12T08:30:44Z

SIOMOS:

Σιώμος Γεώργιος

2023-02-12T07:12:30Z

SIOMOS:

[[Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2]]

[[Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων]]

[[Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών]]

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

Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

2023-02-12T07:10:36Z

SIOMOS: Νέα σελίδα με ''''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη δ...'

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-12T06:34:43Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Μη επιβλεπόμενη ταξινόμηση, K-Means, Sentinel-2, εξαγωγή ακτογραμμής, GIS, DEM.

'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).]]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η ακτογραμμή που εξάγεται χειροκίνητα και βασίζεται στη φωτοερμηνεία RGB.

'''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2.''' Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM]][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Sentinel-2.]]

'''3. ΜΕΘΟΔΟΙ'''

'''3.1 Υπολογισμός του δείκτη'''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3.''' NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)]]

'''3.2 Κατηγοριοποίηση K-Means'''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4.''' Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.]]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

'''3.3 Αξιολόγηση ακρίβειας'''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2.''' Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά]] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3.''' Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.]]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4.''' Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς]][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5.''' Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.]]

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

[[category:Μελέτη της διάβρωσης των ακτογραμμών]]

Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων

2023-02-12T04:57:35Z

SIOMOS:

'''Πρωτότυπος τίτλος:''' ''Post-Fire Forest Vegetation State Monitoring through Satellite Remote Sensing and In Situ Data''

'''Συγγραφείς: ''' Daniela Avetisyan, Εmiliya Velizarova, Lachezar Filchev

'''Δημοσιεύθηκε: ''' ''Remote Sens. 2022, 14(24), 6266 - 10 Dec 2022 ''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.3390/rs14246266]

'''Λέξεις κλειδιά: ''' επιπτώσεις της πυρκαγιάς- δασική αποκατάσταση μετά την πυρκαγιά- δασικά τοπία- δείκτες βλάστησης- ορθογώνιος μετασχηματισμός- Sentinel-2

''' 1. ΕΙΣΑΓΩΓΗ ''' [[Εικόνα:RSpaper1.1 SIOMOS.jpg | thumb| right|'''Εικόνα 1.''' Τοποθεσία της περιοχής μελέτης και αλλαγή της κάλυψης γης πριν από την πυρκαγιά 2013 (a) και μετά την πυρκαγιά 2016 (b), 2018 (c) και 2020 (d) έτη. Πηγή: Google Earth Pro-Airbus και εικόνες της Maxar Technologies.''']]

Τις τελευταίες δεκαετίες έχει παρατηρηθεί αυξημένη συχνότητα και σφοδρότητα στις δασικές πυρκαγιές, ιδιαίτερα στις περιοχές που έχουν υποστεί πιέσεις από την κλιματική αλλαγή για μεγάλο χρονικό διάστημα εξαιτίας των ασυνήθιστων υψηλών θερμοκρασιών. Η Διεθνής Ομάδα για την Κλιματική Αλλαγή τοποθετεί τη Μεσόγειο ανάμεσα στις πιο ευάλωτες περιοχές στις επιπτώσεις της παγκόσμιας υπερθέρμανσης, με τα μοντέλα της να προβλέπουν άνοδο της μέσης θερμοκρασίας μέχρι και 5,1 °C μέχρι το 2100 και παράλληλη μείωση της βροχόπτωσης μέχρι και 27%. Συγκεκριμένα στην Βουλγαρία, το τμήμα μετεωρολογίας της Βουλγαρικής Ακαδημίας Επιστημών προβλέπει αύξηση της θερμοκρασίας μέχρι και 1.8 °C, γεγονός που αυξάνει τον κίνδυνο για δασικές πυρκαγιές στην περιοχή.

Τα τελευταία χρόνια, η τηλεπισκόπηση υψηλής ανάλυσης χρησιμοποιείται ευρέως για την παρακολούθηση διαφόρων φαινομένων καθώς παρέχει πολυφασματικές και πολυχρονικές εικόνες σε πολλαπλές κλίμακες. Συγκεκριμένα σχετικά με τις δασικές πυρκαγιές, η σύγκριση μεταπυρικών και προπυρικών πολυφασματικών εικόνων επιτρέπει την μελέτη και παρακολούθηση των επιπτώσεων τους στην βλάστηση. Τέτοιες μελέτες συνήθως στοχεύουν στην χαρτογράφηση των καμένων περιοχών, στην εκτίμηση της σφοδρότητας της πυρκαγιάς και στην παρακολούθηση του ρυθμού αναγέννησης και βασίζονται σε δείκτες όπως ο κανονικοποιημένος λόγος καύσης (NBR), ο δείκτης βλάστησης κανονικοποιημένης διαφοράς (NDVI), ο τροποποιημένος δείκτης απορρόφησης χλωροφύλλης (MCARI2), ο δείκτης στρες υγρασίας (MSI), ο κανονικοποιημένος διαφορικός δείκτης πρασίνου (NDGI), ο δείκτης κανονικής διαφορικής υγρασίας (NDWNI), και ο δείκτης διαταραχής (DI). Ωστόσο ο ρυθμός αναγέννησης μίας δασικής περιοχής εξαρτάται και από πολλούς άλλους παράγοντες, όπως το κλίμα, τα χαρακτηριστικά του εδάφους, τη τοπογραφία της περιοχής και τη σύνθεση της βλάστησης. Για αυτόν τον λόγο, η ανάκτηση της βλάστησης μετά από μία πυρκαγιά δεν μπορεί να αξιολογηθεί μόνο με την εφαρμογή ενός ενιαίου φασματικού δείκτη.

Αυτή η εργασία εξετάζει τα στάδια ανάκτησης της δασικής βλάστησης κατά τη διάρκεια μιας περιόδου έξι ετών μετά από μια πυρκαγιά στην περιοχή Ardino της Βουλγαρίας. Η μελέτη στοχεύει να παρουσιάσει τις δυνατότητες για την χρησιμοποίηση εικόνων τηλεπισκόπησης των δορυφόρων Sentinel-2 και αντίστοιχων δεικτών για την μεταπυρική διαχείριση των δασών. Η μελέτη χρησιμοποίησε δύο ομάδες φασματικών δεικτών για την παρακολούθηση της πυρόπληκτης περιοχής. Η πρώτη ομάδα περιλαμβάνει δείκτες βλάστησης που χρησιμοποιούν μεμονωμένες φασματικές ζώνες για τον υπολογισμό τους (δείκτης βλάστησης κανονικοποιημένης διαφοράς (NDVI), τροποποιημένος δείκτης απορρόφησης χλωροφύλλης (MCARI2), δείκτης στρες υγρασίας (MSI)) και η δεύτερη ομάδα περιλαμβάνει δείκτες που χρησιμοποιούν ένα μεγαλύτερο εύρος φασματικών πληροφοριών μέσω της ορθογωνοποίησης πολυφασματικών δεδομένων (κανονικοποιημένος διαφορικός δείκτης πρασίνου (NDGI), δείκτης κανονικής διαφορικής υγρασίας (NDWNI), δείκτης διαταραχής (DI)). Επίσης στην ερμηνεία των αποτελεσμάτων λήφθηκαν υπόψη και εδαφικά δεδομένα όπως οι κλίσεις των πλαγιών αλλά και η προπυρική κατάσταση της βλάστησης .

''' 2. ΜΕΘΟΔΟΙ ΚΑΙ ΥΛΙΚΑ '''

''' 2.1 Περιοχή Μελέτης'''

Η περιοχή μελέτης βρίσκεται στο νοτιοανατολικό τμήμα της οροσειράς της Ροδόπης, κοντά πόλη Ardino. Στις 29 Ιουλίου 2016 σημαντική πυρκαγιά έλαβε χώρα στην περιοχή μελέτης και κατέλαβε μία έκταση 100 εκταρίων. Η περιοχή χαρακτηρίζεται από ηπειρωτικό μεσογειακό κλίμα.

''' 2.2. Χαρακτηριστικά των κλιματικών ανωμαλιών που παρατηρήθηκαν κατά την περίοδο 2016-2021 ''' [[Εικόνα:RSpaper1.2_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Ανωμαλίες της μέσης θερμοκρασίας αέρα (α) και του αθροίσματος των βροχοπτώσεων (β) για την περίοδο 2016- 2021 σε ετήσια βάση και για τους καλοκαιρινούς μήνες (Ιούλιος, Αύγουστος και Σεπτέμβριος).]]

Στην εικόνα 2 παρουσιάζονται οι ανωμαλίες της μέσης θερμοκρασίας του αέρα και του αθροίσματος της βροχόπτωσης για την περίοδο 2016-2021 σε ετήσια βάση και για τους καλοκαιρινούς μήνες (Ιούλιος, Αύγουστος και Σεπτέμβριος). Ως αναφορά χρησιμοποιήθηκε η περίοδος μεταξύ 1981 και 2010.

''' 2.3 Δεδομένα '''

'' 2.3.1 Επιτόπια Δεδομένα ''

Τα επιτόπια δεδομένα περιελάμβαναν κλιματικά δεδομένα από την μετεωρολογικό σταθμό Kardzhali, δεδομένα εδαφολογικής σύστασης από το Ευρωπαϊκό κέντρο δεδομένων εδάφους, και διαδραστικά τρισδιάστατα πανοράματα το οποία συλλέχθηκαν για 8 τοποθεσίες μέσω του Google StreetView το καλοκαίρι του 2021.

'' 2.3.2 Δορυφορικά Δεδομένα ''

Δορυφορικά δεδομένα συλλέχθηκαν από τους πολυφασματικούς αισθητήρες Sentinel-2A και Sentinel-2B. Ένα ψηφιακό μοντέλο υψομέτρου (DEM) με χωρική ανάλυση 25 m χρησιμοποιήθηκε για τον υπολογισμό των κλίσεων.

''' 2.4 Μέθοδοι '''[[Εικόνα:RSpaper1.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1.''' Φασματικοί δείκτες που υπολογίστηκαν στην παρούσα μελέτη.]]

Η προτεινόμενη προσέγγιση για την παρακολούθηση της κατάστασης της βλάστησης μετά την πυρκαγιά περιλαμβάνει τα ακόλουθα βασικά βήματα. Πρώτον, υπολογίζονται οι φασματικοί δείκτες για την περίοδο μεταξύ 2016 και 2021. Δεύτερον, πραγματοποιούνται αναλύσεις στατιστικής παλινδρόμησης χρησιμοποιώντας τρεις από τους φασματικούς δείκτες ως μεταβλητές (DI, MCARI2 και MSI). Τρίτον, εξετάζονται οι διαφορές στα τοπία βάσει των κλίσεων του και της επίδραση τους στον λόγο θερμότητας-υγρασίας. Στο τελικό βήμα επικυρώνονται τα αποτελέσματα με αναλύσεις στατιστικής παλινδρόμησης χρησιμοποιώντας τα δασικά HRL καθώς και τρισδιάστατα διαδραστικά πανοράματα από το Google Street View για τη δημιουργία φωτογραφιών προς διάφορες κατευθύνσεις. Οι φασματικοί δείκτες που παρουσιάζονται στον Πίνακα 1 επιλέχθηκαν και υπολογίστηκαν για την αξιολόγηση της κατάστασης βλάστησης μετά την πυρκαγιά.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

''' 3.1. Ανάκτηση δασικής βλάστησης για ολόκληρη την περιοχή μελέτης '''[[Εικόνα:RSpaper1.3_SIOMOS.jpg | thumb| right|'''Εικόνα 3.''' Δυναμική των φασματικών δεικτών που υπολογίστηκαν για την περίοδο 2016-2021.]][[Εικόνα:RSpaper1.2_Table_SIOMOS.png | thumb| right|'''Πίνακας 2.''' Μέσες τιμές των φασματικών δεικτών για τις διάφορες πτυχές κλίσης στα υπό μελέτη έτη.]]

Οι περιοχές με αρνητικές τιμές NDGI κυριαρχούσαν μέχρι το 2019, ωστόσο οι τιμές ήταν αρνητικές ακόμη και ένα χρόνο πριν από την πυρκαγιά, γεγονός που υποδηλώνει υποβαθμισμένη κατάσταση βλάστησης. Οι περιοχές με αρνητικές τιμές NDGI είχαν μέγιστη εδαφική εξάπλωση κατά το έτος πριν από την πυρκαγιά και ένα χρόνο μετά την πυρκαγιά. (Εικόνα 3, Πίνακας Α2). Οι περιοχές με θετικές τιμές NDGI είχαν ελάχιστη εξάπλωση το έτος αμέσως μετά την πυρκαγιά αλλά είχαν την υψηλότερη αύξηση μεταξύ 2019 και 2020.Παραδόξως, οι περιοχές χωρίς διαταραχές ή με αρνητικές τιμές DI επικράτησαν καθ' όλη τη διάρκεια της περιόδου που μελετήθηκε. Ωστόσο, οι τιμές ήταν υψηλότερες το έτος πριν την πυρκαγιάς. Το πρώτο έτος μετά την πυρκαγιά χαρακτηρίστηκε από το πιο έντονο στρες λόγω έλλειψης υγρασίας. Την ίδια χρονιά, παρατηρήθηκε επίσης η υψηλότερη εδαφική εξάπλωση της κατηγορίας με τιμές MSI πάνω από 1,5 ενώ η κατηγορία MSI με τιμές μεταξύ 0,5 και 1,5 είχε το μεγαλύτερο μερίδιο της περιοχής. Όσον αφορά το NDWNI, η μέγιστη επιφάνεια ήταν κυρίως στην κατηγορία μεταξύ − 0,2 και 0,2, υποδηλώνοντας ασθενή δυναμική στην περιεκτικότητα σε υγρασία. Η μέγιστη εδαφική εξάπλωση σχετικά με τους δείκτες NDVI παρατηρήθηκε κατά τα έτη 2018-2019 για τις μεγαλύτερες τιμές των δεικτών.

''' 3.2 Ανάκτηση δασικής βλάστησης στις επιμέρους πτυχές της κλίσης '''

Η ανάλυση των τιμών των δεικτών στις επιμέρους εκθέσεις στις πλαγιές έδειξε ότι τα πρώτα τρία χρόνια μετά την πυρκαγιά, οι πλαγιές με νοτιοδυτικό προσανατολισμό είχαν ταχύτερη ανάκτηση βλάστησης και λιγότερη καταπόνηση υγρασίας. Αυτές οι κλίσεις είχαν τις υψηλότερες τιμές των NDVI και MCARI2 και τις χαμηλότερες τιμές του MSI. (Πίνακας 2) Τα δύο τελευταία χρόνια μετά την πυρκαγιά, οι πλαγιές με βορειοανατολικό προσανατολισμό είχαν τις υψηλότερες συνολικές τιμές NDVI και MCARI2 και τη χαμηλότερη τάση υγρασίας.
Το προπυρικό έτος, μόνο η βλάστηση στις πλαγιές με νοτιοανατολικό προσανατολισμό είχε θετικές τιμές DI. Οι μέσες τιμές DI ήταν θετικές για όλες τις κλίσεις στα τρία επόμενα χρόνια μετά την πυρκαγιά. Οι συνολικές τιμές DI για τους μεμονωμένους εκθέτες κλίσης για το 2017, το 2018 και το 2019 μειώθηκαν με την ακόλουθη σειρά: πλαγιές με νότιο προσανατολισμό, ανατολική, βορειοανατολική, νοτιοανατολική και νοτιοδυτική.
Οι άλλοι δύο δείκτες που βασίζονται στο TCT (NDWNI και NDGI) μπορούν να μετρήσουν μικρές αλλαγές στην περιεκτικότητα σε υγρασία και στην πράσινη μάζα. Μικρή θετική αύξηση της περιεκτικότητας σε υγρασία το πρώτο έτος μετά την πυρκαγιά καταγράφηκε μόνο για τις πλαγιές με νοτιοανατολικό προσανατολισμό. Οι ανατολικές πλαγιές παρουσίασαν επίσης θετική δυναμική στην περιεκτικότητα σε υγρασία. Η NDGI, έδειξε θετική δυναμική μετά το δεύτερο έτος μετά την πυρκαγιά με την ανατολική και βορειοανατολική πλαγιά να έχουν τη μεγαλύτερη αύξηση. Επιπλέον, κατά τη διάρκεια της ξηρασίας του 2020, η βλάστηση στις βορειοανατολικές και ανατολικές πλαγιές παρουσίασε και πάλι καλύτερη κατάσταση σε σύγκριση με τις υπόλοιπες.

''' 4. ΣΥΖΗΤΗΣΗ '''

Η κατάστασης της βλάστησης και οι τοπικές συνθήκες (καρστικό έδαφος, ξηρά και ζεστά καλοκαίρια κλπ) προκάλεσαν την πυρκαγιά με συνέπεια την σχεδόν πλήρη καταστροφή της δασικής βλάστησης. Ο τύπος του εδάφους και οι κλίσεις στις πλαγιές είναι οι κύριοι παράγοντες διαμόρφωσης τοπίου που καθορίζουν τις διαφορές στις διαδικασίες ανάκτησης της βλάστησης στην περιοχή μελέτης. Τα δυσμενή χαρακτηριστικά των εδαφών σε αυτήν την περιοχή, όπως το ρηχό προφίλ, η χαμηλή περιεκτικότητα σε οργανική ουσία, η όξινη αντίδραση του εδάφους και η χαμηλή ικανότητα ανταλλαγής, επιδεινώθηκαν μετά την πυρκαγιά και ανέστειλαν περαιτέρω την ανάκτηση της βλάστησης, συμπεριλαμβανομένου του δάσους. Οι διεργασίες αυτές εκδηλώθηκαν πιο σημαντικά στις νότιες πλαγιές. Η απομάκρυνση της βλάστησης και της κάλυψης των απορριμμάτων ως αποτέλεσμα μιας πυρκαγιάς μειώνει την αναχαίτιση των βροχοπτώσεων, γεγονός που ενισχύει τους ρυθμούς απορροής και διάβρωσης. Επιπλέον, η σοβαρότητα των εγκαυμάτων της επιφάνειας του εδάφους στις πλαγιές με νότιο προσανατολισμό μειώνει την περιεκτικότητα του εδάφους σε άνθρακα και αλλάζει την οξύτητα του εδάφους.

''' 5. ΣΥΜΠΕΡΑΣΜΑΤΑ '''

Η παρούσα μελέτη εξέτασε τη μεταπυρική δυνατότητα ανάκτησης βλάστησης χρησιμοποιώντας δύο ομάδες φασματικών δεικτών βλάστησης και λαμβάνοντας υπόψη τους τοπικούς παράγοντες του τοπίου σε μια περιοχή της νοτιοανατολικής Βουλγαρίας που επλήγη από πυρκαγιά. Σε συμφωνία με άλλες μελέτες, επιβεβαιώθηκε ότι η ανάκτηση της βλάστησης εξαρτάται από κλιματικούς παράγοντες και τοπογραφικά χαρακτηριστικά. Όσον αφορά στην αποτελεσματικότητα των δεικτών φασματικής βλάστησης για την μεταπυρική παρακολούθηση της κατάστασης της βλάστησης, οι διαδικασίες στατιστικής ανάλυσης επιβεβαιώνουν την αξιοπιστία τους. Τα NDVI, MCARI2 και MSI αναδεικνύουν τις κυρίως τάσεις στη δυναμική της βλάστησης μετά την πυρκαγιά και οι δείκτες που βασίζονται σε TCT (DI, NDGI και NDWNI) κρίθηκαν κατάλληλοι για πιο ακριβείς αναλύσεις ενδοεδαφικών διαφορών. Η μελέτη κατέδειξε την ανάγκη ανάλυσης πολλαπλών παραγόντων στην μεταπυρική παρακολούθηση και θα μπορούσε να χρησιμεύσει ως βάση για περαιτέρω μελέτες που σχετίζονται με πυρκαγιές.

[[category:Δασοπονία, Δασική διαχείριση]]

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-05T23:02:09Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1. ΕΙΣΑΓΩΓΗ'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).]]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η ακτογραμμή που εξάγεται χειροκίνητα και βασίζεται στη φωτοερμηνεία RGB.

'''2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2.''' Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM]][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1.''' Κύρια χαρακτηριστικά των εικόνων Sentinel-2.]]

'''3. ΜΕΘΟΔΟΙ'''

'''3.1 Υπολογισμός του δείκτη'''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3.''' NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)]]

'''3.2 Κατηγοριοποίηση K-Means'''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4.''' Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.]]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

'''3.3 Αξιολόγηση ακρίβειας'''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2.''' Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά]] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3.''' Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.]]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4.''' Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς]][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5.''' Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.]]

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

[[category:Μελέτη της διάβρωσης των ακτογραμμών]]

Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων

2023-02-05T22:55:13Z

SIOMOS:

'''Πρωτότυπος τίτλος:''' ''Post-Fire Forest Vegetation State Monitoring through Satellite Remote Sensing and In Situ Data''

'''Συγγραφείς: ''' Daniela Avetisyan, Εmiliya Velizarova, Lachezar Filchev

'''Δημοσιεύθηκε: ''' ''Remote Sens. 2022, 14(24), 6266 - 10 Dec 2022 ''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.3390/rs14246266]

'''Λέξεις κλειδιά: ''' επιπτώσεις της πυρκαγιάς- δασική αποκατάσταση μετά την πυρκαγιά- δασικά τοπία- δείκτες βλάστησης- ορθογώνιος μετασχηματισμός- Sentinel-2

''' 1. ΕΙΣΑΓΩΓΗ ''' [[Εικόνα:RSpaper1.1 SIOMOS.jpg | thumb| right|'''Εικόνα 1.''' Τοποθεσία της περιοχής μελέτης και αλλαγή της κάλυψης γης πριν από την πυρκαγιά 2013 (a) και μετά την πυρκαγιά 2016 (b), 2018 (c) και 2020 (d) έτη. Πηγή: Google Earth Pro-Airbus και εικόνες της Maxar Technologies.''']]

Τις τελευταίες δεκαετίες έχει παρατηρηθεί αυξημένη συχνότητα και σφοδρότητα στις δασικές πυρκαγιές, ιδιαίτερα στις περιοχές που έχουν υποστεί πιέσεις από την κλιματική αλλαγή για μεγάλο χρονικό διάστημα εξαιτίας των ασυνήθιστων υψηλών θερμοκρασιών. Η Διεθνής Ομάδα για την Κλιματική Αλλαγή τοποθετεί τη Μεσόγειο ανάμεσα στις πιο ευάλωτες περιοχές στις επιπτώσεις της παγκόσμιας υπερθέρμανσης, με τα μοντέλα της να προβλέπουν άνοδο της μέσης θερμοκρασίας μέχρι και 5,1 °C μέχρι το 2100 και παράλληλη μείωση της βροχόπτωσης μέχρι και 27%. Συγκεκριμένα στην Βουλγαρία, το τμήμα μετεωρολογίας της Βουλγαρικής Ακαδημίας Επιστημών προβλέπει αύξηση της θερμοκρασίας μέχρι και 1.8 °C, γεγονός που αυξάνει τον κίνδυνο για δασικές πυρκαγιές στην περιοχή.

Τα τελευταία χρόνια, η τηλεπισκόπηση υψηλής ανάλυσης χρησιμοποιείται ευρέως για την παρακολούθηση διαφόρων φαινομένων καθώς παρέχει πολυφασματικές και πολυχρονικές εικόνες σε πολλαπλές κλίμακες. Συγκεκριμένα σχετικά με τις δασικές πυρκαγιές, η σύγκριση μεταπυρικών και προπυρικών πολυφασματικών εικόνων επιτρέπει την μελέτη και παρακολούθηση των επιπτώσεων τους στην βλάστηση. Τέτοιες μελέτες συνήθως στοχεύουν στην χαρτογράφηση των καμένων περιοχών, στην εκτίμηση της σφοδρότητας της πυρκαγιάς και στην παρακολούθηση του ρυθμού αναγέννησης και βασίζονται σε δείκτες όπως ο κανονικοποιημένος λόγος καύσης (NBR), ο δείκτης βλάστησης κανονικοποιημένης διαφοράς (NDVI), ο τροποποιημένος δείκτης απορρόφησης χλωροφύλλης (MCARI2), ο δείκτης στρες υγρασίας (MSI), ο κανονικοποιημένος διαφορικός δείκτης πρασίνου (NDGI), ο δείκτης κανονικής διαφορικής υγρασίας (NDWNI), και ο δείκτης διαταραχής (DI). Ωστόσο ο ρυθμός αναγέννησης μίας δασικής περιοχής εξαρτάται και από πολλούς άλλους παράγοντες, όπως το κλίμα, τα χαρακτηριστικά του εδάφους, τη τοπογραφία της περιοχής και τη σύνθεση της βλάστησης. Για αυτόν τον λόγο, η ανάκτηση της βλάστησης μετά από μία πυρκαγιά δεν μπορεί να αξιολογηθεί μόνο με την εφαρμογή ενός ενιαίου φασματικού δείκτη.

Αυτή η εργασία εξετάζει τα στάδια ανάκτησης της δασικής βλάστησης κατά τη διάρκεια μιας περιόδου έξι ετών μετά από μια πυρκαγιά στην περιοχή Ardino της Βουλγαρίας. Η μελέτη στοχεύει να παρουσιάσει τις δυνατότητες για την χρησιμοποίηση εικόνων τηλεπισκόπησης των δορυφόρων Sentinel-2 και αντίστοιχων δεικτών για την μεταπυρική διαχείριση των δασών. Η μελέτη χρησιμοποίησε δύο ομάδες φασματικών δεικτών για την παρακολούθηση της πυρόπληκτης περιοχής. Η πρώτη ομάδα περιλαμβάνει δείκτες βλάστησης που χρησιμοποιούν μεμονωμένες φασματικές ζώνες για τον υπολογισμό τους (δείκτης βλάστησης κανονικοποιημένης διαφοράς (NDVI), τροποποιημένος δείκτης απορρόφησης χλωροφύλλης (MCARI2), δείκτης στρες υγρασίας (MSI)) και η δεύτερη ομάδα περιλαμβάνει δείκτες που χρησιμοποιούν ένα μεγαλύτερο εύρος φασματικών πληροφοριών μέσω της ορθογωνοποίησης πολυφασματικών δεδομένων (κανονικοποιημένος διαφορικός δείκτης πρασίνου (NDGI), δείκτης κανονικής διαφορικής υγρασίας (NDWNI), δείκτης διαταραχής (DI)). Επίσης στην ερμηνεία των αποτελεσμάτων λήφθηκαν υπόψη και εδαφικά δεδομένα όπως οι κλίσεις των πλαγιών αλλά και η προπυρική κατάσταση της βλάστησης .

''' 2. ΜΕΘΟΔΟΙ ΚΑΙ ΥΛΙΚΑ '''

''' 2.1 Περιοχή Μελέτης'''

Η περιοχή μελέτης βρίσκεται στο νοτιοανατολικό τμήμα της οροσειράς της Ροδόπης, κοντά πόλη Ardino. Στις 29 Ιουλίου 2016 σημαντική πυρκαγιά έλαβε χώρα στην περιοχή μελέτης και κατέλαβε μία έκταση 100 εκταρίων. Η περιοχή χαρακτηρίζεται από ηπειρωτικό μεσογειακό κλίμα.

''' 2.2. Χαρακτηριστικά των κλιματικών ανωμαλιών που παρατηρήθηκαν κατά την περίοδο 2016-2021 ''' [[Εικόνα:RSpaper1.2_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Ανωμαλίες της μέσης θερμοκρασίας αέρα (α) και του αθροίσματος των βροχοπτώσεων (β) για την περίοδο 2016- 2021 σε ετήσια βάση και για τους καλοκαιρινούς μήνες (Ιούλιος, Αύγουστος και Σεπτέμβριος).]]

Στην εικόνα 2 παρουσιάζονται οι ανωμαλίες της μέσης θερμοκρασίας του αέρα και του αθροίσματος της βροχόπτωσης για την περίοδο 2016-2021 σε ετήσια βάση και για τους καλοκαιρινούς μήνες (Ιούλιος, Αύγουστος και Σεπτέμβριος). Ως αναφορά χρησιμοποιήθηκε η περίοδος μεταξύ 1981 και 2010.

''' 2.3 Δεδομένα '''

'' 2.3.1 Επιτόπια Δεδομένα ''

Τα επιτόπια δεδομένα περιελάμβαναν κλιματικά δεδομένα από την μετεωρολογικό σταθμό Kardzhali, δεδομένα εδαφολογικής σύστασης από το Ευρωπαϊκό κέντρο δεδομένων εδάφους, και διαδραστικά τρισδιάστατα πανοράματα το οποία συλλέχθηκαν για 8 τοποθεσίες μέσω του Google StreetView το καλοκαίρι του 2021.

'' 2.3.2 Δορυφορικά Δεδομένα ''

Δορυφορικά δεδομένα συλλέχθηκαν από τους πολυφασματικούς αισθητήρες Sentinel-2A και Sentinel-2B. Ένα ψηφιακό μοντέλο υψομέτρου (DEM) με χωρική ανάλυση 25 m χρησιμοποιήθηκε για τον υπολογισμό των κλίσεων.

''' 2.4 Μέθοδοι '''[[Εικόνα:RSpaper1.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1.''' Φασματικοί δείκτες που υπολογίστηκαν στην παρούσα μελέτη.]]

Η προτεινόμενη προσέγγιση για την παρακολούθηση της κατάστασης της βλάστησης μετά την πυρκαγιά περιλαμβάνει τα ακόλουθα βασικά βήματα. Πρώτον, υπολογίζονται οι φασματικοί δείκτες για την περίοδο μεταξύ 2016 και 2021. Δεύτερον, πραγματοποιούνται αναλύσεις στατιστικής παλινδρόμησης χρησιμοποιώντας τρεις από τους φασματικούς δείκτες ως μεταβλητές (DI, MCARI2 και MSI). Τρίτον, εξετάζονται οι διαφορές στα τοπία βάσει των κλίσεων του και της επίδραση τους στον λόγο θερμότητας-υγρασίας. Στο τελικό βήμα επικυρώνονται τα αποτελέσματα με αναλύσεις στατιστικής παλινδρόμησης χρησιμοποιώντας τα δασικά HRL καθώς και τρισδιάστατα διαδραστικά πανοράματα από το Google Street View για τη δημιουργία φωτογραφιών προς διάφορες κατευθύνσεις. Οι φασματικοί δείκτες που παρουσιάζονται στον Πίνακα 1 επιλέχθηκαν και υπολογίστηκαν για την αξιολόγηση της κατάστασης βλάστησης μετά την πυρκαγιά.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

''' 3.1. Ανάκτηση δασικής βλάστησης για ολόκληρη την περιοχή μελέτης '''[[Εικόνα:RSpaper1.3_SIOMOS.jpg | thumb| right|'''Εικόνα 3.''' Δυναμική των φασματικών δεικτών που υπολογίστηκαν για την περίοδο 2016-2021.]][[Εικόνα:RSpaper1.2_Table_SIOMOS.png | thumb| right|'''Πίνακας 2.''' Μέσες τιμές των φασματικών δεικτών για τις διάφορες πτυχές κλίσης στα υπό μελέτη έτη.]]

Οι περιοχές με αρνητικές τιμές NDGI κυριαρχούσαν μέχρι το 2019, ωστόσο οι τιμές ήταν αρνητικές ακόμη και ένα χρόνο πριν από την πυρκαγιά, γεγονός που υποδηλώνει υποβαθμισμένη κατάσταση βλάστησης. Οι περιοχές με αρνητικές τιμές NDGI είχαν μέγιστη εδαφική εξάπλωση κατά το έτος πριν από την πυρκαγιά και ένα χρόνο μετά την πυρκαγιά. (Εικόνα 3, Πίνακας Α2). Οι περιοχές με θετικές τιμές NDGI είχαν ελάχιστη εξάπλωση το έτος αμέσως μετά την πυρκαγιά αλλά είχαν την υψηλότερη αύξηση μεταξύ 2019 και 2020.Παραδόξως, οι περιοχές χωρίς διαταραχές ή με αρνητικές τιμές DI επικράτησαν καθ' όλη τη διάρκεια της περιόδου που μελετήθηκε. Ωστόσο, οι τιμές ήταν υψηλότερες το έτος πριν την πυρκαγιάς. Το πρώτο έτος μετά την πυρκαγιά χαρακτηρίστηκε από το πιο έντονο στρες λόγω έλλειψης υγρασίας. Την ίδια χρονιά, παρατηρήθηκε επίσης η υψηλότερη εδαφική εξάπλωση της κατηγορίας με τιμές MSI πάνω από 1,5 ενώ η κατηγορία MSI με τιμές μεταξύ 0,5 και 1,5 είχε το μεγαλύτερο μερίδιο της περιοχής. Όσον αφορά το NDWNI, η μέγιστη επιφάνεια ήταν κυρίως στην κατηγορία μεταξύ − 0,2 και 0,2, υποδηλώνοντας ασθενή δυναμική στην περιεκτικότητα σε υγρασία. Η μέγιστη εδαφική εξάπλωση σχετικά με τους δείκτες NDVI παρατηρήθηκε κατά τα έτη 2018-2019 για τις μεγαλύτερες τιμές των δεικτών.

''' 3.2 Ανάκτηση δασικής βλάστησης στις επιμέρους πτυχές της κλίσης '''

Η ανάλυση των τιμών των δεικτών στις επιμέρους εκθέσεις στις πλαγιές έδειξε ότι τα πρώτα τρία χρόνια μετά την πυρκαγιά, οι πλαγιές με νοτιοδυτικό προσανατολισμό είχαν ταχύτερη ανάκτηση βλάστησης και λιγότερη καταπόνηση υγρασίας. Αυτές οι κλίσεις είχαν τις υψηλότερες τιμές των NDVI και MCARI2 και τις χαμηλότερες τιμές του MSI. (Πίνακας 2) Τα δύο τελευταία χρόνια μετά την πυρκαγιά, οι πλαγιές με βορειοανατολικό προσανατολισμό είχαν τις υψηλότερες συνολικές τιμές NDVI και MCARI2 και τη χαμηλότερη τάση υγρασίας.
Το προπυρικό έτος, μόνο η βλάστηση στις πλαγιές με νοτιοανατολικό προσανατολισμό είχε θετικές τιμές DI. Οι μέσες τιμές DI ήταν θετικές για όλες τις κλίσεις στα τρία επόμενα χρόνια μετά την πυρκαγιά. Οι συνολικές τιμές DI για τους μεμονωμένους εκθέτες κλίσης για το 2017, το 2018 και το 2019 μειώθηκαν με την ακόλουθη σειρά: πλαγιές με νότιο προσανατολισμό, ανατολική, βορειοανατολική, νοτιοανατολική και νοτιοδυτική.
Οι άλλοι δύο δείκτες που βασίζονται στο TCT (NDWNI και NDGI) μπορούν να μετρήσουν μικρές αλλαγές στην περιεκτικότητα σε υγρασία και στην πράσινη μάζα. Μικρή θετική αύξηση της περιεκτικότητας σε υγρασία το πρώτο έτος μετά την πυρκαγιά καταγράφηκε μόνο για τις πλαγιές με νοτιοανατολικό προσανατολισμό. Οι ανατολικές πλαγιές παρουσίασαν επίσης θετική δυναμική στην περιεκτικότητα σε υγρασία. Η NDGI, έδειξε θετική δυναμική μετά το δεύτερο έτος μετά την πυρκαγιά με την ανατολική και βορειοανατολική πλαγιά να έχουν τη μεγαλύτερη αύξηση. Επιπλέον, κατά τη διάρκεια της ξηρασίας του 2020, η βλάστηση στις βορειοανατολικές και ανατολικές πλαγιές παρουσίασε και πάλι καλύτερη κατάσταση σε σύγκριση με τις υπόλοιπες.

''' 3. ΣΥΖΗΤΗΣΗ '''

Η κατάστασης της βλάστησης και οι τοπικές συνθήκες (καρστικό έδαφος, ξηρά και ζεστά καλοκαίρια κλπ) προκάλεσαν την πυρκαγιά με συνέπεια την σχεδόν πλήρη καταστροφή της δασικής βλάστησης. Ο τύπος του εδάφους και οι κλίσεις στις πλαγιές είναι οι κύριοι παράγοντες διαμόρφωσης τοπίου που καθορίζουν τις διαφορές στις διαδικασίες ανάκτησης της βλάστησης στην περιοχή μελέτης. Τα δυσμενή χαρακτηριστικά των εδαφών σε αυτήν την περιοχή, όπως το ρηχό προφίλ, η χαμηλή περιεκτικότητα σε οργανική ουσία, η όξινη αντίδραση του εδάφους και η χαμηλή ικανότητα ανταλλαγής, επιδεινώθηκαν μετά την πυρκαγιά και ανέστειλαν περαιτέρω την ανάκτηση της βλάστησης, συμπεριλαμβανομένου του δάσους. Οι διεργασίες αυτές εκδηλώθηκαν πιο σημαντικά στις νότιες πλαγιές. Η απομάκρυνση της βλάστησης και της κάλυψης των απορριμμάτων ως αποτέλεσμα μιας πυρκαγιάς μειώνει την αναχαίτιση των βροχοπτώσεων, γεγονός που ενισχύει τους ρυθμούς απορροής και διάβρωσης. Επιπλέον, η σοβαρότητα των εγκαυμάτων της επιφάνειας του εδάφους στις πλαγιές με νότιο προσανατολισμό μειώνει την περιεκτικότητα του εδάφους σε άνθρακα και αλλάζει την οξύτητα του εδάφους.

''' 3. ΣΥΜΠΕΡΑΣΜΑΤΑ '''

Η παρούσα μελέτη εξέτασε τη μεταπυρική δυνατότητα ανάκτησης βλάστησης χρησιμοποιώντας δύο ομάδες φασματικών δεικτών βλάστησης και λαμβάνοντας υπόψη τους τοπικούς παράγοντες του τοπίου σε μια περιοχή της νοτιοανατολικής Βουλγαρίας που επλήγη από πυρκαγιά. Σε συμφωνία με άλλες μελέτες, επιβεβαιώθηκε ότι η ανάκτηση της βλάστησης εξαρτάται από κλιματικούς παράγοντες και τοπογραφικά χαρακτηριστικά. Όσον αφορά στην αποτελεσματικότητα των δεικτών φασματικής βλάστησης για την μεταπυρική παρακολούθηση της κατάστασης της βλάστησης, οι διαδικασίες στατιστικής ανάλυσης επιβεβαιώνουν την αξιοπιστία τους. Τα NDVI, MCARI2 και MSI αναδεικνύουν τις κυρίως τάσεις στη δυναμική της βλάστησης μετά την πυρκαγιά και οι δείκτες που βασίζονται σε TCT (DI, NDGI και NDWNI) κρίθηκαν κατάλληλοι για πιο ακριβείς αναλύσεις ενδοεδαφικών διαφορών. Η μελέτη κατέδειξε την ανάγκη ανάλυσης πολλαπλών παραγόντων στην μεταπυρική παρακολούθηση και θα μπορούσε να χρησιμεύσει ως βάση για περαιτέρω μελέτες που σχετίζονται με πυρκαγιές.

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

Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων

2023-02-05T22:47:05Z

SIOMOS:

'''Πρωτότυπος τίτλος:''' ''Post-Fire Forest Vegetation State Monitoring through Satellite Remote Sensing and In Situ Data''

'''Συγγραφείς: ''' Daniela Avetisyan, Εmiliya Velizarova, Lachezar Filchev

'''Δημοσιεύθηκε: ''' ''Remote Sens. 2022, 14(24), 6266 - 10 Dec 2022 ''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.3390/rs14246266]

'''Λέξεις κλειδιά: ''' επιπτώσεις της πυρκαγιάς- δασική αποκατάσταση μετά την πυρκαγιά- δασικά τοπία- δείκτες βλάστησης- ορθογώνιος μετασχηματισμός- Sentinel-2

''' 1. ΕΙΣΑΓΩΓΗ ''' [[Εικόνα:RSpaper1.1 SIOMOS.jpg | thumb| right|'''Εικόνα 1.''' Τοποθεσία της περιοχής μελέτης και αλλαγή της κάλυψης γης πριν από την πυρκαγιά 2013 (a) και μετά την πυρκαγιά 2016 (b), 2018 (c) και 2020 (d) έτη. Πηγή: Google Earth Pro-Airbus και εικόνες της Maxar Technologies.''']]

Τις τελευταίες δεκαετίες έχει παρατηρηθεί αυξημένη συχνότητα και σφοδρότητα στις δασικές πυρκαγιές, ιδιαίτερα στις περιοχές που έχουν υποστεί πιέσεις από την κλιματική αλλαγή για μεγάλο χρονικό διάστημα εξαιτίας των ασυνήθιστων υψηλών θερμοκρασιών. Η Διεθνής Ομάδα για την Κλιματική Αλλαγή τοποθετεί τη Μεσόγειο ανάμεσα στις πιο ευάλωτες περιοχές στις επιπτώσεις της παγκόσμιας υπερθέρμανσης, με τα μοντέλα της να προβλέπουν άνοδο της μέσης θερμοκρασίας μέχρι και 5,1 °C μέχρι το 2100 και παράλληλη μείωση της βροχόπτωσης μέχρι και 27%. Συγκεκριμένα στην Βουλγαρία, το τμήμα μετεωρολογίας της Βουλγαρικής Ακαδημίας Επιστημών προβλέπει αύξηση της θερμοκρασίας μέχρι και 1.8 °C, γεγονός που αυξάνει τον κίνδυνο για δασικές πυρκαγιές στην περιοχή.

Τα τελευταία χρόνια, η τηλεπισκόπηση υψηλής ανάλυσης χρησιμοποιείται ευρέως για την παρακολούθηση διαφόρων φαινομένων καθώς παρέχει πολυφασματικές και πολυχρονικές εικόνες σε πολλαπλές κλίμακες. Συγκεκριμένα σχετικά με τις δασικές πυρκαγιές, η σύγκριση μεταπυρικών και προπυρικών πολυφασματικών εικόνων επιτρέπει την μελέτη και παρακολούθηση των επιπτώσεων τους στην βλάστηση. Τέτοιες μελέτες συνήθως στοχεύουν στην χαρτογράφηση των καμένων περιοχών, στην εκτίμηση της σφοδρότητας της πυρκαγιάς και στην παρακολούθηση του ρυθμού αναγέννησης και βασίζονται σε δείκτες όπως ο κανονικοποιημένος λόγος καύσης (NBR), ο δείκτης βλάστησης κανονικοποιημένης διαφοράς (NDVI), ο τροποποιημένος δείκτης απορρόφησης χλωροφύλλης (MCARI2), ο δείκτης στρες υγρασίας (MSI), ο κανονικοποιημένος διαφορικός δείκτης πρασίνου (NDGI), ο δείκτης κανονικής διαφορικής υγρασίας (NDWNI), και ο δείκτης διαταραχής (DI). Ωστόσο ο ρυθμός αναγέννησης μίας δασικής περιοχής εξαρτάται και από πολλούς άλλους παράγοντες, όπως το κλίμα, τα χαρακτηριστικά του εδάφους, τη τοπογραφία της περιοχής και τη σύνθεση της βλάστησης. Για αυτόν τον λόγο, η ανάκτηση της βλάστησης μετά από μία πυρκαγιά δεν μπορεί να αξιολογηθεί μόνο με την εφαρμογή ενός ενιαίου φασματικού δείκτη.

Αυτή η εργασία εξετάζει τα στάδια ανάκτησης της δασικής βλάστησης κατά τη διάρκεια μιας περιόδου έξι ετών μετά από μια πυρκαγιά στην περιοχή Ardino της Βουλγαρίας. Η μελέτη στοχεύει να παρουσιάσει τις δυνατότητες για την χρησιμοποίηση εικόνων τηλεπισκόπησης των δορυφόρων Sentinel-2 και αντίστοιχων δεικτών για την μεταπυρική διαχείριση των δασών. Η μελέτη χρησιμοποίησε δύο ομάδες φασματικών δεικτών για την παρακολούθηση της πυρόπληκτης περιοχής. Η πρώτη ομάδα περιλαμβάνει δείκτες βλάστησης που χρησιμοποιούν μεμονωμένες φασματικές ζώνες για τον υπολογισμό τους (δείκτης βλάστησης κανονικοποιημένης διαφοράς (NDVI), τροποποιημένος δείκτης απορρόφησης χλωροφύλλης (MCARI2), δείκτης στρες υγρασίας (MSI)) και η δεύτερη ομάδα περιλαμβάνει δείκτες που χρησιμοποιούν ένα μεγαλύτερο εύρος φασματικών πληροφοριών μέσω της ορθογωνοποίησης πολυφασματικών δεδομένων (κανονικοποιημένος διαφορικός δείκτης πρασίνου (NDGI), δείκτης κανονικής διαφορικής υγρασίας (NDWNI), δείκτης διαταραχής (DI)). Επίσης στην ερμηνεία των αποτελεσμάτων λήφθηκαν υπόψη και εδαφικά δεδομένα όπως οι κλίσεις των πλαγιών αλλά και η προπυρική κατάσταση της βλάστησης .

''' 2. ΜΕΘΟΔΟΙ ΚΑΙ ΥΛΙΚΑ '''

''' 2.1 Περιοχή Μελέτης'''

Η περιοχή μελέτης βρίσκεται στο νοτιοανατολικό τμήμα της οροσειράς της Ροδόπης, κοντά πόλη Ardino. Στις 29 Ιουλίου 2016 σημαντική πυρκαγιά έλαβε χώρα στην περιοχή μελέτης και κατέλαβε μία έκταση 100 εκταρίων. Η περιοχή χαρακτηρίζεται από ηπειρωτικό μεσογειακό κλίμα.

''' 2.2. Χαρακτηριστικά των κλιματικών ανωμαλιών που παρατηρήθηκαν κατά την περίοδο 2016-2021 ''' [[Εικόνα:RSpaper1.2_SIOMOS.png | thumb| right|'''Εικόνα 1.''' Ανωμαλίες της μέσης θερμοκρασίας αέρα (α) και του αθροίσματος των βροχοπτώσεων (β) για την περίοδο 2016- 2021 σε ετήσια βάση και για τους καλοκαιρινούς μήνες (Ιούλιος, Αύγουστος και Σεπτέμβριος).]]

Στην εικόνα 2 παρουσιάζονται οι ανωμαλίες της μέσης θερμοκρασίας του αέρα και του αθροίσματος της βροχόπτωσης για την περίοδο 2016-2021 σε ετήσια βάση και για τους καλοκαιρινούς μήνες (Ιούλιος, Αύγουστος και Σεπτέμβριος). Ως αναφορά χρησιμοποιήθηκε η περίοδος μεταξύ 1981 και 2010.

''' 2.3 Δεδομένα '''

'' 2.3.1 Επιτόπια Δεδομένα ''

Τα επιτόπια δεδομένα περιελάμβαναν κλιματικά δεδομένα από την μετεωρολογικό σταθμό Kardzhali, δεδομένα εδαφολογικής σύστασης από το Ευρωπαϊκό κέντρο δεδομένων εδάφους, και διαδραστικά τρισδιάστατα πανοράματα το οποία συλλέχθηκαν για 8 τοποθεσίες μέσω του Google StreetView το καλοκαίρι του 2021.

'' 2.3.2 Δορυφορικά Δεδομένα ''

Δορυφορικά δεδομένα συλλέχθηκαν από τους πολυφασματικούς αισθητήρες Sentinel-2A και Sentinel-2B. Ένα ψηφιακό μοντέλο υψομέτρου (DEM) με χωρική ανάλυση 25 m χρησιμοποιήθηκε για τον υπολογισμό των κλίσεων.

''' 2.4 Μέθοδοι '''[[Εικόνα:RSpaper1.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1.''' Φασματικοί δείκτες που υπολογίστηκαν στην παρούσα μελέτη.]]

Η προτεινόμενη προσέγγιση για την παρακολούθηση της κατάστασης της βλάστησης μετά την πυρκαγιά περιλαμβάνει τα ακόλουθα βασικά βήματα. Πρώτον, υπολογίζονται οι φασματικοί δείκτες για την περίοδο μεταξύ 2016 και 2021. Δεύτερον, πραγματοποιούνται αναλύσεις στατιστικής παλινδρόμησης χρησιμοποιώντας τρεις από τους φασματικούς δείκτες ως μεταβλητές (DI, MCARI2 και MSI). Τρίτον, εξετάζονται οι διαφορές στα τοπία βάσει των κλίσεων του και της επίδραση τους στον λόγο θερμότητας-υγρασίας. Στο τελικό βήμα επικυρώνονται τα αποτελέσματα με αναλύσεις στατιστικής παλινδρόμησης χρησιμοποιώντας τα δασικά HRL καθώς και τρισδιάστατα διαδραστικά πανοράματα από το Google Street View για τη δημιουργία φωτογραφιών προς διάφορες κατευθύνσεις. Οι φασματικοί δείκτες που παρουσιάζονται στον Πίνακα 1 επιλέχθηκαν και υπολογίστηκαν για την αξιολόγηση της κατάστασης βλάστησης μετά την πυρκαγιά.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

''' 3.1. Ανάκτηση δασικής βλάστησης για ολόκληρη την περιοχή μελέτης '''[[Εικόνα:RSpaper1.3_SIOMOS.jpg | thumb| right|'''Εικόνα 3.''' Δυναμική των φασματικών δεικτών που υπολογίστηκαν για την περίοδο 2016-2021.]][[Εικόνα:RSpaper1.2_Table_SIOMOS.png | thumb| right|'''Πίνακας 2.''' Μέσες τιμές των φασματικών δεικτών για τις διάφορες πτυχές κλίσης στα υπό μελέτη έτη.]]

Οι περιοχές με αρνητικές τιμές NDGI κυριαρχούσαν μέχρι το 2019, ωστόσο οι τιμές ήταν αρνητικές ακόμη και ένα χρόνο πριν από την πυρκαγιά, γεγονός που υποδηλώνει υποβαθμισμένη κατάσταση βλάστησης. Οι περιοχές με αρνητικές τιμές NDGI είχαν μέγιστη εδαφική εξάπλωση κατά το έτος πριν από την πυρκαγιά και ένα χρόνο μετά την πυρκαγιά. (Εικόνα 3, Πίνακας Α2). Οι περιοχές με θετικές τιμές NDGI είχαν ελάχιστη εξάπλωση το έτος αμέσως μετά την πυρκαγιά αλλά είχαν την υψηλότερη αύξηση μεταξύ 2019 και 2020.Παραδόξως, οι περιοχές χωρίς διαταραχές ή με αρνητικές τιμές DI επικράτησαν καθ' όλη τη διάρκεια της περιόδου που μελετήθηκε. Ωστόσο, οι τιμές ήταν υψηλότερες το έτος πριν την πυρκαγιάς. Το πρώτο έτος μετά την πυρκαγιά χαρακτηρίστηκε από το πιο έντονο στρες λόγω έλλειψης υγρασίας. Την ίδια χρονιά, παρατηρήθηκε επίσης η υψηλότερη εδαφική εξάπλωση της κατηγορίας με τιμές MSI πάνω από 1,5 ενώ η κατηγορία MSI με τιμές μεταξύ 0,5 και 1,5 είχε το μεγαλύτερο μερίδιο της περιοχής. Όσον αφορά το NDWNI, η μέγιστη επιφάνεια ήταν κυρίως στην κατηγορία μεταξύ − 0,2 και 0,2, υποδηλώνοντας ασθενή δυναμική στην περιεκτικότητα σε υγρασία. Η μέγιστη εδαφική εξάπλωση σχετικά με τους δείκτες NDVI παρατηρήθηκε κατά τα έτη 2018-2019 για τις μεγαλύτερες τιμές των δεικτών.

''' 3.2 Ανάκτηση δασικής βλάστησης στις επιμέρους πτυχές της κλίσης '''

Η ανάλυση των τιμών των δεικτών στις επιμέρους εκθέσεις στις πλαγιές έδειξε ότι τα πρώτα τρία χρόνια μετά την πυρκαγιά, οι πλαγιές με νοτιοδυτικό προσανατολισμό είχαν ταχύτερη ανάκτηση βλάστησης και λιγότερη καταπόνηση υγρασίας. Αυτές οι κλίσεις είχαν τις υψηλότερες τιμές των NDVI και MCARI2 και τις χαμηλότερες τιμές του MSI. (Πίνακας 2) Τα δύο τελευταία χρόνια μετά την πυρκαγιά, οι πλαγιές με βορειοανατολικό προσανατολισμό είχαν τις υψηλότερες συνολικές τιμές NDVI και MCARI2 και τη χαμηλότερη τάση υγρασίας.
Το προπυρικό έτος, μόνο η βλάστηση στις πλαγιές με νοτιοανατολικό προσανατολισμό είχε θετικές τιμές DI. Οι μέσες τιμές DI ήταν θετικές για όλες τις κλίσεις στα τρία επόμενα χρόνια μετά την πυρκαγιά. Οι συνολικές τιμές DI για τους μεμονωμένους εκθέτες κλίσης για το 2017, το 2018 και το 2019 μειώθηκαν με την ακόλουθη σειρά: πλαγιές με νότιο προσανατολισμό, ανατολική, βορειοανατολική, νοτιοανατολική και νοτιοδυτική.
Οι άλλοι δύο δείκτες που βασίζονται στο TCT (NDWNI και NDGI) μπορούν να μετρήσουν μικρές αλλαγές στην περιεκτικότητα σε υγρασία και στην πράσινη μάζα. Μικρή θετική αύξηση της περιεκτικότητας σε υγρασία το πρώτο έτος μετά την πυρκαγιά καταγράφηκε μόνο για τις πλαγιές με νοτιοανατολικό προσανατολισμό. Οι ανατολικές πλαγιές παρουσίασαν επίσης θετική δυναμική στην περιεκτικότητα σε υγρασία. Η NDGI, έδειξε θετική δυναμική μετά το δεύτερο έτος μετά την πυρκαγιά με την ανατολική και βορειοανατολική πλαγιά να έχουν τη μεγαλύτερη αύξηση. Επιπλέον, κατά τη διάρκεια της ξηρασίας του 2020, η βλάστηση στις βορειοανατολικές και ανατολικές πλαγιές παρουσίασε και πάλι καλύτερη κατάσταση σε σύγκριση με τις υπόλοιπες.

''' 3. ΣΥΖΗΤΗΣΗ '''

Η κατάστασης της βλάστησης και οι τοπικές συνθήκες (καρστικό έδαφος, ξηρά και ζεστά καλοκαίρια κλπ) προκάλεσαν την πυρκαγιά με συνέπεια την σχεδόν πλήρη καταστροφή της δασικής βλάστησης. Ο τύπος του εδάφους και οι εκθέσεις στις πλαγιές είναι οι κύριοι παράγοντες διαμόρφωσης τοπίου που καθορίζουν τις διαφορές στις διαδικασίες ανάκτησης της βλάστησης στην περιοχή μελέτης. Τα δυσμενή χαρακτηριστικά των εδαφών σε αυτήν την περιοχή, όπως το ρηχό προφίλ, η χαμηλή περιεκτικότητα σε οργανική ουσία, η όξινη αντίδραση του εδάφους και η χαμηλή ικανότητα ανταλλαγής, επιδεινώθηκαν μετά την πυρκαγιά και ανέστειλαν περαιτέρω την ανάκτηση της βλάστησης, συμπεριλαμβανομένου του δάσους. Οι διεργασίες αυτές εκδηλώθηκαν πιο σημαντικά στις νότιες πλαγιές. Η απομάκρυνση της βλάστησης και της κάλυψης των απορριμμάτων ως αποτέλεσμα μιας πυρκαγιάς μειώνει την αναχαίτιση των βροχοπτώσεων, γεγονός που ενισχύει τους ρυθμούς απορροής και διάβρωσης. Επιπλέον, η σοβαρότητα των εγκαυμάτων της επιφάνειας του εδάφους στις πλαγιές με νότιο προσανατολισμό μειώνει την περιεκτικότητα του εδάφους σε άνθρακα και αλλάζει την οξύτητα του εδάφους.

''' 3. ΣΥΜΠΕΡΑΣΜΑΤΑ '''

Η παρούσα μελέτη εξέτασε τη μεταπυρική δυνατότητα ανάκτησης βλάστησης χρησιμοποιώντας δύο ομάδες φασματικών δεικτών βλάστησης και λαμβάνοντας υπόψη τους τοπικούς παράγοντες του τοπίου σε μια περιοχή της νοτιοανατολικής Βουλγαρίας που επλήγη από πυρκαγιά. Σε συμφωνία με άλλες μελέτες, επιβεβαιώθηκε ότι η ανάκτηση της βλάστησης εξαρτάται από κλιματικούς παράγοντες και τοπογραφικά χαρακτηριστικά. Όσον αφορά στην αποτελεσματικότητα των δεικτών φασματικής βλάστησης για την μεταπυρική παρακολούθηση της κατάστασης της βλάστησης, οι διαδικασίες στατιστικής ανάλυσης επιβεβαιώνουν την αξιοπιστία τους. Τα NDVI, MCARI2 και MSI αναδεικνύουν τις κυρίως τάσεις στη δυναμική της βλάστησης μετά την πυρκαγιά και οι δείκτες που βασίζονται σε TCT (DI, NDGI και NDWNI) κρίθηκαν κατάλληλοι για πιο ακριβείς αναλύσεις ενδοεδαφικών διαφορών. Η μελέτη κατέδειξε την ανάγκη ανάλυσης πολλαπλών παραγόντων στην μεταπυρική παρακολούθηση και θα μπορούσε να χρησιμεύσει ως βάση για περαιτέρω μελέτες που σχετίζονται με πυρκαγιές.

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

Αρχείο:RSpaper1.2 Table SIOMOS.png

2023-02-05T22:37:51Z

SIOMOS:

Αρχείο:RSpaper1.3 SIOMOS.jpg

2023-02-05T22:37:20Z

SIOMOS:

Αρχείο:RSpaper1.1 Table SIOMOS.png

2023-02-05T22:32:15Z

SIOMOS:

Αρχείο:RSpaper1.2 SIOMOS.png

2023-02-05T22:29:17Z

SIOMOS:

Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων

2023-02-05T22:25:38Z

SIOMOS:

Αρχείο:RSpaper1.1 SIOMOS.jpg

2023-02-05T22:23:36Z

SIOMOS:

Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων

2023-02-05T22:13:08Z

SIOMOS:

Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων

2023-02-05T21:50:11Z

SIOMOS:

Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων

2023-02-05T21:46:29Z

SIOMOS:

Σιώμος Γεώργιος

2023-02-05T21:18:16Z

SIOMOS:

[[Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2]]

[[Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων]]

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

Μεταπυρική Παρακολούθηση της κατάστασης Δασικής Βλάστησης μέσω Δορυφορικής Τηλεπισκόπησης και Επιτόπιων Δεδομένων

2023-02-05T21:17:26Z

SIOMOS: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' ''Post-Fire Forest Vegetation State Monitoring through Satellite Remote Sensing and In Situ Data'' '''Συγγραφείς: ''' D...'

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-05T18:43:12Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η ακτογραμμή που εξάγεται χειροκίνητα και βασίζεται στη φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

[[category:Μελέτη της διάβρωσης των ακτογραμμών]]

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-05T18:39:19Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η ακτογραμμή που εξάγεται χειροκίνητα και βασίζεται στη φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]
[[category:Μελέτη της διάβρωσης των ακτογραμμών]]

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-03T12:56:19Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η ακτογραμμή που εξάγεται χειροκίνητα και βασίζεται στη φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| left|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| center|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-03T12:41:32Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η ακτογραμμή που εξάγεται χειροκίνητα και βασίζεται στη φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-03T09:47:11Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Σιώμος Γεώργιος

2023-02-02T13:01:00Z

SIOMOS:

[[Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2]]

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

Σιώμος Γεώργιος

2023-02-02T12:59:11Z

SIOMOS: Νέα σελίδα με '[[]] category:ΔΠΜΣ '

[[]]

[[category:ΔΠΜΣ ]]

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T10:05:35Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν. Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.
[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T09:32:12Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν.
Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T02:09:04Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν.
Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.Τα αποτελέσματα που προέκυψαν με τη χρήση της ακτογραμμής που προκύπτει από το Lg-DEM ως αναφορά είναι τα καλύτερα κι αυτό ίσως η μπορεί να αποδοθεί όχι μόνο στο ανθρώπινο σφάλμα που πλήττει τη χειροκίνητη διανυσματοποίηση, αλλά και στις διαφορετικές γεωμετρικές αναλύσεις των δύο συνόλων δεδομένων, του Lg-DEM στα 2 m x 2 m και του η εικόνα Sentinel-2 RGB στα 10 m x 10 m

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T02:02:51Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν.
Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2. Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T02:00:58Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν.
Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2 Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T01:59:43Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν.
Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2 Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη, η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T01:54:37Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν.
Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.[[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| left|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']][[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| center|'''Εικόνα 2 Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

'''3.Μέθοδοι'''

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]]
[[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| right|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']]

''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη, η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.

[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']] [[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (με βάση την οπτική ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T01:24:36Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).
Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν.
Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.

'''3.Μέθοδοι'''[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| right|'''Εικόνα 2 Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]][[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| center|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']]
''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη, η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.
[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']][[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία του RGB σύνθεσης) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (βάσει οπτικής ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

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

Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2

2023-02-01T01:23:42Z

SIOMOS:

'''Αξιολόγηση της ακρίβειας των μεθόδων εξαγωγής ακτογραμμών στην τηλεπισκόπηση: μια έξυπνη διαδικασία για εικόνες sentinel-2'''

'''Πρωτότυπος τίτλος:''' ''Accuracy evaluation of coastline extraction methods in remote sensing: a smart procedure for sentinel-2 images''

[[Εικόνα:RSpaper2.1_SIOMOS.png | thumb| right|'''Εικόνα 1. Η περιοχή μελέτης πάνω, εντοπισμός της περιοχής μελέτης σε ισορθογώνια προβολή και γεωγραφικές συντεταγμένες WGS84 (EPSG: 4326)- κάτω, απεικόνιση σε σύνθεση RGB των εικόνων Sentinel-2 σε συντεταγμένες επιπέδου UTM/WGS 84 εκφρασμένες σε μέτρα (EPSG: 32632).''']]

'''Συγγραφείς: ''' E.Alcaras , P. P. Amoroso , F. G. Figliomeni , C. Parente , G. Prezioso

'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVIII-4/W3-2022''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.5194/isprs-archives-XLVIII-4-W3-2022-13-2022]

'''Λέξεις-Κλειδιά: ''' Unsupervised classification, K-Means, Sentinel-2, Coastline Extraction, GIS, DEM.

'''1.Εισαγωγή'''

Ως ακτογραμμή ορίζεται το όριο μεταξύ ξηράς και θάλασσας και έχει θεμελιώδη σημασία σε πολλούς τομείς, όπως η χαρτογραφία, η παρακολούθηση της παράκτιας γεωμορφολογίας και η θαλάσσια ναυσιπλοΐα. Επειδή αλλάζει συνεχώς σχήμα και θέση λόγω των δυναμικών περιβαλλοντικών συνθηκών, απαιτεί προσεκτική παρακολούθηση η οποία όταν γίνεται με επιτόπιους ελέγχους, είναι χρονοβόρα, δαπανηρή αλλά και δύσκολη πολλές φορές λόγω της μορφολογίας. Η τηλεπισκόπηση με τις διάφορες τεχνικές που έχει αναπτύξει αποτελεί μια έγκυρη εναλλακτική λύση με εξαιρετικά αποτελέσματα, τα οποία βέβαια εξαρτώνται από πολλούς παράγοντες, όπως την εφαρμοζόμενη μέθοδο, τα χαρακτηριστικά του αισθητήρα, την τυπολογία της ακτογραμμής. Για να διαπιστωθεί η ακρίβεια οποιασδήποτε τεχνικής, σε σχέση με αυτούς τους παράγοντες, είναι απαραίτητη μια ακτογραμμή αναφοράς ως μέτρο σύγκρισης. Συνήθως, χρησιμοποιούμε τη διανυσματοποιημένη ακτογραμμή που παράγεται χειρωνακτικά από την οπτική φωτοερμηνεία μιας παγχρωματικής εικόνας ή ενός έγχρωμου σύνθετου RGB.
Το παρόν άρθρο έχει ως στόχο να καταδείξει, ότι η ακτογραμμή που μπορεί να εξαχθεί πολύ γρήγορα με την χρήση ενός ψηφιακού μοντέλου υψομέτρου, που παράγεται με LiDAR (Lg-DEM) αποτελεί μια αξιόπιστη εναλλακτική προσέγγιση της ακτογραμμής αναφοράς, για τη σύγκριση διαφορετικών μεθόδων στην ανίχνευση της ακτογραμμής σε πολυφασματικές εικόνες Sentinel-2.
Η παραγωγή των ακτογραμμής γίνεται από χάρτες που προκύπτουν από τη χρήση κάποιων δεικτών, στους οποίους εφαρμόζεται η μέθοδος της μη επιβλεπόμενης ταξινόμησης με τον αλγόριθμο k-Means ώστε να ταξινομηθεί κάθε προϊόν δείκτη που προκύπτει, σε δύο ομάδες, νερό και χωρίς νερό (δηλαδή νερό και ξηρά). Η αυτόματη διανυσματοποίηση επιτρέπει την ανίχνευση της ακτογραμμής ως διαχωρισμό μεταξύ ξηράς και θάλασσας. Για τον έλεγχο του επιπέδου της ακρίβειας των αποτελεσμάτων, χρησιμοποιήθηκαν δύο διαφορετικές ακτογραμμές αναφοράς, σε διανυσματική μορφή:

• Η ακτογραμμή που λαμβάνεται από το DEM που παράγεται με δεδομένα 3D LiDAR και με χωρική ανάλυση 2 m x 2 m

• Η χειροκίνητα διανυσματική που βασίζεται σε φωτοερμηνεία RGB.

'''2.Περιοχή Μελέτης και Δεδομένα'''

Τα πειράματα διεξάγονται σε εικόνες Sentinel-2A, που αποκτήθηκαν στις 6 Αυγούστου 2019 και παρουσιάζουν επίπεδο επεξεργασίας 2Α, που αφορούν ένα τμήμα της μητροπολιτικής πόλης της Νάπολης (Ιταλία) με μεγάλη ποικιλία στη μορφολογία της ακτογραμμής (εικόνα 1).
Το DEM που χρησιμοποιήθηκε προέρχεται από δεδομένα LiDAR, που αποκτήθηκαν το 2008, έχει κατακόρυφη ακρίβεια μικρότερη από ± 15 cm, η οριζόντια ακρίβεια είναι ± 30 cm ενώ έχει και αρνητικές τιμές που αντιπροσωπεύουν το βυθό κάτω από την ακτή (εικόνα 2). Η ακτογραμμή εξάγεται ως η γραμμή περιγράμματος στο μηδέν.
Οι εικόνες του Sentinel-2 παράγονται από 2 δίδυμους δορυφόρους, τους Sentinel-2A και Sentinel-2B σε 13 φασματικές υποπεριοχές της ΗΜΑ και τα κύρια χαρακτηριστικά τους παρουσιάζονται στον πίνακα 1.

'''3.Μέθοδοι'''[[Εικόνα:RSpaper2.2_SIOMOS.png | thumb| right|'''Εικόνα 2 Τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης που προέκυψε από την εφαρμογή της RGB σύνθεσης πραγματικών χρωμάτων του Sentinel-2 στο Lg-DEM''']]

''3.1 Υπολογισμός του δείκτη''

Οι έξι δείκτες που χρησιμοποιήθηκαν είναι οι παρακάτω, ενώ η εικόνα 3 δείχνει την εικόνα που προκύπτει από την εφαρμογή της NDWI.
[[Εικόνα:RSpaper2.1 equation Table SIOMOS.png |left|]][[Εικόνα:RSpaper2.3_SIOMOS.png | thumb| center|'''Εικόνα 3. NDWI που λαμβάνεται από τις εικόνες Sentinel-2A στις ζώνες στις ζώνες Green (B3) και NIR (B8) και σε συντεταγμένες επιπέδου UTM/WGS 84 (EPSG: 32633)''']][[Εικόνα:RSpaper2.1_Table_SIOMOS.png | thumb| right|'''Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Sentinel-2.''']]
''3.2 Κατηγοριοποίηση K-Means''[[Εικόνα:RSpaper2.4_SIOMOS.png | thumb| right|'''Εικόνα 4. Αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI: η γη αναπαρίσταται με μαύρο χρώμα, ενώ το νερό αναπαρίσταται με λευκό χρώμα.''']]

Η Κατηγοριοποίηση K-Means εφαρμόζεται σε κάθε δείκτη, εξάγοντας δύο κατηγορίες (νερό/χωρίς νερό) για την ταξινόμηση των εικόνων και από κάθε θεματικό χάρτη, η ακτογραμμή εξάγεται αυτόματα σε διανυσματική μορφή ως πολυγραμμή.Το αποτέλεσμα της ομαδοποίησης K-Means που εφαρμόστηκε στο NDWI παρουσιάζεται στην εικόνα 4.

''3.3 Αξιολόγηση ακρίβειας''

Για την αξιολόγηση της ακρίβειας των εφαρμοζόμενων μεθόδων πρέπει να υπάρχει μια ακτογραμμή αναφοράς σε διανυσματική μορφή, η οποία στην παρούσα μελέτη είναι ακτογραμμή που εξάγεται αυτόματα από Lg-DEM η οποία διερευνάται αν μπορεί να χρησιμοποιηθεί γι αυτό το σκοπό. Για τον έλεγχο της ακρίβειας της ακτογραμμής που προκύπτει σε διανυσματική μορφή θα χρησιμοποιηθούν δύο Δείκτες:

• ο λόγος Index (RI) που εισάγεται στους Maglione et al. (Maglione et al., 2014)
RI=A/L
• ο δείκτης κατανεμημένης αναλογίας (Distributed Ratio Index - DRI) που αναπτύχθηκε από τους Alcaras et al. (Alcaras et al., 2022)

'''4.Αποτελέσματα και Συζήτηση'''

Στους πίνακες 2 και 3 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη από την Lg-DEM ενώ στους πίνακες 3 και 4 παρουσιάζονται οι τιμές των δεικτών ελέγχου τη ακρίβειας με ακτογραμμή αναφοράς εξαγόμενη χειροκίνητα βάσει οπτικής ερμηνείας της σύνθεσης RGB.
[[Εικόνα:RSpaper2.2_Table_SIOMOS.png | thumb| left|'''Πίνακας 2. Τιμές RI για τις εξαγόμενες ακτογραμμές με χρήση ακτογραμμής που εξάγεται από το Lg-DEM ως αναφορά''']][[Εικόνα:RSpaper2.3_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 3. Στατιστικές τιμές DRI για τις ακτογραμμές που εξήχθησαν χρησιμοποιώντας ακτογραμμή που εξάγεται από το Lg-DEM ως αναφορά.''']]

[[Εικόνα:RSpaper2.4_Table_SIOMOS.png‎ | thumb| left|'''Πίνακας 4. Τιμές RI για τις εξαγόμενες ακτογραμμές με χειροκίνητη χρήση επιτευχθείσας ακτογραμμής (με βάση την οπτική ερμηνεία του RGB σύνθεσης) ως σημείο αναφοράς''']][[Εικόνα:RSpaper2.5_Table_SIOMOS.png‎ | thumb| center|'''Πίνακας 5. Στατιστικές τιμές DRI για τις εξαγόμενες ακτογραμμές με χειροκίνητη επίτευξη ακτογραμμής (βάσει οπτικής ερμηνεία της σύνθεσης RGB) ως σημείο αναφοράς.''']]

'''5.Συμπεράσματα'''

Η μελέτη αυτή αποδεικνύει ότι η ακτογραμμή που προκύπτει από την Lg- DEM μπορεί να θεωρηθεί ως αναφορά για τη σύγκριση διαφόρων μεθόδων που εφαρμόζονται για την εξαγωγή ακτογραμμών από εικόνες τηλεπισκόπησης εξοικονομώντας χρόνο και πόρους.

Ωστόσο για την επίτευξη έγκυρων αποτελεσμάτων, πρέπει να προσεχθούν τουλάχιστον τρεις πτυχές:

1. Τόσο οι εικόνες Lg-DEM και όσο οι δορυφορικές πρέπει να είναι σύγχρονες ή, εάν έχουν αποκτηθεί σε διαφορετικές χρονικές στιγμές, να καλύπτουν μια περιοχή η οποία, στο χρονικό διάστημα που έχει παρέλθει, δεν έχει υποστεί καμία αλλαγή.

2. Δεδομένου ότι η στιγμιαία ακτογραμμή εξάγεται από τις εικόνες και η ακτογραμμή σε σχέση με το κατακόρυφο σημείο αναφοράς, από το Lg-DEM, η διαφορά αυτή πρέπει να λαμβάνεται υπόψη, π.χ. αξιολογώντας το ύψος της παλίρροιας κατά την ημερομηνία και την ώρα της εικόνας απόκτησης της εικόνας.

3. Η επιλογή ενός Lg-DEM με διαστάσεις εικονοστοιχείου μικρότερες από εκείνες του δορυφόρου εικόνων είναι προτιμότερη.

Τέλος, πρέπει να τονιστεί ότι η εφαρμογή του K-Means σε NDWI είναι μια πολύ αποδοτική προσέγγιση για τη διάκριση των εικονοστοιχείων νερού από αυτά που δεν έχουν νερό στις εικόνες Sentinel-2.

Δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI)
Δείκτης κανονικοποιημένης διαφοράς νερού Δείκτης νερού (NDWI)
Τροποποιημένος δείκτης κανονικοποιημένης διαφοράς νερού (MNDWI)
Βελτιστοποιημένος δείκτης βλάστησης (EVI)
Δείκτης λόγου κόκκινου-πράσινου (RGR)
Δείκτης λόγου NIR-RED (NRR)

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

Αρχείο:RSpaper2.5 Table SIOMOS.png

2023-02-01T01:22:15Z

SIOMOS:

Αρχείο:RSpaper2.4 Table SIOMOS.png

2023-02-01T01:22:03Z

SIOMOS: