http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Stathis.Laspias&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82 2026-05-14T06:37:00Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B9%CE%B1_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CE%AE_%CF%86%CE%B9%CE%BB%CF%84%CF%81%CE%B1%CF%81%CE%AF%CF%83%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF_%CF%83%CE%B7%CE%BC%CE%B5%CE%AF%CE%BF_%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CF%86%CE%AD%CF%81%CE%BF%CE%BD%CF%84%CE%BF%CF%82_%CF%80%CF%81%CE%BF%CE%BA%CE%B5%CE%B9%CE%BC%CE%AD%CE%BD%CE%BF%CF%85_%CE%BD%CE%B1_%CE%B2%CE%B5%CE%BB%CF%84%CE%B9%CF%89%CE%B8%CE%B5%CE%AF_%CE%B7_%CE%B5%CF%80%CE%B1%CE%BD%CE%B1%CE%BB%CE%B7%CF%80%CF%84%CE%B9%CE%BA%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CE%BA%CE%B1%CE%B9_%CE%B7_%CE%B5%CE%BC%CF%80%CE%B5%CF%81%CE%B9%CE%B5%CF%87%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7_%CF%80%CE%BB%CE%B7%CF%81%CE%BF%CF%86%CE%BF%CF%81%CE%AF%CE%B1 2012-04-01T17:57:03Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Μια τεχνική φιλτραρίσματος για το σημείο ενδιαφέροντος προκειμένου να βελτιωθεί η επαναληπτικότητα και η εμπεριεχόμενη πληροφορία&lt;br&gt;<br /> Πρωτότυπος τίτλος : A Filtering Strategy for Interest Point Detecting<br /> to Improve Repeatability and Information Content.Πηγή : Qing Zhu, Bo Wu, and Neng Wan, Photogrammetric Engineering &amp; Remote Sensing<br /> Vol. 73, No. 5, May 2007, pp. 547–553.<br /> [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf]<br /> &lt;br&gt;&lt;br&gt;<br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Η εξαγωγή των χαρακτηριστικών γνωρισμάτων παίζει σημαντικό ρόλο στον τομέα της αντιστοίχησης των εικόνων, της περιγραφής των αντικειμένων, στην εκτίμηση της μετακίνησης και στην παρακολούθηση των αντικειμένων στο χώρο. Τα σημεία ενδιαφέροντος είναι τα απαραίτητα στοιχεία μιας εικόνας αφού ένα σημείο ενδιαφέροντος αφορά ένα οποιοδήποτε διακριτό σημείο στην εικόνα όπου το σήμα αλλάζει βάσει δύο διαστάσεων. Στην ανάλυση της εικόνας και στην στερεοσκοπική παρατήρηση, είναι ιδιαίτερα σημαντική η επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος για να εξετάσει τις διαφορετικές απαιτήσεις της εφαρμογής. Με σκοπό τη στερεοσκοπική αντιστοίχηση των εικόνων και την επόμενη τρισδιάστατη αναδημιουργία, εξετάστηκε λεπτομερώς στο παρελθόν κατά την επιλογή ενός ανιχνευτή-σημείου ενδιαφέροντος η ακρίβεια ανίχνευσης της αποδοτικότητας και της θέσης. O Schmid et all (2000), επισήμαναν ότι η επιλογή ενός ανιχνευτή σημείου ενδιαφέροντος πρέπει να βασιστεί στο περιεχόμενό της επαναληπτικότητας και των πληροφοριών που περιλαμβάνει. (Περισσότερες πληροφορίες σχετικά με την επαναληπτικότητα και τις εμπεριεχόμενες πληροφορίες θα βρείτε εδώ:http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf).Η επαναληπτικότητα των σημείων ενδιαφέροντος καθορίζει την αξιοπιστία της αντιστοιχίας, ενώ το περιεχόμενο των πληροφοριών δείχνει τη σημασία των σημείων ενδιαφέροντος στην τρισδιάστατη αναδημιουργία του αντικειμένου. Στις δορυφορικές εικόνες και στις αεροφωτογραφίες μεγάλης κλίμακας, πολλά σημεία χαμηλού ενδιαφέροντος μπορούν να εντοπιστούν από τον ανιχνευτή Harris σε εικόνες με χαμηλή υφή και μερικά σημαντικά σημεία με χαμηλό ενδιαφέρον μειώνουν την επαναληπτικότητα και το περιεχόμενο των πληροφοριών ενώ αυξάνει τη πιθανότητα κακής αντιστοιχίας και μειώνει την αποδοτικότητα της αντιστοιχίας της επόμενης εικόνας. Παρότι μερικές βελτιωμένες μέθοδοι του ανιχνευτή Harris όπως αυτή των Mikolajczk και Schmid (2004)προτείνονται για να ενισχύσουν τη σταθερότητά του στην κλίμακα και να καθαρίσει τους μετασχηματισμούς, η ανίχνευση των ενδιαφερόντων σημείων με καλή επαναληπτικότητα και πληροφορία για τη στερεοσκοπική αντιστοιχία και τη τρισδιάστατη αναδημιουργία δεν μελετάται λεπτομερώς. Αυτό το έγγραφο προτείνει μια μέθοδο φιλτραρίσματος σχετική με τα τοπικά χαρακτηριστικά γνωρίσματα της υφής της εικόνας για να διαλέξει εκείνα τα σημεία που θα μειώσουν το γενικό περιεχόμενο επανάληπτικότητας και πληροφοριών. Αυτή η μέθοδος λαμβάνει υπόψη και τη δύναμη ενδιαφέροντος και συγχρόνως το τοπικό χαρακτηριστικό γνώρισμα του σημείου ενδιαφέροντος. Παρουσιάζεται μια διατύπωση φιλτραρίσματος για να υπολογίσει την απάντηση κάθε pixel και έπειτα ένα κατώτατο όριο σχεδιάζεται για επιλογή των σημείων ενδιαφέροντος. Αυτό το έγγραφο έχει δύο συνεισφορές. Κατ' αρχάς, περιγράφονται οι έννοιες της επαναληπτικότητας και του περιεχομένου της πληροφορίας όπως εφαρμόζεται στην ανίχνευση του σημείου ενδιαφέροντος του στερεοζεύγους, και στο επόμενο μέρος συγκρίνει αρκετούς χαρακτηριστικούς ανιχνευτές, οι οποίοι περιλαμβάνουν τις παραδοσιακές και ενημερωμένες μεθόδους, και παρουσιάζουν τα αποτελέσματα σύγκρισης στο περιεχόμενο επανάληψης και πληροφοριών χρησιμοποιώντας τις τυποποιημένες εικόνες δοκιμής. Η δεύτερη συμβολή είναι με τη χρησιμοποίηση του χαρακτηριστικού γνωρίσματος ανάλυσης της εικόνας βασισμένη στην εντροπία των πληροφοριών όπου μια μέθοδος φιλτραρίσματος επιλέγει τα σημεία ενδιαφέροντος σχετικά με το τοπικό χαρακτηριστικό γνώρισμα εικόνας. <br /> &lt;br&gt;&lt;br&gt;<br /> &lt;b&gt;Τηλεπισκοπικά δεδομένα &lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Στη μελέτη αυτή, χρησιμοποιούνται τρία στερεοζεύγη εικόνων, των οποίων κάποιες ιδιότητες είναι ίδιες, το μέγεθός τους είναι 1000x1000 pixels, η κλίμακα είναι 1:10.000, η επικάλυψη είναι 65%, αλλά διαφέρουν σημαντικά στην πολυπλοκότητα υφής. Τα πειράματα πραγματοποιούνται σε αυτά τα στερεοζεύγη για να συγκριθούν με τους ανιχνευτές Moravec, Förstner, Harris, τη μέθοδο DOG, τον ανιχνευτή Harris-Laplace, για να αναλυθεί η επαναληπτικότητα και το περιεχόμενο της πληροφορίας των εξαγώμενων σημείων ενδιαφέροντος. Στα πειράματα αυτά, το όριο της παραμέτρου του ανιχνευτή Moravec και Förstner έχουν επιλεγεί σύμφωνα με τις τιμές που έχουν συστηθεί από τον Moravec (1977) και Förstner (1994) και είναι οι εξής: η παράμετρος σ του Gaussian weight template in Harris είναι 0.5, a equal to 0.04, και η μάσκα φιλτραρίσματος είναι 5x5. Όσον αφορά τη μέθοδο DOG (difference-of-Gaussian), συμμετέχουν δύο οκτάδες, με τέσσερις επιλεγμένες κλίμακες σε κάθε οκτάδα. Ο απλουστευμένος αλγόριθμος Mikolajczk and Schmid (2004) χρησιμοποιείται για να ολοκληρώσει τον ανιχνευτή Ηarris-Laplace.<br /> &lt;br&gt;&lt;br&gt;<br /> &lt;b&gt;Μεθοδολογία&lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Τα σημεία ενδιαφέροντος που είναι ανιχνευμένα από τον ανιχνευτή Harris-Laplace μπορούν να φιλτραριστούν χρησιμοποιώντας το μέγεθος της δύναμης ενδιαφέροντος τους. Εντούτοις, δεν θα μελετηθεί λεπτομερώς ο αριθμός των σημείων ενδιφέροντος που παραλείπονται και η μέθοδος καλού καθορισμού σημείων. ενδιαφέροντος. Αυτό γίνεται αναγκαίο στις μεγάλες κλίμακες αεροφωτογραφιών ή δορυφορικών εικόνων που πρέπει να αντιστοιχηθούν. Η πληροφορία σχετικά με την εντορπία [http://el.wikipedia.org/wiki/%CE%95%CE%BD%CF%84%CF%81%CE%BF%CF%80%CE%AF%CE%B1] γενικά χρησιμοποιείται στην κατανόηση και την ανάλυση της εικόνας. Οι Kadir and Brady (2001) χρησιμοποίησαν την πληροφορία αυτή για να πάρουν μια εμφανή περιοχή, ενώ αυτό το έγγραφο την χρησιμοποιεί για να περιγράψει το τοπικό χαρακτηριστικό γνώρισμα της εικόνας. Η διακριτική ικανότητα του σημείου ενδιαφέροντος δεν σχετίζεται μόνο με τη ισχύ του βάσει όλης της εικόνας αλλά και με τα τοπικά χαρακτηριστικά του σημείου. Έτσι χρησιμοποιείται μια στρατηγική πλέγματος για να χαρακτηριστεί αυτό το είδος των τοπικών χαρακτηριστικών. Για να σχεδιάσουμε ένα πλέγμα σε μια εικόνα με ρυθμισμένη ανάλυση, παίζει ρόλο η εντροπία η οποία και περιγράφει τα χαρακτηριστικά γνωρίσματα του κάθε κελιού του πλέγματος. Έτσι ολόκληρη η εικόνα έχει μετατραπεί σε ένα πίνακα εντροπιών όπου κάθε κελί του περιγράφει διφορετική εντροπία κι έτσι ο πίνακας περιγράφει όχι μόνο τα γενικά χαρακτηριστικά της εικόνας αλλά και τα τοπικά. (Περισσότερες πληροφορίες για το σχέδιο εισαγωγής της εντροπίας θα βρειτε εδώ: http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf).<br /> &lt;br&gt;<br /> [[Εικόνα:garg_harrislaplace_1_14.jpg|right|thumb||Εικόνα 1 :Παρουσίαση εικόνας σε αρχική μορφή, μορφή πλέγματος 30x40, ταξινομημένη εικόνα. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf]πηγή]]<br /> Η Εικόνα 1a προβάλλεται σε ένα πλέγμα με ανάλυση 30x40 (εικόνα 1b), και υπολογίζεται έπειτα η εντροπία κάθε κελιού. Οι διαφορετικές γκρίζες τιμές χρησιμοποιούνται για να δείξουν τη διαφορά της εντροπίας των κελιών, όπου ο ανοιχτός τόνος αντιπροσωπεύει την υψηλή εντροπία, και ο σκούρος τόνος δείχνει τη μικρή εντροπία, δίνοντας μια ταξινομημένη ,βάσει των χαρακτηριστικών της, εικόνα (Eικ.1c). Από την Eικόνα 1c, η εντροπία του κάθε κελιού μπορεί να χρησιμοποιηθεί για να αναλύσει κατάλληλα τα χαρακτηριστικά των εικόνων. Όταν χρησιμοποιείται ένας πίνακας εντροπίας προκειμένου να αναλυθούν τα χαρακτηριστικά η ακρίβεια συσχετίζεται προφανώς με την ανάλυση του πλέγματος. Όσο μεγαλύτερη είναι η ανάλυση του πλέγματος, τόσο πιο ακριβή είναι τα χρακτηριστικά της εικόνας και επομένως η επεξεργασία των πινάκων εντροπίας θα ήταν πιό χρονοβόρα. Με δοκιμαστικές ενέργειες, αποδεικνύει ότι για μια εικόνα 256x256 pixel είναι κατάλληλα να χρησιμοποιηθούν τα κελιά πλέγματος 16x16 pixels. Μετά την ανάλυση τα χαρακτηριστικά της εικόνας χρησιμοποιώντας την τοπική εντροπία των κελιών μπορούμε να θεωρήσουμε όλα τα σημεία (pixels) σε ένα κελί ως το ίδιο τοπικό χαρακτηριστικό γνώρισμα. Στον ανιχνευτή Harris-Laplace, τα βασικό κριτήριο ανίχνευσης ενός σημείου ενδιαφέροντος είναι ότι η δύναμη αυτού του σημείου πρέπει να είναι η μέγιστη όλων των σημείων σε μια 5x5 (ή 3x3) μάσκα με το σημείο στο κέντρο της. Έτσι η σχετική με τα χαρακτηριστικά γνωρίσματα μέθοδος φίλτρων καθορίζεται ως εξής: &lt;math&gt;Εισαγωγή τύπου εδώ&lt;/math&gt; , όπου το ''Ν'' είναι ο αριθμός των σημείων στο πίνακα της μάσκας και το''S[i]'' είναι η ισχύς του σημείου i υπολογίζοντας την εξίσωση 4 που θα βρέιτε εδώ:[http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf] Το ''F[i]'' είναι το τοπικό χαρακτηριστικό του σημείου ''i'' και το ''e'' και το ''Τ'' είναι σταθερές που καθορίζουν την ποικιλία των χαρακτηριστικών της εικόνας και των αριθμό των σημείων ενδιαφέροντος που έχουν επιλεγεί αντίστοιχα. Η σταθερά Τ σχετίζεται με το μέγεθος της μάσκας φιλτραρίσματος. Όταν το μέγεθος της μάσκας αυτής είναι 5x5 το Τ μπορεί να τεθεί στο [2,5], ενώ όταν πρόκειται για μέγεθος 3x3 τότε τίθεται στο [1,4] και έπειτα το ποσοστό μείωσης των σημείων ενδιαφέροντος είναι περίπου 25-50%. Η σταθερά e κυμένεται από 1-3 και σχετίζεται με την τοπική υφή της εικόνας, όσο πολυπλοκότερη η υφή της εικόνας τόσο μεγαλύτερη η αξία της. Οι τιμές των e και T είναι εμπειρικές τιμές που υπολογίζονται με βάση τα εκτενή πειράματα με τις διαφορετικές εικόνες, και μπορούν επίσης να καθοριστούν από τους χρήστες σύμφωνα με τις απαιτήσεις τους. <br /> &lt;br&gt;<br /> [[Εικόνα:garg_harrislaplace_2_14.jpg|right|thumb||Εικόνα 2 :Εικόνες με τα σημεία ενδιαφέροντος από τον ανιχνευτή Harris-Laplace. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf]πηγή]]<br /> Στην εικόνα 2 φαίνονται τα διαφορετικά αποτελέσματα της ανίχνευσης των σημείων ενδιφέροντος με τις διαφορετικές στρατηγικές. Η εικόνα 2a είναι η αναφορά της εικόνας, η 2b παρουσιάζει τα σημεία ενδιαφέροντος ανιχνευμένα από τον ανιχνευτή Harris-Laplace χωρίς να έχουν φιλτραριστεί (ο αριθμός των σημείων ενδιφέροντος είναι 4.993). Η εικόνα 2c παρουσιάζει τα σημεία ενδιφέροντος μετά το φιλτράρισμα λαμβάνοντας υπόψη το τοπικό χαρακτηριστικό γνώρισμα της εικόνας (Τ=3.5, e= 1.5). Ο αριθμός σημείων ενδιαφέροντος είναι 3.637, δηλ. σχεδόν το 1/3 των αρχικών σημείων με τη χαμηλότερη δύναμη φιλτραρίστηκαν. Ο αριθμός των εναπομένοντων σημείων ενδιαφέροντος σε περιοχές χαμηλής υφής (όπως στην περιοχή παιδικών χαρών και λιμνών που μαρκάρονται με έναν κύκλο και μια έλλειψη, αντίστοιχα, στον αριθμό 2b) είναι αντίστοιχα μικρός, αλλά στις περιοχές καλής υφής (κοντά στους δρόμους και τα κτίρια), υπάρχουν περισσότερα σημεία ενδιαφέροντος που παραμένουνν μετά το φιλτράρισμα.<br /> &lt;br&gt;&lt;br&gt;<br /> &lt;b&gt;Ανάλυση αποτελεσμάτων&lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Βάσει αυτής της στρατηγικής φιλτραρίσματος με τον ανιχνευτή Harris-Laplace αρκετά στερεοζεύγη της εικόνας (πίνακας 1 και εικόνα 3) αναλύονται, το στερεοζεύγος 5 μεταφορτώθηκε από τον επίσημο ιστοχώρο ISPRS [http://www.isprs.org/data/avenches/].<br /> &lt;br&gt;<br /> [[Εικόνα:garg_harrislaplace_3_14.jpg|right|thumb||Πίνακας 1 :Αποτελέσματα των πειραμάτων των στερεοζευγών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf]πηγή]]<br /> &lt;br&gt;<br /> [[Εικόνα:garg_harrislaplace_4_14.jpg|right|thumb||Εικόνα 3 :Στερεοζεύγη 5 και 6 της στρατηγικής φιλτραρίσματος. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf]πηγή]]<br /> Το όριο της αξιοπιστίας της αντιστοιχίας τίθεται στο 0.8 ώστε να εξασφαλίσει μια υψηλή αντιστοιχία ποιότητας και το μέγεθος κελιού είναι 100 για τον υπολογισμό του περιεχομένου πληροφοριών. Αφού έχουν αντιστοιχιθεί όλα τα απιτούμενα σημεία μπορεί έπειτα να ληφθεί το DSMs και 46 σημεία ελέγχου για κάθε στερεοζεύγος, επιλέγονται από έναν ψηφιακό φωτογραμμομετρικό τερματικό σταθμό, το μεγαλύτερος μέρος του οποίου εντόπιζεται στο έδαφος και χρησιμοποιούνται για να υπολογίσουν το λάθος μέσης τετραγωνικής τιμής (RMSE) με την παρεμβολή των τιμών ανύψωσης αυτών των σημείων ελέγχου από το παραγόμενο DSM. Τα αποτελέσματα του ανιχνευτή Harris-Standard, της μεθόδου DOG και των Harris-Laplace συγκρίνονται και παρουσιάζονται στον Πίνακα2. <br /> &lt;br&gt;<br /> [[Εικόνα:garg_harrislaplace_5_14.jpg|right|thumb||Πίνακας 2 :Αποτελέσματα πειραμάτων διαφορετικών ανιχνευτών. [http://www.lsgi.polyu.edu.hk/staff/Bo.Wu/publications/zhu&amp;wu07_pe&amp;rs_filtering.pdf]πηγή]]<br /> Από τα πειράματα, ο ανιχνευτής Harris-Laplace στρατηγική φιλτραρίσματος σχετική με τα χαρακτηριστικά γνωρίσματα δίνει καλύτερα αποτελέσματα από άλλους ανιχνευτές από άποψη επαναληπτικότητας και περιεχομένου πληροφοριών, όπως στο στερεοζεύγος 4, το οποίο καλύπτει μεγάλη δασική περιοχή χαμηλής υφής και σύστασης νερού, η επαναληπτικότητα αυξάνεται από 18.63% του ανιχνευτή Harris-Laplace σε 23.93% και στη indistinctive και ομοιογενή υφή του στερεοζεύγους 6, η επανάληπτικότητα και το περιεχόμενο πληροφοριών αυξάνονται από 2.318% του ανιχνευτή Harris-Laplace σε 25.79% και 3.108% αντίστοιχα. Η πυκνότητα των σημείων αντιστοιχίας, είναι προτιμότερο να παραγάγει DSMS επειδή το RMSE των σημείων ελέγχου του ανιχνευτή Harris-Laplace με το φιλτράρισμα είναι επίσης καλύτερο από αυτό του ανιχνευτή Harris-Laplace, καθώς επίσης και καλύτερα από άλλα.<br /> &lt;br&gt;&lt;br&gt;<br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Αυτό το άρθρο κατέληξε στα εξής συμπεράσματα: 1) Με σκοπό την αντιστοιχία του στερεοζεύγους και την τρισδιάστατη αναδημιουργία του αντικειμένου, η επαναληπτικότητα και το περιεχόμενο πληροφοριών είναι τα δύο σημαντικότερα κριτήρια κατά την αξιολόγηση των ανιχνευτών σημείου ενδιαφέροντος. 2)Ο ανιχνευτής Harris-Laplace αποδίδει καλύτερα στις πτυχές του περιεχομένου επαναληπτικότητας και πληροφοριών από άλλους ανιχνευτές στους τομείς της καλής υφής. 3)Ο ανιχνευτής Harris-Laplace με τη στρατηγική φιλτραρίσματος σχετικά με τα χαρακτηριστικά γνωρίσματα που παρουσιάζεται σε αυτό το έγγραφο όχι μόνο δίνει το καλύτερο περιεχόμενο επανάληπτικότητας και πληροφοριών από άλλους ανιχνευτές, αλλά είναι και καταλληλότερος για την αντιστοιχία στερεοζευγών εικόνας και για την επόμενη τρισδιάστατη αναδημιουργία.<br /> &lt;br&gt;&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B5%CE%BB%CF%84%CE%B9%CF%83%CF%84%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7%CF%82_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CF%83%CE%B5_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_Landsat_%CE%BA%CE%B1%CE%B9_Spot_%CF%83%CF%85%CE%BD%CE%B4%CF%85%CE%AC%CE%B6%CE%BF%CE%BD%CF%84%CE%B1%CF%82_%CF%80%CE%BF%CE%BB%CF%85%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%CF%84%CE%B1%CE%BE%CE%B9%CE%BD%CF%8C%CE%BC%CE%B7%CF%83%CE%B7_%CE%BA%CE%B1%CE%B9_%CF%86%CE%AF%CE%BB%CF%84%CF%81%CE%B1_%CF%85%CF%86%CE%AE%CF%82. 2012-04-01T17:51:28Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt; Βελτιστοποίηση ανίχνευσης κτιρίων σε δορυφορικές εικόνες Landsat και Spot συνδυάζοντας πολυφασματική ταξινόμηση και φίλτρα υφής.&lt;/b&gt;&lt;br&gt;<br /> Πρωτότυπος τίτλος : Optimisation of building detection in satellite images by combining multispectral classification and texture filtering&lt;br&gt;<br /> Πηγή : Yun Zhang, ISPRS Journal of Photogrammetry &amp; Remote Sensing 54_199 pp 50–60 [http://www.sciencedirect.com/science?_ob=MImg&amp;_imagekey=B6VF4-3W4XJ1F-5-H&amp;_cdi=6000&amp;_user=83473&amp;_pii=S0924271698000276&amp;_origin=search&amp;_zone=rslt_list_item&amp;_coverDate=02%2F28%2F1999&amp;_sk=999459998&amp;wchp=dGLzVlz-zSkWb&amp;md5=cb172db6ff6d255a5119e0813c601a59&amp;ie=/sdarticle.pdf]<br /> &lt;br&gt;&lt;br&gt;<br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Οι συμβατικές πολυφασματικές μέθοδοι, παρουσιάζουν μέτρια επίδοση όσον αφορά την ανίχνευση των αντικειμένων αστικών κατηγοριών, όπως κτίρια σε δορυφορικές εικόνες υψηλής χωρικής ανάλυσης. Αυτό οφείλεται στο ότι τα αντικείμενα στις αστικές περιοχές έχουν περίπλοκα χωρικά και φασματικά χαρακτηριστικά. Η πολυφασματική ταξινόμηση ανιχνεύει κατηγορίες αντικειμένων μόνο σύμφωνα με τις φασματικές πληροφορίες μεμονωμένων pixels, ενώ οι χωρικές πληροφορίες παραμελούνται. Εδώ, περιγράφεται μια τεχνική η οποία προσπαθεί να ανιχνεύσει τα αστικά κτίρια σε δύο φάσεις. Αρχικά πραγματοποιείται η συμβατική πολυφασματική ταξινόμηση. Στη συνέχεια, η ταξινόμηση των κτιρίων βελτιώνεται με τη βοήθεια των χωρικών πληροφοριών μέσω ενός τροποποιημένου φίλτρου co-occurrence (συνεμφάνισης). Η προτεινόμενη αυτή μέθοδος είναι πολύ χρήσιμη για μια γρήγορη εκτίμηση των αστικών κτιρίων και της ανάπτυξης των πόλεων, ειδικά στις μητροπολιτικές περιοχές των αναπτυσσόμενων χωρών.<br /> &lt;br&gt;&lt;br&gt;<br /> <br /> &lt;b&gt;Η περιοχή μελέτης και ο στόχος για την περιοχή&lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Η περιοχή μελέτης είναι η πόλη της Σαγκάη στην Κίνα[http://el.wikipedia.org/wiki/%CE%A3%CE%B1%CE%B3%CE%BA%CE%AC%CE%B7]. Καλύπτει μια περιοχή των 30x30 χιλιομέτρων προσεγγιστικά . Τα κτίρια της πόλης που είναι περίπου 12-20m πλάτους, είναι κατά βάση κατοικημένα πρόκειται για σπίτια που χτίζονται από το 1949 και ιδιαίτερα από το 1979. Aυτό το είδος κτιρίων διαμορφώνει τα συνηθισμένα αστικά χαρακτηριστικά γνωρίσματα στις δορυφορικές εικόνες. Καλύπτουν το 50% ολόκληρης της κατοικήσιμης περιοχής και αναπτύσσονται όλο και πιο δυναμικά γι’ αυτό και η ανίχνευσή τους είναι και ο βασικός στόχος της μελέτης αυτής. Τα άλλα είδη κτιρίων στην περιοχή αυτή είναι ψηλά κτίρια με περισσότερα από 10 πατώματα, παλαιά μικρά κτίρια, τοποθετημένα πολύ κοντά το ένα στο άλλο αλλά και μικρά παραδοσιακά και ακανόνιστα σπίτια. Τα παλαιά μικρά κτίρια και όσα είναι φτιαγμένα από παραδοσιακά υλικά (π.χ. πέτρες), λόγω μικρού μεγέθους και κοντινής απόστασης μεταξύ τους δεν μπορούν να αναγνωριστούν ούτε με οπτική ερμηνεία (φωτοερμηνεία) στην συγχωνευμένη (merged) εικόνα η οποία προέκυψε από την απεικόνιση Landsat TM (30m διακριτική ικανότητα) και Spot παγχρωματική (10m διακριτική ικανότητα), και γι’ αυτό το λόγο δεν μπορούν να εξαχθούν (να χαρτογραφηθούν, να αναγνωρισθούν στη δορυφορική εικόνα) στην παρούσα εργασία.<br /> &lt;br&gt;<br /> [[Εικόνα:garg_texture_1_03.jpg|right|thumb||Εικόνα 1 : Κτίρια ανιχνευμένα με πολυφασματική ταξινόμηση από συγχωνευμένα TM-SPOT δεδομένα στη πόλη Shangai,βόρειο και νότιο τμήμα, [http://www.sciencedirect.com/science?_ob=MImg&amp;_imagekey=B6VF4-3W4XJ1F-5-H&amp;_cdi=6000&amp;_user=83473&amp;_pii=S0924271698000276&amp;_origin=search&amp;_zone=rslt_list_item&amp;_coverDate=02%2F28%2F1999&amp;_sk=999459998&amp;wchp=dGLzVlz-zSkWb&amp;md5=cb172db6ff6d255a5119e0813c601a59&amp;ie=/sdarticle.pdf]πηγή]]<br /> &lt;br&gt;&lt;br&gt;<br /> &lt;b&gt;Μεθοδολογία&lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Για την ανίχνευση των κτιρίων που αποτελούνται από 12-20 μέτρα πλάτος, χρησιμοποιήθηκαν συγχωνευμένες TM-SPOT (μέγεθος pixel 10m) εικόνες. Η μέθοδος συγχώνευσης ήταν η μετατροπή IHS[http://www.sciencedirect.com/science?_ob=ArticleURL&amp;_udi=B6VF4-4MM8BC3-2&amp;_user=83473&amp;_coverDate=02%2F28%2F2007&amp;_rdoc=1&amp;_fmt=high&amp;_orig=search&amp;_origin=search&amp;_sort=d&amp;_docanchor=&amp;view=c&amp;_searchStrId=1576191612&amp;_rerunOrigin=google&amp;_acct=C000059671&amp;_version=1&amp;_urlVersion=0&amp;_userid=83473&amp;md5=1d4de1956e3040a73947964df0d75d21&amp;searchtype=a]. Τα στοιχεία που χρησιμοποιήθηκαν για την συγχώνευση ήταν τα TM κανάλια 3, 4 και 7 παρμένα από LANDSAT 5 στις 18 Μαϊου 1987 και τα SPOT παγχρωματικά δεδομένα λήφθηκαν από δέκτες HRV2 του STOT 1 στις 25 Οκτώβρη 1989. Eξαιτίας της περιορισμένης επιλογής η πηγή δεδομένων που χρησιμοποιήθηκε έχει μια χρονική διαφορά δύo ετών. Η διαφορά της χρονικής διάρκειας μειώνει την ακρίβεια της πολυφασματικής ταξινόμησης αλλά όχι το φιλτράρισμα υφής, το βασικό κομμάτι της μελέτης. Η μη επιβλεπόμενη ISODATA μέθοδος συγκέντρωσης χρησιμοποιήθηκε για την πολυφασματική ταξινόμηση των κτιρίων. Οι μέθοδοι της ανάλυσης υφής συχνά χρησιμοποιούνται για την αναγνώριση και τη διάκριση διαφορετικών χωρικών χαρακτηριστικών σε ψηφιακές εικόνες. Η εικόνα παραγωγής από την ανάλυση υφής ταξινομείται άμεσα ή χρησιμοποιείται ως πρόσθετη ζώνη μαζί με άλλα πολυφασματικά κανάλια στην ταξινόμηση. Εδώ, ο πίνακας συνεμφάνισης (co-occurrence), χρησιμοποιήθηκε για να ανιχνεύσει αντικείμενα με διαφορετικά μεγέθη και κατευθύνσεις. Οι τιμές του co-occurrence πίνακα σε 4 διαγώνιες κατευθύνσεις υπολογίστηκαν με απόσταση ανά ένα pixel και μέγεθος παραθύρου 3x3 και 5x5 και έπειτα ακολούθησαν οι μετρήσεις των τεσσάρων γνωρισμάτων υφής από κάθε πίνακα co-occurrence, ενέργεια, αντίθεση, εντροπία, ομοιογένεια. Όλες οι παραπάνω εικόνες μέτρου υφής για κάθε κατεύθυνσης είναι των 8 bit. Οι γκρίζες τιμές αυτών των εικόνων αντιπροσωπεύουν το μέγεθος του αντικειμένου, δηλαδή όσο μεγαλύτερο είναι το μέγεθος του αντικειμένου, τόσο εντονότερη η γκρίζα απόχρωση κι έτσι τα αντικείμενα διαφορετικών μεγεθών διαχωρίζονται εύκολα. Οι εικόνες γκρίζων τιμών υποδιαιρέθηκαν σε ομάδες χρησιμοποιώντας την ISODATA μέθοδο συγκέντρωσης. Αυτές οι 50 ομάδες ερμηνεύτηκαν χειροκίνητα, επικαλύπτοντας ακριβώς στη συγχώνευση έγχρωμης εικόνας TM-SPOT και χρησιμοποιώντας τις τεχνικές για κάθε ομάδα για να ελεγχθεί αν αυτό ανήκει στην κατηγορία να ταξινομηθεί στην πρότυπη εικόνα.<br /> Στην παρούσα εργασία, τα κτίρια αποτελούνται από 6 ομάδες ενώ άλλες ομάδες ορίστηκαν σε θορυβώδεις περιοχές ή σε ραδιομετρικά «θορυβώδεις» περιοχές (περιοχές background). Βέβαια οι εικόνες θα μπορούσαν να υποδιαιρεθούν σε περισσότερες από 50 ομάδες, αλλά η ερμηνεία θα γινόταν πιο δύσκολη και χρονοβόρα. Οι 4 διαγώνιες κατευθύνσεις χρησιμοποιήθηκαν επειδή οι τοίχοι των περισσότερων κτιρίων στην περιοχή μελέτης βρίσκονταν στις διαγώνιες κατευθύνσεις της εικόνας. Χρησιμοποιώντας αυτή τη παραδοχή, τα κτίρια μπορούν να διαχωριστούν καλύτερα από το θόρυβο. Τα αποτελέσματα του φιλτραρίσματος φαίνονται στον πίνακα που επισυνάπτω, χρησιμοποιώντας ένα πίνακα 3x3 και την μέτρηση της υφής της ομοιογένειας. Η εξάρτηση κατεύθυνσης των πινάκων συνεμφάνισης (co-occurred) φαίνεται ξεκάθαρα στα αποτελέσματα φιλτραρίσματος του αερολιμένα στα δεξιά και στο σιδηρόδρομο στο κατώτατο σημείο δεξιά για κάθε κατεύθυνση, όπου η μία πλευρά αιχμής των αντικειμένων δεν μπορεί να φιλτραριστεί. Κατά συνέπεια, οι αιχμές μεγάλων μη κτιριακών αντικειμένων, είναι ταξινομημένες ως κτίρια. Με τη συγχώνευση των αποτελεσμάτων των κτιριακών κατηγοριών σε κάθε μια από τις 4 κατευθύνσεις που χρησιμοποιούν ένα λογικό AND, αυτό το πρόβλημα είναι ικανό να λυθεί. Ομοίως, οι περιοχές θορύβου στις 4 κατευθύνσεις συγχωνεύονται από ένα λογικό OR, ενώ η υπόλοιπη περιοχή ορίζεται στις ραδιομετρικά «θορυβώδεις» περιοχές. Το καλύτερο αποτέλεσμα, μεταξύ των 2 διαφορετικών μεγεθών παραθύρων και των τεσσάρων μετρήσεων υφής, επιτεύχθηκε με τη χρήση ενός 3x3 μεγέθους pixel και της μέτρου υφής ομογένειας (βλ. Εικόνα2)<br /> &lt;br&gt;<br /> [[Εικόνα:garg_texture_2_03.jpg|right|thumb||Εικόνα 2 : Αποτελέσματα της ανίχνευσης εικόνων μετά τη χρήση του co-occurrence πίνακα φιλτραρίσματος σε κάθε μία από τις τέσσερεις διαγώνιες κατευθύνσεις, [http://www.sciencedirect.com/science?_ob=MImg&amp;_imagekey=B6VF4-3W4XJ1F-5-H&amp;_cdi=6000&amp;_user=83473&amp;_pii=S0924271698000276&amp;_origin=search&amp;_zone=rslt_list_item&amp;_coverDate=02%2F28%2F1999&amp;_sk=999459998&amp;wchp=dGLzVlz-zSkWb&amp;md5=cb172db6ff6d255a5119e0813c601a59&amp;ie=/sdarticle.pdf]πηγή]]<br /> Για λόγους σύγκρισης (των διαφορετικών μεθόδων φίλτρων υφής), χρησιμοποιήθηκε επίσης μια κανονική μέθοδος ανάλυσης υφής για να φιλτράρει τα πολυφασματικά ταξινομημένα κτίρια χρησιμοποιώντας τα ίδια μέτρα υφής και τα μεγέθη παραθύρων. Οι μετρήσεις υφής υπολογίστηκαν όπως πριν μόνο που χρησιμοποιήθηκαν οι δυαδικές τιμές της πολυφασματικής ταξινόμησης αντί των τιμών των (co-occurrence) πινάκων συνεμφάνισης. Τα καλύτερα αποτελέσματα επιτεύχθηκαν με τη χρήση ενός παραθύρου pixel 3x3 και των μετρήσεων υφής ενέργειας και ομοιογένειας. Η οπτική σύγκριση των εικόνων στην εικόνα 1b και 5a,c,e δείχνουν καθαρά ότι το αεροδρόμιο, η σιδηροδρομική τροχιά, τα τμήματα των δρόμων και τα γυμνάσια φιλτραρίστηκαν πολύ καθαρά. Αντίθετα, μόνο κάποια αποκλείστηκαν στην εικόνα 5c,e. Το πλεονέκτημα του co-occurrence πίνακα βασισμένου στο φιλτράρισμα , πέρα από το κανονικό φιλτράρισμα ανάλυσης, παρουσιάζεται ξεκάθαρα μέσω αυτής της σύγκρισης. Στις εικόνες 1a και 5b παρουσιάζεται ένα ακόμη τμήμα των αποσπασματικών κτιρίων πρίν και μετά το φίλτρο υφής. Μέσω της οπτικής παρατήρησης είναι ευδιάκριτο το μεγάλο μέρος της περιοχής του θορύβου που βρίσκεται μέσα στο αποτέλεσμα της πολυφασματικής ταξινόμησης. the co-occurrence matrix based filtering and the normal texture analysis filtering is also clearly visible by comparing Fig. 5b and f, αντίστοιχα. Η ίδια μέτρηση υφής ομοιογένειας χρησιμοποιήθηκε και στις δύο μεθόδους.<br /> &lt;br&gt;<br /> [[Εικόνα:garg_texture_3_03.jpg|right|thumb||Εικόνα 3 : Σύγκριση αποτελεσμάτων ανίχνευσης κτιρίων χρησιμοποιώντας διαφορετικές μεθόδους φιλτραρίσματος με πίνακα μέγεθος 3x3 ((500x360 τμήματος pixel). [http://www.sciencedirect.com/science?_ob=MImg&amp;_imagekey=B6VF4-3W4XJ1F-5-H&amp;_cdi=6000&amp;_user=83473&amp;_pii=S0924271698000276&amp;_origin=search&amp;_zone=rslt_list_item&amp;_coverDate=02%2F28%2F1999&amp;_sk=999459998&amp;wchp=dGLzVlz-zSkWb&amp;md5=cb172db6ff6d255a5119e0813c601a59&amp;ie=/sdarticle.pdf]πηγή]]<br /> &lt;br&gt;&lt;br&gt;&lt;b&gt;Αξιολόγηση &lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Προκειμένου να αξιολογηθεί η ακρίβεια των αποτελεσμάτων η συγχωνευμένη κοντινή και φυσικού χρώματος εικόνα, TM-SPOT χρησιμοποιήθηκε ως αναφορά. Η μέθοδος των τυχαίων σημείων εφαρμόστηκε σε τρεις περιοχές των 600x400 pixels. Η πρώτη εξεταζόμενη περιοχή ήταν στο νότιο μέρος της πόλης όπου τα πρόσφατα χτισμένα κατοικημένα σπίτια που έχουν περίπου πλάτος 12-20m, υπερισχύουν. Η δεύτερη περιοχή ήταν στη βόρεια πλευρά της πόλης, όπου η πλειοψηφία των κτιρίων είναι πρόσφατα χτισμένα κατοικημένα σπίτια και μόνο ένα μέρος τους είναι παλαιά. Η τρίτη περιοχή ήταν στη μέση της πόλης, όπου τα παλαιά μικρά κτίρια επικρατούν με μερικά μεγάλα κτίρια διασκορπισμένα ανάμεσά τους. Τα κτίρια καλύπτουν κατά μέσο όρο το 10% των τριών αυτών περιοχών. Τα κτίρια ήταν κατά βάση 1-2 pixels πλάτους. Συνολικά 400 τυχαία σημεία συλλέχθηκαν ως pixels αναφοράς σε κάθε μία από τις τρείς περιοχές δοκιμής και ταξινομήθηκαν με το χέρι. Η χρονική διαφορά μεταξύ TM και SPOT εικόνων δεν επηρέασε την οπτική ανίχνευση των κτιρίων, δεδομένου ότι μπόρεσε να γίνει με τη χρησιμοποίηση της υψηλότερης χωρικής ανάλυσης από το SPOT, ανεξάρτητα από τη φασματική πληροφορία των εικόνων TM. Το μικτό ποσοστό των pixels ήταν πολύ υψηλό στις εικόνες TM-SPOT. Γι’ αυτό ήταν δύσκολο να καθοριστεί με ακρίβεια πότε ένα τυχαίο σημείο των αιχμών κτιρίων ανήκε σε ένα κτίριο ή στο background. Σε καμία από τις τρεις περιοχές δεν υπήρξε τέτοιο λάθος αφού τα αυτόματα ανιχνευμένα κτίρια επιστρώθηκαν στις εικόνες αναφοράς. <br /> Η ακρίβεια χρηστών για μία κατηγορία ορίζεται ως η αναλογία των σωστά ταξινομημένων αντικειμένων από το συνολικό αριθμό των αντικειμένων (pixels) καταταγμένο σε αυτή τη κατηγορία και σχετίζεται με τα λάθη της commission. Η ακρίβεια χρηστών και το k στατιστικό των εξαγόμενων κτιρίων μετά τον co-occurrence πίνακα βασισμένο στο φιλτράρισμα είναι σημαντικά υψηλότερο από πρίν σε όλες τις εξεταζόμενες περιοχές. Μετά τη βελτίωση του co-occurrence πίνακα, η μέση ακρίβεια χρηστών των τριών περιοχών αυξάνεται από 59% σε 86% και η μέση τιμή κ αυξάνεται από 0,54 σε 0,85 βελτιώνοντας και τις δύο μετρήσεις ακρίβειας αντίστοιχα. Τα αποτελέσματα της 1ης περιοχής είναι καλύτερα από της 2ης , αφού η 2η έχει αναλογικά τα περισσότερα μη οικοδομήσιμα κτίρια. Τα αποτελέσματα της 3ης περιοχής ήταν τα καλύτερα διότι τα μεγάλα κτίρια είχαν διαφορετικά υλικά στεγών από αυτά των μικρών με τις σκοτεινές στέγες. Κατά συνέπεια, είχαν διαφορετικά φασματικά χαρακτηριστικά επομένως ήταν και πιο ευδιάκρτιτα. Η βελτίωση ακρίβειας μέσω του κανονικού φιλτραρίσματος ανάλυσης υφής με την ομοιογένεια μέτρου υφής αξιολογήθηκε στην πρώτη εικόνα προκειμένου να το συγκρίνει με τον πίνακα co-occurrence βασισμένο στο φιλτράρισμα. Η μέθοδος αξιολόγησης ήταν όπως παραπάνω και τα αποτελέσματα ακρίβειας παρουσιάζονται στον Πίνακα 1. Η ακρίβεια των χρηστών αυξάνεται από 49% σε 69% με το κανονικό φιλτράρισμα ανάλυσης υφής και σε 86% με τον πίνακα co-occurrence βασισμένο στο φιλτράρισμα, δηλαδή προκύπτει βελτίωση της ακρίβειας της τελευταίας μεθόδου έναντι της πρώτης κατά 25%.<br /> &lt;br&gt;&lt;br&gt;&lt;b&gt;Συμπεράσματα &lt;/b&gt;&lt;br&gt;&lt;br&gt;<br /> Είναι προφανές ότι η ακρίβεια της ανίχνευσης κτιρίων σε δορυφορικές εικόνες δεν είναι ιδιαίτερα ικανοποιητική για λεπτομερή έρευνα της αστικής περιοχής η για τις εφαρμογές μεγάλης κλίμακας των GIS. Παρόλα αυτά, το αποτέλεσμα αυτής της μελέτης είναι πού χρήσιμο για μια γρήγορη εκτίμηση των αστικών κτισμάτων και της ανάπτυξης των πόλεων.<br /> &lt;br&gt;&lt;br&gt;&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_4_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-31T15:24:37Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 4: Εκτίμηση του μεγέθους της μεταβολής της ακτογραμμής του Μαλιακού κόλπου με την χρήση δορυφορικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Οι δορυφορικές εικόνες, λόγω της συνοπτικής επισκόπησης και της μεγάλης κάλυψης χρησιμοποιούνται συχνά για την ανίχνευση και εκτίμηση των αλλαγών στη μορφολογία της επιφάνειας του φυσικού εδάφους.&lt;br&gt;<br /> &lt;br&gt;Στην εφαρμογή αυτή θα γίνει μια εκτίμηση του μεγέθους της μεταβολής της δυτικής ακτογραμμής του Μαλιακού κόλπου εξαιτίας των προσχώσεων του ποταμού Σπερχειού. Το δέλτα του Σπερχειού βρίσκεται στο ανατολικό τμήμα του νομού Φθιώτιδας, εκτείνεται ανατολικά της Εθνικής Οδού Αθηνών-Λαμίας. Ο Σπερχειός[http://el.wikipedia.org/wiki/%CE%A3%CF%80%CE%B5%CF%81%CF%87%CE%B5%CE%B9%CF%8C%CF%82] πηγάζει από τον Τυμφρηστό από τα 2.315m και μετά από μια διαδρομή 82km χύνεται στα δυτικά παράλια του Μαλιακού, όπου και σχηματίζεται το δέλτα. Ο Μαλιακός[http://el.wikipedia.org/wiki/%CE%9C%CE%B1%CE%BB%CE%B9%CE%B1%CE%BA%CF%8C%CF%82_%CE%BA%CF%8C%CE%BB%CF%80%CE%BF%CF%82] είναι ένας μικρός κλειστός κόλπος που συνδέεται με το Αιγαίο πέλαγος στα ανατολικά και έχει μέγιστο βάθος περίπου 30m, ενώ όσο προχωρούμε δυτικότερα το βάθος μειώνεται. Παλαιότερα η σημερινή έκταση του δέλτα και της γύρω πεδιάδας καλύπτονταν από θάλασσα, αλλά ο Σπερχειός με τα άφθονα φερτά υλικά σχημάτισε τη μορφή του τοπίου όπως τη ξέρουμε σήμερα.&lt;br&gt;<br /> [[Εικόνα:Stlas-ef4-1.jpg|right|thumb||Εικόνα 1 : Χάρτης που απεικονίζει τις μεταβολές στην ακτογραμμή του Μαλιακού κόλπου από το 480 π.Χ. μέχρι το 1972.]]<br /> &lt;br&gt;Ο Σπερχειός ποταμός κατεβάζει σημαντικές ποσότητες φερτών υλικών στις εκβολές του, όπου σχηματίζονται προσχώσεις που δεν μπορούν να διαλυθούν εξαιτίας του αβαθούς και κλειστού θαλάσσιου περιβάλλοντος, με αποτέλεσμα το δέλτα του να επεκτείνεται προς τα ανατολικά σχηματίζοντας νέες εκτάσεις. Μελέτες έχουν δείξει ότι ο ρυθμός μεταβολής της ακτογραμμής είχε φτάσει μέχρι και τα 9m/χρόνο σε διάφορες περιόδους αν και τα τελευταία χρόνια μέχρι το 2007 η ακτογραμμή δεν έχει μεταβληθεί έντονα.&lt;br&gt; <br /> &lt;br&gt;Ιζηματολογικά ο πυθμένας του Μαλιακού κόλπου καλύπτεται από πολύ λεπτά (&lt; 63cm) ιζήματα (ιλύς και άργιλος), ενώ μικρά ποσοστά άμμου συναντώνται στις παράκτιες περιοχές και στα στόμια του Σπερχειού. &lt;br&gt; <br /> &lt;br&gt;Διακρίνονται δύο βασικές περιοχές προώθησης της ακτογραμμής, η πρώτη εντοπίζεται στην έξοδο του ενεργού δέλτα, όπου η απόθεση φερτών υλικών από τον Σπερχειό προκάλεσε την προώθηση της ακτογραμμής καλύπτοντας μια περιοχή περίπου 0,77 km2 από το 1945, δημιουργώντας τη μορφή της επιφάνειας του εδάφους όπως φαίνεται σήμερα. Η δεύτερη αφορά την περιοχή που εκβάλει ο εκχειλιστήρας του ποταμού στα βόρεια του κόλπου και ο οποίος κατασκευάστηκε το 1958, όπου παρατηρείται και η μεγαλύτερη προώθηση της ακτογραμμής με τη δημιουργία νέας χέρσου έκτασης 0,94 km2.&lt;br&gt;<br /> &lt;br&gt;Η στερεοπαροχή του Σπερχειού είναι άρρηκτα συνδεδεμένη με την υδατοπαροχή του και εκτιμάται να φτάνει κατά το παρελθόν τους 1500 103 τόνους το χρόνο. Μετρήσεις αιωρούμενου υλικού την περίοδο 1992-1993 έδωσαν τιμές μεταξύ 4 και 50 gr/m3 που αντιστοιχούν σε μια ετήσια στερεοπαροχή της τάξης των 3000 τόνων, που είναι σαφώς μικρότερη από αυτές του παρελθόντος. &lt;br&gt;<br /> &lt;br&gt;Είναι γεγονός ότι τα τελευταία χρόνια οι αλλαγές στην ακτογραμμή του Μαλιακού δεν είναι τόσο έντονες όσο στο παρελθόν και ειδικότερα στο ενεργό στόμιο του Σπερχειού ποταμού. Αυτό οφείλεται στην μείωση της παροχής σε νερό του ποταμού χάριν της γεωργίας και της αυξανόμενης απαίτησης για πόσιμο νερό, στην φυσική μείωση της βροχόπτωσης στην ευρύτερη περιοχή τα τελευταία χρόνια και στο γεγονός ότι το στόμιο του ποταμού έχει προσεγγίσει, μετά από προέλαση δεκαετιών σε βαθύτερα μέρη (&gt;20m) του κόλπου όπου χρειάζεται πολύ μεγαλύτερη χρονική περίοδος για την προέλαση των εκβολών.&lt;br&gt; <br /> &lt;br&gt;Στόχος αυτής της εφαρμογής είναι η ανίχνευση των μεταβολών της δυτικής ακτογραμμής του Μαλιακού κόλπου, καθώς και μια σύντομη εκτίμηση του μεγέθους του προβλήματος μέσω της ψηφιακής επεξεργασίας δορυφορικών εικόνων Landsat TM δυο χρονολογιών. Συγκεκριμένα οι δύο εικόνες ταξινομήθηκαν για την ανίχνευση των διαχρονικών αλλαγών της κάλυψης του εδάφους στην περιοχή του δέλτα Σπερχειού. &lt;br&gt;<br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκαν δυο πολυφασματικές εικόνες Landsat TM , που λήφθηκαν στις 29 Ιουνίου του 1991 και στις 14 Απριλίου του 2007. Οι εικόνες διορθώθηκαν γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef4-2.jpg|right|thumb||Εικόνα 2 :Αριστερά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 29ης Ιουνίου 1991. Δεξιά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007. Και τα δύο σύνθετα απεικονίζουν την έκταση του Μαλιακού κόλπου, στα ανατολικά συνδέεται με το Αιγαίο πέλαγος και στα δυτικά φαίνεται το δέλτα στου Σπερχειού.]]<br /> Για την ταξινόμηση της περιοχής μελέτης ορίστηκαν μόνο δύο τάξεις, το έδαφος και η θάλασσα, καθώς καμία άλλη κατηγορία εδαφοκάλυψης δεν χρειάζεται να καθοριστεί για την σκοπό της παρούσας εφαρμογής. <br /> [[Εικόνα:Stlas-ef4-3.jpg|left|thumb||Εικόνα 3 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, της 29ης Ιουνίου 1991.]]<br /> [[Εικόνα:Stlas-ef4-4.jpg|left|thumb||Εικόνα 4 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007.]]<br /> <br /> [[Εικόνα:Stlas-ef4-5.jpg|right|thumb||Εικόνα 5 :Tο έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, όπου με κόκκινο χρώμα παρουσιάζεται η ακτογραμμή με τη μορφή που είχε το 1991 και με κίτρινο χρώμα η μορφή της ακτογραμμής το 2007.]]<br /> &lt;br&gt;[[Εικόνα:Stlas-ef4-6.jpg|right|thumb||Εικόνα 6 :O χάρτης στον οποίο απεικονίζεται η επιφάνεια του εδάφους και διακρίνεται ξεκάθαρα η μεταβολή της ακτογραμμής σε περίοδο 16 ετών, από 1991-2007.]]&lt;br&gt;<br /> <br /> &lt;br&gt;Πολύ ενδιαφέροντα συμπεράσματα προέκυψαν από τη διαχρονική μελέτη του φαινομένου της μεταβολής της ακτογραμμής του Μαλιακού κόλπου λόγω ισχυρών προσχώσεων οι οποίες εμφανίζονται στην περιοχή. Ενθαρρυντική ήταν και η επιλογή της ταξινόμησης ως ψηφιακής μεθόδου για τον εντοπισμό μεταβολών της ακτογραμμής. Τα αποτελέσματα που λήφθηκαν από την παρούσα εφαρμογή επιβεβαιώνουν τις παλαιότερες μελέτες για το πρόβλημα των προσχώσεων του Σπερχειού ποταμού. Στις εικόνες 5 και 6 γίνεται οπτική σύγκριση της επιφάνειας που καταλάμβανε το έδαφος το 1991 με αυτή που καταλάμβανε το 2007 και ταυτόχρονα παρουσιάζεται η θέση και η μορφή της ακτογραμμής σε αυτά τα έτη. Οι διαφορές διακρίνονται καθαρά, χωρίς βέβαια να είναι έντονες. Συγκεκριμένα φαίνεται ξεκάθαρα το μέγεθος της αύξησης της επιφάνειας του εδάφους κατά τη διάρκεια αυτής της χρονικής περιόδου. Οι αλλαγές εντοπίζονται και στις δύο περιοχές προώθησης της ακτογραμμής. Έχει σημασία το γεγονός ότι η εφαρμογή αυτή μελετά την μεταβολή της ακτογραμμής εξαιτίας των προσχώσεων του Σπερχειού μόνο για χρονική περίοδο 16 ετών, οπότε μια επέκταση του εδάφους περίπου 75 στρέματα, όπως υπολογίστηκε, σε τόσο σύντομο διάστημα απαιτεί την άμεση κινητοποίηση των αρμοδίων αρχών για την κατασκευή τεχνητών έργων ανάσχεσης του φαινομένου.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_4_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-31T15:23:34Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 4: Εκτίμηση του μεγέθους της μεταβολής της ακτογραμμής του Μαλιακού κόλπου με την χρήση δορυφορικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Οι δορυφορικές εικόνες, λόγω της συνοπτικής επισκόπησης και της μεγάλης κάλυψης χρησιμοποιούνται συχνά για την ανίχνευση και εκτίμηση των αλλαγών στη μορφολογία της επιφάνειας του φυσικού εδάφους.&lt;br&gt;<br /> &lt;br&gt;Στην εφαρμογή αυτή θα γίνει μια εκτίμηση του μεγέθους της μεταβολής της δυτικής ακτογραμμής του Μαλιακού κόλπου εξαιτίας των προσχώσεων του ποταμού Σπερχειού. Το δέλτα του Σπερχειού βρίσκεται στο ανατολικό τμήμα του νομού Φθιώτιδας, εκτείνεται ανατολικά της Εθνικής Οδού Αθηνών-Λαμίας. Ο Σπερχειός πηγάζει από τον Τυμφρηστό από τα 2.315m και μετά από μια διαδρομή 82km χύνεται στα δυτικά παράλια του Μαλιακού, όπου και σχηματίζεται το δέλτα. Ο Μαλιακός[http://el.wikipedia.org/wiki/%CE%9C%CE%B1%CE%BB%CE%B9%CE%B1%CE%BA%CF%8C%CF%82_%CE%BA%CF%8C%CE%BB%CF%80%CE%BF%CF%82] είναι ένας μικρός κλειστός κόλπος που συνδέεται με το Αιγαίο πέλαγος στα ανατολικά και έχει μέγιστο βάθος περίπου 30m, ενώ όσο προχωρούμε δυτικότερα το βάθος μειώνεται. Παλαιότερα η σημερινή έκταση του δέλτα και της γύρω πεδιάδας καλύπτονταν από θάλασσα, αλλά ο Σπερχειός με τα άφθονα φερτά υλικά σχημάτισε τη μορφή του τοπίου όπως τη ξέρουμε σήμερα.&lt;br&gt;<br /> [[Εικόνα:Stlas-ef4-1.jpg|right|thumb||Εικόνα 1 : Χάρτης που απεικονίζει τις μεταβολές στην ακτογραμμή του Μαλιακού κόλπου από το 480 π.Χ. μέχρι το 1972.]]<br /> &lt;br&gt;Ο Σπερχειός ποταμός κατεβάζει σημαντικές ποσότητες φερτών υλικών στις εκβολές του, όπου σχηματίζονται προσχώσεις που δεν μπορούν να διαλυθούν εξαιτίας του αβαθούς και κλειστού θαλάσσιου περιβάλλοντος, με αποτέλεσμα το δέλτα του να επεκτείνεται προς τα ανατολικά σχηματίζοντας νέες εκτάσεις. Μελέτες έχουν δείξει ότι ο ρυθμός μεταβολής της ακτογραμμής είχε φτάσει μέχρι και τα 9m/χρόνο σε διάφορες περιόδους αν και τα τελευταία χρόνια μέχρι το 2007 η ακτογραμμή δεν έχει μεταβληθεί έντονα.&lt;br&gt; <br /> &lt;br&gt;Ιζηματολογικά ο πυθμένας του Μαλιακού κόλπου καλύπτεται από πολύ λεπτά (&lt; 63cm) ιζήματα (ιλύς και άργιλος), ενώ μικρά ποσοστά άμμου συναντώνται στις παράκτιες περιοχές και στα στόμια του Σπερχειού. &lt;br&gt; <br /> &lt;br&gt;Διακρίνονται δύο βασικές περιοχές προώθησης της ακτογραμμής, η πρώτη εντοπίζεται στην έξοδο του ενεργού δέλτα, όπου η απόθεση φερτών υλικών από τον Σπερχειό προκάλεσε την προώθηση της ακτογραμμής καλύπτοντας μια περιοχή περίπου 0,77 km2 από το 1945, δημιουργώντας τη μορφή της επιφάνειας του εδάφους όπως φαίνεται σήμερα. Η δεύτερη αφορά την περιοχή που εκβάλει ο εκχειλιστήρας του ποταμού στα βόρεια του κόλπου και ο οποίος κατασκευάστηκε το 1958, όπου παρατηρείται και η μεγαλύτερη προώθηση της ακτογραμμής με τη δημιουργία νέας χέρσου έκτασης 0,94 km2.&lt;br&gt;<br /> &lt;br&gt;Η στερεοπαροχή του Σπερχειού είναι άρρηκτα συνδεδεμένη με την υδατοπαροχή του και εκτιμάται να φτάνει κατά το παρελθόν τους 1500 103 τόνους το χρόνο. Μετρήσεις αιωρούμενου υλικού την περίοδο 1992-1993 έδωσαν τιμές μεταξύ 4 και 50 gr/m3 που αντιστοιχούν σε μια ετήσια στερεοπαροχή της τάξης των 3000 τόνων, που είναι σαφώς μικρότερη από αυτές του παρελθόντος. &lt;br&gt;<br /> &lt;br&gt;Είναι γεγονός ότι τα τελευταία χρόνια οι αλλαγές στην ακτογραμμή του Μαλιακού δεν είναι τόσο έντονες όσο στο παρελθόν και ειδικότερα στο ενεργό στόμιο του Σπερχειού ποταμού. Αυτό οφείλεται στην μείωση της παροχής σε νερό του ποταμού χάριν της γεωργίας και της αυξανόμενης απαίτησης για πόσιμο νερό, στην φυσική μείωση της βροχόπτωσης στην ευρύτερη περιοχή τα τελευταία χρόνια και στο γεγονός ότι το στόμιο του ποταμού έχει προσεγγίσει, μετά από προέλαση δεκαετιών σε βαθύτερα μέρη (&gt;20m) του κόλπου όπου χρειάζεται πολύ μεγαλύτερη χρονική περίοδος για την προέλαση των εκβολών.&lt;br&gt; <br /> &lt;br&gt;Στόχος αυτής της εφαρμογής είναι η ανίχνευση των μεταβολών της δυτικής ακτογραμμής του Μαλιακού κόλπου, καθώς και μια σύντομη εκτίμηση του μεγέθους του προβλήματος μέσω της ψηφιακής επεξεργασίας δορυφορικών εικόνων Landsat TM δυο χρονολογιών. Συγκεκριμένα οι δύο εικόνες ταξινομήθηκαν για την ανίχνευση των διαχρονικών αλλαγών της κάλυψης του εδάφους στην περιοχή του δέλτα Σπερχειού. &lt;br&gt;<br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκαν δυο πολυφασματικές εικόνες Landsat TM , που λήφθηκαν στις 29 Ιουνίου του 1991 και στις 14 Απριλίου του 2007. Οι εικόνες διορθώθηκαν γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef4-2.jpg|right|thumb||Εικόνα 2 :Αριστερά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 29ης Ιουνίου 1991. Δεξιά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007. Και τα δύο σύνθετα απεικονίζουν την έκταση του Μαλιακού κόλπου, στα ανατολικά συνδέεται με το Αιγαίο πέλαγος και στα δυτικά φαίνεται το δέλτα στου Σπερχειού.]]<br /> Για την ταξινόμηση της περιοχής μελέτης ορίστηκαν μόνο δύο τάξεις, το έδαφος και η θάλασσα, καθώς καμία άλλη κατηγορία εδαφοκάλυψης δεν χρειάζεται να καθοριστεί για την σκοπό της παρούσας εφαρμογής. <br /> [[Εικόνα:Stlas-ef4-3.jpg|left|thumb||Εικόνα 3 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, της 29ης Ιουνίου 1991.]]<br /> [[Εικόνα:Stlas-ef4-4.jpg|left|thumb||Εικόνα 4 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007.]]<br /> <br /> [[Εικόνα:Stlas-ef4-5.jpg|right|thumb||Εικόνα 5 :Tο έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, όπου με κόκκινο χρώμα παρουσιάζεται η ακτογραμμή με τη μορφή που είχε το 1991 και με κίτρινο χρώμα η μορφή της ακτογραμμής το 2007.]]<br /> &lt;br&gt;[[Εικόνα:Stlas-ef4-6.jpg|right|thumb||Εικόνα 6 :O χάρτης στον οποίο απεικονίζεται η επιφάνεια του εδάφους και διακρίνεται ξεκάθαρα η μεταβολή της ακτογραμμής σε περίοδο 16 ετών, από 1991-2007.]]&lt;br&gt;<br /> <br /> &lt;br&gt;Πολύ ενδιαφέροντα συμπεράσματα προέκυψαν από τη διαχρονική μελέτη του φαινομένου της μεταβολής της ακτογραμμής του Μαλιακού κόλπου λόγω ισχυρών προσχώσεων οι οποίες εμφανίζονται στην περιοχή. Ενθαρρυντική ήταν και η επιλογή της ταξινόμησης ως ψηφιακής μεθόδου για τον εντοπισμό μεταβολών της ακτογραμμής. Τα αποτελέσματα που λήφθηκαν από την παρούσα εφαρμογή επιβεβαιώνουν τις παλαιότερες μελέτες για το πρόβλημα των προσχώσεων του Σπερχειού ποταμού. Στις εικόνες 5 και 6 γίνεται οπτική σύγκριση της επιφάνειας που καταλάμβανε το έδαφος το 1991 με αυτή που καταλάμβανε το 2007 και ταυτόχρονα παρουσιάζεται η θέση και η μορφή της ακτογραμμής σε αυτά τα έτη. Οι διαφορές διακρίνονται καθαρά, χωρίς βέβαια να είναι έντονες. Συγκεκριμένα φαίνεται ξεκάθαρα το μέγεθος της αύξησης της επιφάνειας του εδάφους κατά τη διάρκεια αυτής της χρονικής περιόδου. Οι αλλαγές εντοπίζονται και στις δύο περιοχές προώθησης της ακτογραμμής. Έχει σημασία το γεγονός ότι η εφαρμογή αυτή μελετά την μεταβολή της ακτογραμμής εξαιτίας των προσχώσεων του Σπερχειού μόνο για χρονική περίοδο 16 ετών, οπότε μια επέκταση του εδάφους περίπου 75 στρέματα, όπως υπολογίστηκε, σε τόσο σύντομο διάστημα απαιτεί την άμεση κινητοποίηση των αρμοδίων αρχών για την κατασκευή τεχνητών έργων ανάσχεσης του φαινομένου.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_2_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-31T14:13:26Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 2: Σύγκριση των διαφορετικών αλγορίθμων επιβλεπόμενης Ταξινόμησης σε πεδινή περιοχή του Νομού Φθιώτιδας με χρήση πολυφασματικής εικόνας Landsat TM&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> &lt;br&gt;Η ταξινόμηση των φασματικών εικόνων είναι μια επιτυχής εφαρμογή που χρησιμοποιείται για την παραγωγή χαρτών κάλυψης εδάφους, για την εκτίμηση της επιφάνειας των καλλιεργειών και της παραγωγής και για πολλούς άλλους σκοπούς. Σε αρκετές περιπτώσεις η ίδια η ταξινόμηση μπορεί να είναι το αντικείμενο της ανάλυσης. Υπάρχουν διάφορες διαδικασίες ταξινόμησης εικόνας που χρησιμοποιούνται για διαφορετικούς σκοπούς και διακρίνονται σε επιβλεπόμενες και μη επιβλεπόμενες ανάλογα με τον τρόπο που εκτελούνται.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef2-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής.]]<br /> &lt;br&gt;Στόχος της παρούσας εφαρμογής είναι η σύγκριση των διαφορετικών αλγoρίθμων επιβλεπόμενης ταξινόμησης χρησιμοποιώντας μια δορυφορική εικόνα Landsat TM της περιοχής του Νομού Φθιώτιδας που βρίσκεται στην κεντρική Ελλάδα. Για το σκοπό αυτό, η ταξινόμηση της εδαφοκάλυψης της περιοχής μελέτης έγινε με τρείς διαφορετικές διαδικασίες επιβλεπόμενης ταξινόμησης και συγκεκριμένα με τη χρήση των μεθόδων της Μεγίστης Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis και στη συνέχεια τα αποτελέσματα συγκρίθηκαν μεταξύ τους. &lt;br&gt;<br /> <br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> <br /> <br /> &lt;br&gt; Αρχικά η κάλυψη και χρήση γης στην περιοχή μελέτης ταξινομήθηκε με τη μέθοδο της Μεγίστης Πιθανοφάνειας. Είναι γεγονός ότι ο ταξινομητής της Μ. Πιθανοφάνειας είναι ο πιο ισχυρός ταξινομητής στον τομέα της τηλεπισκόπησης και παράγει πολύ ακριβή αποτελέσματα. Στη συνέχεια επιλέχθηκε η μέθοδος της Ελάχιστης Απόστασης για την ταξινόμηση της περιοχής μελέτης. Ο ταξινομητής αυτός συνίσταται ιδιαίτερα σε όλες τις εφαρμογές ταξινόμησης εικόνας, καθώς είναι αρκετά ακριβής και είναι μια τεχνική γρηγορότερη από την ταξινόμηση της Μ. Πιθανοφάνειας. Τέλος, η εικόνα ταξινομήθηκε εκ νέου με βάση τον αλγόριθμο επιβλεπόμενης ταξινόμησης της απόστασης Mahalanobis. Η μέθοδος αυτή είναι παρόμοια με αυτή της Ελάχιστης Απόστασης. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-2.jpg|right|thumb||Εικόνα 2 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας .]]&lt;br&gt;<br /> <br /> &lt;br&gt;Παρακάτω παρουσιάζονται οι ταξινομημένες εικόνες της περιοχής μελέτης, που παράχθηκαν με βάση τις μεθόδους επιβλεπόμενης ταξινόμησης της Μ. Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis, αντίστοιχα. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-3.jpg|right|thumb||Εικόνα 3 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Ελάχιστης Απόστασης .]]&lt;br&gt;<br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-4.jpg|right|thumb||Εικόνα 4 : Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της απόστασης Mahalanobis.]]&lt;br&gt;<br /> <br /> <br /> &lt;br&gt;Τα αποτελέσματα που λήφθηκαν από τις ταξινομημένες εικόνες συγκρίθηκαν μεταξύ τους. Σε ένα έδαφος σχετικά επίπεδο, με κάλυψη γης αρκετά εναλλασσόμενη και χρήσεις κυρίως γεωργικές αλλά και οικιστικές, ο αλγόριθμος της Ελάχιστης Απόστασης έδωσε πολύ γρήγορα και ικανοποιητικά αποτελέσματα. Σε σχέση με τον ταξινομητή της Μεγίστης Πιθανοφάνειας, όχι μόνο δεν υστέρησε, αλλά έδωσε ακριβέστερα αποτελέσματα, ιδιαίτερα στα όρια (αλλά και μέσα) των οικισμών. Επιβεβαιώνονται κατά κάποιο τρόπο και τα αποτελέσματα από την εργασία στο Αϊβαλί όπου όταν το έδαφος παρουσίαζε ανάγλυφο, ο ταξινομητής της Μεγίστης Πιθανοφάνειας έδινε καλύτερα αποτελέσματα αλλά εκεί όπου το έδαφος ήταν επίπεδο, η μέθοδος της Ελάχιστης Απόστασης αποδείχθηκε αρκετά ακριβής. Ο ταξινομητής με τον αλγόριθμο υπολογισμού της Mahalanobis αποστάσεως, αποδείχθηκε ο λιγότερο ακριβής από τους τρεις.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_2_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-31T13:16:42Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 2: Σύγκριση των διαφορετικών αλγορίθμων επιβλεπόμενης Ταξινόμησης σε πεδινή περιοχή του Νομού Φθιώτιδας με χρήση πολυφασματικής εικόνας Landsat TM&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> &lt;br&gt;Η ταξινόμηση των φασματικών εικόνων είναι μια επιτυχής εφαρμογή που χρησιμοποιείται για την παραγωγή χαρτών κάλυψης εδάφους, για την εκτίμηση της επιφάνειας των καλλιεργειών και της παραγωγής και για πολλούς άλλους σκοπούς. Σε αρκετές περιπτώσεις η ίδια η ταξινόμηση μπορεί να είναι το αντικείμενο της ανάλυσης. Υπάρχουν διάφορες διαδικασίες ταξινόμησης εικόνας που χρησιμοποιούνται για διαφορετικούς σκοπούς και διακρίνονται σε επιβλεπόμενες και μη επιβλεπόμενες ανάλογα με τον τρόπο που εκτελούνται.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef2-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής.]]<br /> &lt;br&gt;Στόχος της παρούσας εφαρμογής είναι η σύγκριση των διαφορετικών αλγoρίθμων επιβλεπόμενης ταξινόμησης χρησιμοποιώντας μια δορυφορική εικόνα Landsat TM της περιοχής του Νομού Φθιώτιδας που βρίσκεται στην κεντρική Ελλάδα. Για το σκοπό αυτό, η ταξινόμηση της εδαφοκάλυψης της περιοχής μελέτης έγινε με τρείς διαφορετικές διαδικασίες επιβλεπόμενης ταξινόμησης και συγκεκριμένα με τη χρήση των μεθόδων της Μεγίστης Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis και στη συνέχεια τα αποτελέσματα συγκρίθηκαν μεταξύ τους. &lt;br&gt;<br /> <br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> <br /> <br /> &lt;br&gt; Αρχικά η κάλυψη και χρήση γης στην περιοχή μελέτης ταξινομήθηκε με τη μέθοδο της Μεγίστης Πιθανοφάνειας. Είναι γεγονός ότι ο ταξινομητής της Μ. Πιθανοφάνειας είναι ο πιο ισχυρός ταξινομητής στον τομέα της τηλεπισκόπησης και παράγει πολύ ακριβή αποτελέσματα. Στη συνέχεια επιλέχθηκε η μέθοδος της Ελάχιστης Απόστασης για την ταξινόμηση της περιοχής μελέτης. Ο ταξινομητής αυτός συνίσταται ιδιαίτερα σε όλες τις εφαρμογές ταξινόμησης εικόνας, καθώς είναι αρκετά ακριβής και είναι μια τεχνική γρηγορότερη από την ταξινόμηση της Μ. Πιθανοφάνειας. Τέλος, η εικόνα ταξινομήθηκε εκ νέου με βάση τον αλγόριθμο επιβλεπόμενης ταξινόμησης της απόστασης Mahalanobis. Η μέθοδος αυτή είναι παρόμοια με αυτή της Ελάχιστης Απόστασης. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-2.jpg|right|thumb||Εικόνα 2 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας .]]&lt;br&gt;<br /> <br /> &lt;br&gt;Παρακάτω παρουσιάζονται οι ταξινομημένες εικόνες της περιοχής μελέτης, που παράχθηκαν με βάση τις μεθόδους επιβλεπόμενης ταξινόμησης της Μ. Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis, αντίστοιχα. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-3.jpg|right|thumb||Εικόνα 3 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Ελάχιστης Απόστασης .]]&lt;br&gt;<br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-4.jpg|right|thumb||Εικόνα 4 : Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της απόστασης Mahalanobis.]]&lt;br&gt;<br /> <br /> <br /> &lt;br&gt;Τα αποτελέσματα που λήφθηκαν από τις ταξινομημένες εικόνες συγκρίθηκαν μεταξύ τους. Σε ένα έδαφος σχετικά επίπεδο, με κάλυψη γης αρκετά εναλλασσόμενη και χρήσεις κυρίως γεωργικές αλλά και οικιστικές, ο αλγόριθμος της Ελάχιστης Απόστασης έδωσε πολύ γρήγορα και ικανοποιητικά αποτελέσματα. Σε σχέση με τον ταξινομητή της Μεγίστης Πιθανοφάνειας, όχι μόνο δεν υστέρησε, αλλά έδωσε ακριβέστερα αποτελέσματα, ιδιαίτερα στα όρια (αλλά και μέσα) των οικισμών. Επιβεβαιώνονται κατά κάποιο τρόπο και τα αποτελέσματα από την εργασία στο Αϊβαλί όπου όταν το έδαφος παρουσίαζε ανάγλυφο, ο ταξινομητής της Μεγίστης Πιθανοφάνειας έδινε καλύτερα αποτελέσματα αλλά εκεί όπου το έδαφος ήταν επίπεδο, η μέθοδος της Ελάχιστης Απόστασης αποδείχθηκε αρκετά ακριβής. Ο ταξινομητής με τον αλγόριθμο υπολογισμού της Mahalanobis αποστάσεως, αποδείχθηκε ο λιγότερο ακριβής από τους τρεις.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_1_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-31T13:12:43Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 1: Σύγκριση της Επιβλεπόμενης και Μη Επιβλεπόμενης ταξινόμησης σε περιοχή της Στερεάς Ελλάδας με την χρήση πολυφασματικής εικόνας Landsat TM&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> &lt;br&gt;Η ταξινόμηση εικόνας είναι ένα σημαντικό κομμάτι της τηλεπισκόπησης και της ανάλυσης εικόνας, που γίνεται όλο και σημαντικότερη κατά τις τελευταίες δεκαετίες, καθώς η πρόσβαση σε υψηλής ανάλυσης τηλεπισκοπικά δεδομένα είναι πιο εύκολη σε σχέση με το παρελθόν.&lt;br&gt;<br /> <br /> &lt;br&gt;Οι διαφορετικές προσεγγίσεις ταξινόμησης δορυφορικών εικόνων συγκρίθηκαν σε αυτή την εφαρμογή χρησιμοποιώντας μια εικόνα της Στερεάς Ελλάδας. Συγκεκριμένα, η ταξινόμηση της κάλυψης και χρήσης του εδάφους της περιοχής έρευνας έγινε εφαρμόζοντας την επιβλεπόμενη μέθοδο ταξινόμησης της Μεγίστης Πιθανοφάνειας (ML) και τον μη επιβλεπόμενο αλγόριθμο ISODATA. Στη συνέχεια, τα αποτελέσματα συγκρίθηκαν μεταξύ τους. Μια δορυφορική εικόνα Landsat TM και το λογισμικό επεξεργασίας εικόνας ER Mapper χρησιμοποιήθηκαν για την εκτέλεση της εφαρμογής.&lt;br&gt;<br /> <br /> &lt;br&gt;Σε αυτή την εφαρμογή, η περιοχή της Λαμίας στα ανατολικά του γεωγραφικού διαμερίσματος της Στερεάς Ελλάδας επιλέχθηκε ως η περιοχή μελέτης, που καλύπτει περίπου 110.000 km2. Η περιοχή μελέτης βρίσκεται ανάμεσα στους ορεινούς όγκους της Οίτης και της Όθρυς. Την περιοχή διασχίζει ο ποταμός Σπερχειός με κατεύθυνση από Βορειοδυτικά προς Νοτιοανατολικά. Από τον ποταμό Σπερχειό αρδεύεται όλη η περιοχή του κάμπου που βρίσκεται ανάμεσα στις δυο ορεινές μάζες και έτσι έχει μεγάλη οικονομική σημασία. Οι γεωργικές εκτάσεις στην κοιλάδα του Σπερχειού είναι υπό εντατική διαχείριση με πολλαπλά συστήματα καλλιέργειας. Οι κύριες χρήσεις γης στην περιοχή μελέτης είναι διάφοροι τύποι καλλιεργειών συμπεριλαμβανομένων το βαμβάκι, το σιτάρι, τους ελαιώνες, τα ακτινίδια και τις φιστικιές.&lt;br&gt; <br /> <br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84.&lt;br&gt;<br /> <br /> [[Εικόνα:Stlas-ef1-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής.]]<br /> [[Εικόνα:Stlas-ef1-2.jpg|right|thumb||Εικόνα 2 : Tο ψευδέγχρωμο σύνθετο 4,3,2 (R,G,B) στο οποίο τονίζεται η βλάστηση της περιοχής με έντονο χρώμα- κόκκινο.]]<br /> <br /> &lt;br&gt;Οι ταξινομήσεις εικόνας έγιναν χρησιμοποιώντας επιβλεπόμενες και μη επιβλεπόμενες τεχνικές. Συγκεκριμένα, η ταξινόμηση της Μεγίστης Πιθανοφάνειας επιλέχθηκε για την ταξινόμηση της εικόνας της περιοχής μελέτης, καθώς έχει αποδειχθεί ότι είναι η πιο ακριβής και η πιο συχνά χρησιμοποιημένη μέθοδος επιβλεπόμενης ταξινόμησης. Ο ταξινομητής αυτός, βασίζεται στην θεωρία πιθανοτήτων του Bayes.&lt;br&gt; <br /> <br /> &lt;br&gt;Από τις μη επιβλεπόμενες τεχνικές ταξινόμησης χρησιμοποιήθηκε ο επαναληπτικής βελτιστοποίησης αλγόριθμος ανάλυσης συσσωρεύσεων ISODATA. Αυτή η τεχνική εκτελεί επανειλημμένα μια ολόκληρη ταξινόμηση και επαναϋπολογίζει τα στατιστικά στοιχεία με ελάχιστα δεδομένα εισόδου για τον εντοπισμό συσσωρεύσεων και επίσης είναι σχετικά απλή.&lt;br&gt; <br /> <br /> <br /> &lt;br&gt;Ο ταξινομητής της Μεγίστης Πιθανοφάνειας χρησιμοποιήθηκε όπως περιγράφθηκε προηγουμένως, για να ταξινομήσει την εικόνα της περιοχής μελέτης στις διάφορες κατηγορίες κάλυψης εδάφους. Οι τάξεις εδαφοκάλυψης που ορίστηκαν, καθώς και το χρώμα που περιγράφει την κάθε τάξη φαίνονται παρακάτω. Συνολικά διακρίθηκαν 16 τάξεις.&lt;br&gt;<br /> <br /> [[Εικόνα:Stlas-ef1-3.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη.]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas-ef1-4.jpg|center|image|]]&lt;i&gt;Πίνακας 2 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη.]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas-ef1-5.jpg|right|thumb||Εικόνα 3 : Η απεικόνιση της περιοχής μελέτης στην οποία φαίνονται τα πολύγωνα που ορίζουν τις επιλεγμένες περιοχές εκπαίδευσης και η διασπορά τους.]]<br /> <br /> [[Εικόνα:Stlas-ef1-6.jpg|center|image|]]&lt;i&gt;Πίνακας 3 : Η κάλυψη της περιοχής μελέτης σε εκτάρια, τετραγωνικά χιλιόμετρα, στρέμματα και τετραγωνικά μίλια σύμφωνα με την θεματικά ταξινομημένη εικόνα Landsat TM με βάση τον αλγόριθμο της Μεγίστης Πιθανοφάνειας.]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> <br /> &lt;br&gt;Ο 16 τάξεων χάρτης ταξινόμησης της περιοχής μελέτης που παράχθηκε με τη χρήση της επιβλεπόμενης μεθόδου της Μεγίστης Πιθανοφάνειας παρουσιάζεται στην εικόνα 4. Η οπτική σύγκριση με το ψευδέγχρωμο σύνθετο 4,3,2 δείχνει ότι ο χάρτης ταξινόμησης παρείχε σχετικά καλούς διαχωρισμούς μεταξύ των τάξεων καλλιέργειας και μη-καλλιέργειας.&lt;br&gt; <br /> <br /> [[Εικόνα:Stlas-ef1-7.jpg|right|thumb||Εικόνα 4 : Ο 16 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας .]]<br /> <br /> &lt;br&gt;Στην παρούσα μελέτη, αφού εκτελέστηκε η επιβλεπόμενη ταξινόμηση ακολούθησε η εκτέλεση της μη επιβλεπόμενης προσέγγισης με βάση τον αλγόριθμο ISODATA, για την περιοχή μελέτης. Στην εικόνα 5 φαίνεται ο χάρτης κάλυψης εδάφους έτσι όπως παράχθηκε από την εικόνα Landsat TM με τη χρήση του αλγορίθμου ISODATA. Είναι γεγονός ότι αυτή η μη επιβλεπόμενη προσέγγιση φαίνεται να δυσκολεύεται να ταξινομήσει ικανοποιητικά την κάλυψη του εδάφους στην μεγάλης έκτασης περιοχή μελέτης.&lt;br&gt; <br /> <br /> [[Εικόνα:Stlas-ef1-8.jpg|right|thumb||Εικόνα 5 : Ο χάρτης κάλυψης και χρήσης του εδάφους που παράχθηκε από την εικόνα Landsat TM της 14ης Απριλίου 2007 με βάση τον μη επιβλεπόμενο αλγόριθμο ISODATA.]]<br /> <br /> <br /> <br /> &lt;br&gt;Συγκρίνοντας τις δύο εικόνες που παράχθηκαν από τις δυο διαφορετικές προσεγγίσεις ταξινόμησης με επίγειους ελέγχους στην περιοχή που πραγματοποιήθηκαν το καλοκαίρι του 2011, φαίνονται σαφώς πιο κοντά στην πραγματικότητα τα αποτελέσματα στην επιβλεπόμενη ταξινόμηση της Μεγίστης Πιθανοφάνειας σε σχέση με την μη επιβλεπόμενη ταξινόμηση. Οι τάξεις που λήφθηκαν από τη μη επιβλεπόμενη ταξινόμηση είναι αρκετά ετερογενείς, έχει όμως ενδιαφέρον ότι τα γραμμικά στοιχεία της περιοχής οριογραμμές αγροτεμαχίων, ρέματα και δευτερεύοντες οδοί, φαίνονται καθαρά. Συγκρίνοντας με το θεματικό χάρτη, ο οποίος προέκυψε από την ταξινόμηση με τη μέθοδο της Μεγίστης Πιθανοφάνειας τα γραμμικά στοιχεία εμφανίζονται απολύτως ικανοποιητικά στη μη επιβλεπόμενη ταξινόμηση, αλλά ο διαχωρισμός των τάξεων των καλλιεργειών μεταξύ τους (ακόμη και ο διαχωρισμός των πολυγώνων διαφορετικών χρήσεων – καλύψεων γης) είναι σαφώς ποιοτικότερος στην ταξινόμηση της μεγίστης πιθανοφάνειας.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%9B%CE%B1%CF%83%CF%80%CE%B9%CE%AC%CF%82_%CE%A3%CF%84%CE%AC%CE%B8%CE%B7%CF%82 2012-03-29T16:06:55Z

<p>Stathis.Laspias: </p> <hr /> <div> [[category:Διπλωματικές προπτυχιακών φοιτητών]]<br /> <br /> <br /> * [[Αξιολόγηση μεγάλης κλίμακας μη επιβλεπόμενης ταξινόμησης των οικοσυστημάτων των υφάλων της Νέας Καληδονίας με τη χρήση εικόνων Landsat 7 ETM+]]<br /> <br /> * [[Αξιολόγηση υψηλής ανάλυσης δορυφορικών εικόνων SPOT 5 για την ταυτοποίηση καλλιεργειών]]<br /> <br /> * [[Αυτόματη ανάλυση της κάλυψης εδάφους για την Τενερίφη με Επιβλεπόμενη Ταξινόμηση χρησιμοποιώντας τηλεπισκοπικά δεδομένα]]<br /> <br /> * [[Βελτίωση της απόδοσης της Ταξινόμησης της κάλυψης εδάφους στην Δυτική Αυστραλία χρησιμοποιώντας πολλαπλών πηγών τηλεπισκοπικά δεδομένα]]<br /> <br /> * [[Βελτίωση της ταξινόμησης Landsat και IRS εικόνας σε ορεινή περιοχή του Νεπάλ]]<br /> <br /> * [[Εικόνες Landsat για την Αξιολόγηση των επιπτώσεων των αλλαγών της Χρήσης Γης και της Κάλυψης Εδάφους στην λεκάνη απορροής Barekese στη Γκάνα]]<br /> <br /> * [[Επιβλεπόμενη Ταξινόμηση της Γεωργικής κάλυψης εδάφους με χρήση μιας Τροποποιημένης k-NN Τεχνικής (ΜΝΝ) και Landsat τηλεπισκοπικών εικόνων]]<br /> <br /> * [[Η χρήση του IKONOS και Landsat για τον έλεγχο της ελονοσίας στη Δημοκρατία της Κορέας]]<br /> <br /> * [[Μη Επιβλεπόμενη Ταξινόμηση Φασματικών δεδομένων Landsat TM]]<br /> <br /> * [[Παρακολούθηση των αλλαγών της κάλυψης του εδάφους σε μια αναμορφωμένη περιοχή της Αιγύπτου χρησιμοποιώντας πολύ-χρονικά δεδομένα Landsat]]<br /> <br /> * [[Σύγκριση των διαφορετικών μεθόδων ταξινόμησης δορυφορικών εικόνων: Μια εφαρμογή στην επαρχία Αϊβαλί, Δυτική Τουρκία]]<br /> <br /> * [[Σύγκριση των εικόνων IKONOS και QuickBird για τη χαρτογράφηση των ειδών μαγγροβίων στην Καραϊβική ακτή του Παναμά]]<br /> <br /> * [[Ταξινόμηση της κάλυψης εδάφους των περιβαλλόντων τούνδρας στο Αρκτικό Δέλτα Λένα για αναβάθμιση των εκπομπών μεθανίου]]<br /> <br /> * [[Ταξινόμηση της κάλυψης του εδάφους χρησιμοποιώντας μια εικόνα IRS LISS III και ένα DEM σε έντονα ανώμαλο έδαφος]]<br /> <br /> * [[Ταξινόμηση της χρήσης γης στη Ζάμπια χρησιμοποιώντας Quickbird και Landsat εικόνες]]<br /> <br /> * [[Εφαρμογή 1 στον Ελλαδικό χώρο]]<br /> <br /> * [[Εφαρμογή 2 στον Ελλαδικό χώρο]]<br /> <br /> * [[Εφαρμογή 3 στον Ελλαδικό χώρο]]<br /> <br /> * [[Εφαρμογή 4 στον Ελλαδικό χώρο]]</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_4_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T16:04:21Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 4: Εκτίμηση του μεγέθους της μεταβολής της ακτογραμμής του Μαλιακού κόλπου με την χρήση δορυφορικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Οι δορυφορικές εικόνες, λόγω της συνοπτικής επισκόπησης και της μεγάλης κάλυψης χρησιμοποιούνται συχνά για την ανίχνευση και εκτίμηση των αλλαγών στη μορφολογία της επιφάνειας του φυσικού εδάφους.&lt;br&gt;<br /> &lt;br&gt;Στην εφαρμογή αυτή θα γίνει μια εκτίμηση του μεγέθους της μεταβολής της δυτικής ακτογραμμής του Μαλιακού κόλπου εξαιτίας των προσχώσεων του ποταμού Σπερχειού. Το δέλτα του Σπερχειού βρίσκεται στο ανατολικό τμήμα του νομού Φθιώτιδας, εκτείνεται ανατολικά της Εθνικής Οδού Αθηνών-Λαμίας. Ο Σπερχειός πηγάζει από τον Τυμφρηστό από τα 2.315m και μετά από μια διαδρομή 82km χύνεται στα δυτικά παράλια του Μαλιακού, όπου και σχηματίζεται το δέλτα. Ο Μαλιακός είναι ένας μικρός κλειστός κόλπος που συνδέεται με το Αιγαίο πέλαγος στα ανατολικά και έχει μέγιστο βάθος περίπου 30m, ενώ όσο προχωρούμε δυτικότερα το βάθος μειώνεται. Παλαιότερα η σημερινή έκταση του δέλτα και της γύρω πεδιάδας καλύπτονταν από θάλασσα, αλλά ο Σπερχειός με τα άφθονα φερτά υλικά σχημάτισε τη μορφή του τοπίου όπως τη ξέρουμε σήμερα.&lt;br&gt;<br /> [[Εικόνα:Stlas-ef4-1.jpg|right|thumb||Εικόνα 1 : Χάρτης που απεικονίζει τις μεταβολές στην ακτογραμμή του Μαλιακού κόλπου από το 480 π.Χ. μέχρι το 1972.]]<br /> &lt;br&gt;Ο Σπερχειός ποταμός κατεβάζει σημαντικές ποσότητες φερτών υλικών στις εκβολές του, όπου σχηματίζονται προσχώσεις που δεν μπορούν να διαλυθούν εξαιτίας του αβαθούς και κλειστού θαλάσσιου περιβάλλοντος, με αποτέλεσμα το δέλτα του να επεκτείνεται προς τα ανατολικά σχηματίζοντας νέες εκτάσεις. Μελέτες έχουν δείξει ότι ο ρυθμός μεταβολής της ακτογραμμής είχε φτάσει μέχρι και τα 9m/χρόνο σε διάφορες περιόδους αν και τα τελευταία χρόνια μέχρι το 2007 η ακτογραμμή δεν έχει μεταβληθεί έντονα.&lt;br&gt; <br /> &lt;br&gt;Ιζηματολογικά ο πυθμένας του Μαλιακού κόλπου καλύπτεται από πολύ λεπτά (&lt; 63cm) ιζήματα (ιλύς και άργιλος), ενώ μικρά ποσοστά άμμου συναντώνται στις παράκτιες περιοχές και στα στόμια του Σπερχειού. &lt;br&gt; <br /> &lt;br&gt;Διακρίνονται δύο βασικές περιοχές προώθησης της ακτογραμμής, η πρώτη εντοπίζεται στην έξοδο του ενεργού δέλτα, όπου η απόθεση φερτών υλικών από τον Σπερχειό προκάλεσε την προώθηση της ακτογραμμής καλύπτοντας μια περιοχή περίπου 0,77 km2 από το 1945, δημιουργώντας τη μορφή της επιφάνειας του εδάφους όπως φαίνεται σήμερα. Η δεύτερη αφορά την περιοχή που εκβάλει ο εκχειλιστήρας του ποταμού στα βόρεια του κόλπου και ο οποίος κατασκευάστηκε το 1958, όπου παρατηρείται και η μεγαλύτερη προώθηση της ακτογραμμής με τη δημιουργία νέας χέρσου έκτασης 0,94 km2.&lt;br&gt;<br /> &lt;br&gt;Η στερεοπαροχή του Σπερχειού είναι άρρηκτα συνδεδεμένη με την υδατοπαροχή του και εκτιμάται να φτάνει κατά το παρελθόν τους 1500 103 τόνους το χρόνο. Μετρήσεις αιωρούμενου υλικού την περίοδο 1992-1993 έδωσαν τιμές μεταξύ 4 και 50 gr/m3 που αντιστοιχούν σε μια ετήσια στερεοπαροχή της τάξης των 3000 τόνων, που είναι σαφώς μικρότερη από αυτές του παρελθόντος. &lt;br&gt;<br /> &lt;br&gt;Είναι γεγονός ότι τα τελευταία χρόνια οι αλλαγές στην ακτογραμμή του Μαλιακού δεν είναι τόσο έντονες όσο στο παρελθόν και ειδικότερα στο ενεργό στόμιο του Σπερχειού ποταμού. Αυτό οφείλεται στην μείωση της παροχής σε νερό του ποταμού χάριν της γεωργίας και της αυξανόμενης απαίτησης για πόσιμο νερό, στην φυσική μείωση της βροχόπτωσης στην ευρύτερη περιοχή τα τελευταία χρόνια και στο γεγονός ότι το στόμιο του ποταμού έχει προσεγγίσει, μετά από προέλαση δεκαετιών σε βαθύτερα μέρη (&gt;20m) του κόλπου όπου χρειάζεται πολύ μεγαλύτερη χρονική περίοδος για την προέλαση των εκβολών.&lt;br&gt; <br /> &lt;br&gt;Στόχος αυτής της εφαρμογής είναι η ανίχνευση των μεταβολών της δυτικής ακτογραμμής του Μαλιακού κόλπου, καθώς και μια σύντομη εκτίμηση του μεγέθους του προβλήματος μέσω της ψηφιακής επεξεργασίας δορυφορικών εικόνων Landsat TM δυο χρονολογιών. Συγκεκριμένα οι δύο εικόνες ταξινομήθηκαν για την ανίχνευση των διαχρονικών αλλαγών της κάλυψης του εδάφους στην περιοχή του δέλτα Σπερχειού. &lt;br&gt;<br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκαν δυο πολυφασματικές εικόνες Landsat TM , που λήφθηκαν στις 29 Ιουνίου του 1991 και στις 14 Απριλίου του 2007. Οι εικόνες διορθώθηκαν γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef4-2.jpg|right|thumb||Εικόνα 2 :Αριστερά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 29ης Ιουνίου 1991. Δεξιά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007. Και τα δύο σύνθετα απεικονίζουν την έκταση του Μαλιακού κόλπου, στα ανατολικά συνδέεται με το Αιγαίο πέλαγος και στα δυτικά φαίνεται το δέλτα στου Σπερχειού.]]<br /> Για την ταξινόμηση της περιοχής μελέτης ορίστηκαν μόνο δύο τάξεις, το έδαφος και η θάλασσα, καθώς καμία άλλη κατηγορία εδαφοκάλυψης δεν χρειάζεται να καθοριστεί για την σκοπό της παρούσας εφαρμογής. <br /> [[Εικόνα:Stlas-ef4-3.jpg|left|thumb||Εικόνα 3 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, της 29ης Ιουνίου 1991.]]<br /> [[Εικόνα:Stlas-ef4-4.jpg|left|thumb||Εικόνα 4 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007.]]<br /> <br /> [[Εικόνα:Stlas-ef4-5.jpg|right|thumb||Εικόνα 5 :Tο έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, όπου με κόκκινο χρώμα παρουσιάζεται η ακτογραμμή με τη μορφή που είχε το 1991 και με κίτρινο χρώμα η μορφή της ακτογραμμής το 2007.]]<br /> &lt;br&gt;[[Εικόνα:Stlas-ef4-6.jpg|right|thumb||Εικόνα 6 :O χάρτης στον οποίο απεικονίζεται η επιφάνεια του εδάφους και διακρίνεται ξεκάθαρα η μεταβολή της ακτογραμμής σε περίοδο 16 ετών, από 1991-2007.]]&lt;br&gt;<br /> <br /> &lt;br&gt;Πολύ ενδιαφέροντα συμπεράσματα προέκυψαν από τη διαχρονική μελέτη του φαινομένου της μεταβολής της ακτογραμμής του Μαλιακού κόλπου λόγω ισχυρών προσχώσεων οι οποίες εμφανίζονται στην περιοχή. Ενθαρρυντική ήταν και η επιλογή της ταξινόμησης ως ψηφιακής μεθόδου για τον εντοπισμό μεταβολών της ακτογραμμής. Τα αποτελέσματα που λήφθηκαν από την παρούσα εφαρμογή επιβεβαιώνουν τις παλαιότερες μελέτες για το πρόβλημα των προσχώσεων του Σπερχειού ποταμού. Στις εικόνες 5 και 6 γίνεται οπτική σύγκριση της επιφάνειας που καταλάμβανε το έδαφος το 1991 με αυτή που καταλάμβανε το 2007 και ταυτόχρονα παρουσιάζεται η θέση και η μορφή της ακτογραμμής σε αυτά τα έτη. Οι διαφορές διακρίνονται καθαρά, χωρίς βέβαια να είναι έντονες. Συγκεκριμένα φαίνεται ξεκάθαρα το μέγεθος της αύξησης της επιφάνειας του εδάφους κατά τη διάρκεια αυτής της χρονικής περιόδου. Οι αλλαγές εντοπίζονται και στις δύο περιοχές προώθησης της ακτογραμμής. Έχει σημασία το γεγονός ότι η εφαρμογή αυτή μελετά την μεταβολή της ακτογραμμής εξαιτίας των προσχώσεων του Σπερχειού μόνο για χρονική περίοδο 16 ετών, οπότε μια επέκταση του εδάφους περίπου 75 στρέματα, όπως υπολογίστηκε, σε τόσο σύντομο διάστημα απαιτεί την άμεση κινητοποίηση των αρμοδίων αρχών για την κατασκευή τεχνητών έργων ανάσχεσης του φαινομένου.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_4_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T16:03:34Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 4: Εκτίμηση του μεγέθους της μεταβολής της ακτογραμμής του Μαλιακού κόλπου με την χρήση δορυφορικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Οι δορυφορικές εικόνες, λόγω της συνοπτικής επισκόπησης και της μεγάλης κάλυψης χρησιμοποιούνται συχνά για την ανίχνευση και εκτίμηση των αλλαγών στη μορφολογία της επιφάνειας του φυσικού εδάφους.&lt;br&gt;<br /> &lt;br&gt;Στην εφαρμογή αυτή θα γίνει μια εκτίμηση του μεγέθους της μεταβολής της δυτικής ακτογραμμής του Μαλιακού κόλπου εξαιτίας των προσχώσεων του ποταμού Σπερχειού. Το δέλτα του Σπερχειού βρίσκεται στο ανατολικό τμήμα του νομού Φθιώτιδας, εκτείνεται ανατολικά της Εθνικής Οδού Αθηνών-Λαμίας. Ο Σπερχειός πηγάζει από τον Τυμφρηστό από τα 2.315m και μετά από μια διαδρομή 82km χύνεται στα δυτικά παράλια του Μαλιακού, όπου και σχηματίζεται το δέλτα. Ο Μαλιακός είναι ένας μικρός κλειστός κόλπος που συνδέεται με το Αιγαίο πέλαγος στα ανατολικά και έχει μέγιστο βάθος περίπου 30m, ενώ όσο προχωρούμε δυτικότερα το βάθος μειώνεται. Παλαιότερα η σημερινή έκταση του δέλτα και της γύρω πεδιάδας καλύπτονταν από θάλασσα, αλλά ο Σπερχειός με τα άφθονα φερτά υλικά σχημάτισε τη μορφή του τοπίου όπως τη ξέρουμε σήμερα.&lt;br&gt;<br /> [[Εικόνα:Stlas-ef4-1.jpg|right|thumb||Εικόνα 1 : Χάρτης που απεικονίζει τις μεταβολές στην ακτογραμμή του Μαλιακού κόλπου από το 480 π.Χ. μέχρι το 1972.]]<br /> &lt;br&gt;Ο Σπερχειός ποταμός κατεβάζει σημαντικές ποσότητες φερτών υλικών στις εκβολές του, όπου σχηματίζονται προσχώσεις που δεν μπορούν να διαλυθούν εξαιτίας του αβαθούς και κλειστού θαλάσσιου περιβάλλοντος, με αποτέλεσμα το δέλτα του να επεκτείνεται προς τα ανατολικά σχηματίζοντας νέες εκτάσεις. Μελέτες έχουν δείξει ότι ο ρυθμός μεταβολής της ακτογραμμής είχε φτάσει μέχρι και τα 9m/χρόνο σε διάφορες περιόδους αν και τα τελευταία χρόνια μέχρι το 2007 η ακτογραμμή δεν έχει μεταβληθεί έντονα.&lt;br&gt; <br /> &lt;br&gt;Ιζηματολογικά ο πυθμένας του Μαλιακού κόλπου καλύπτεται από πολύ λεπτά (&lt; 63cm) ιζήματα (ιλύς και άργιλος), ενώ μικρά ποσοστά άμμου συναντώνται στις παράκτιες περιοχές και στα στόμια του Σπερχειού. &lt;br&gt; <br /> &lt;br&gt;Διακρίνονται δύο βασικές περιοχές προώθησης της ακτογραμμής, η πρώτη εντοπίζεται στην έξοδο του ενεργού δέλτα, όπου η απόθεση φερτών υλικών από τον Σπερχειό προκάλεσε την προώθηση της ακτογραμμής καλύπτοντας μια περιοχή περίπου 0,77 km2 από το 1945, δημιουργώντας τη μορφή της επιφάνειας του εδάφους όπως φαίνεται σήμερα. Η δεύτερη αφορά την περιοχή που εκβάλει ο εκχειλιστήρας του ποταμού στα βόρεια του κόλπου και ο οποίος κατασκευάστηκε το 1958, όπου παρατηρείται και η μεγαλύτερη προώθηση της ακτογραμμής με τη δημιουργία νέας χέρσου έκτασης 0,94 km2.&lt;br&gt;<br /> &lt;br&gt;Η στερεοπαροχή του Σπερχειού είναι άρρηκτα συνδεδεμένη με την υδατοπαροχή του και εκτιμάται να φτάνει κατά το παρελθόν τους 1500 103 τόνους το χρόνο. Μετρήσεις αιωρούμενου υλικού την περίοδο 1992-1993 έδωσαν τιμές μεταξύ 4 και 50 gr/m3 που αντιστοιχούν σε μια ετήσια στερεοπαροχή της τάξης των 3000 τόνων, που είναι σαφώς μικρότερη από αυτές του παρελθόντος. &lt;br&gt;<br /> &lt;br&gt;Είναι γεγονός ότι τα τελευταία χρόνια οι αλλαγές στην ακτογραμμή του Μαλιακού δεν είναι τόσο έντονες όσο στο παρελθόν και ειδικότερα στο ενεργό στόμιο του Σπερχειού ποταμού. Αυτό οφείλεται στην μείωση της παροχής σε νερό του ποταμού χάριν της γεωργίας και της αυξανόμενης απαίτησης για πόσιμο νερό, στην φυσική μείωση της βροχόπτωσης στην ευρύτερη περιοχή τα τελευταία χρόνια και στο γεγονός ότι το στόμιο του ποταμού έχει προσεγγίσει, μετά από προέλαση δεκαετιών σε βαθύτερα μέρη (&gt;20m) του κόλπου όπου χρειάζεται πολύ μεγαλύτερη χρονική περίοδος για την προέλαση των εκβολών.&lt;br&gt; <br /> &lt;br&gt;Στόχος αυτής της εφαρμογής είναι η ανίχνευση των μεταβολών της δυτικής ακτογραμμής του Μαλιακού κόλπου, καθώς και μια σύντομη εκτίμηση του μεγέθους του προβλήματος μέσω της ψηφιακής επεξεργασίας δορυφορικών εικόνων Landsat TM δυο χρονολογιών. Συγκεκριμένα οι δύο εικόνες ταξινομήθηκαν για την ανίχνευση των διαχρονικών αλλαγών της κάλυψης του εδάφους στην περιοχή του δέλτα Σπερχειού. &lt;br&gt;<br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκαν δυο πολυφασματικές εικόνες Landsat TM , που λήφθηκαν στις 29 Ιουνίου του 1991 και στις 14 Απριλίου του 2007. Οι εικόνες διορθώθηκαν γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef4-2.jpg|right|thumb||Εικόνα 2 :Αριστερά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 29ης Ιουνίου 1991. Δεξιά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007. Και τα δύο σύνθετα απεικονίζουν την έκταση του Μαλιακού κόλπου, στα ανατολικά συνδέεται με το Αιγαίο πέλαγος και στα δυτικά φαίνεται το δέλτα στου Σπερχειού.]]<br /> Για την ταξινόμηση της περιοχής μελέτης ορίστηκαν μόνο δύο τάξεις, το έδαφος και η θάλασσα, καθώς καμία άλλη κατηγορία εδαφοκάλυψης δεν χρειάζεται να καθοριστεί για την σκοπό της παρούσας εφαρμογής. <br /> [[Εικόνα:Stlas-ef4-3.jpg|left|thumb||Εικόνα 3 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, 7 καναλιών της 29ης Ιουνίου 1991.]]<br /> [[Εικόνα:Stlas-ef4-4.jpg|left|thumb||Εικόνα 4 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007.]]<br /> <br /> [[Εικόνα:Stlas-ef4-5.jpg|right|thumb||Εικόνα 5 :Tο έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, όπου με κόκκινο χρώμα παρουσιάζεται η ακτογραμμή με τη μορφή που είχε το 1991 και με κίτρινο χρώμα η μορφή της ακτογραμμής το 2007.]]<br /> &lt;br&gt;[[Εικόνα:Stlas-ef4-6.jpg|right|thumb||Εικόνα 6 :O χάρτης στον οποίο απεικονίζεται η επιφάνεια του εδάφους και διακρίνεται ξεκάθαρα η μεταβολή της ακτογραμμής σε περίοδο 16 ετών, από 1991-2007.]]&lt;br&gt;<br /> <br /> &lt;br&gt;Πολύ ενδιαφέροντα συμπεράσματα προέκυψαν από τη διαχρονική μελέτη του φαινομένου της μεταβολής της ακτογραμμής του Μαλιακού κόλπου λόγω ισχυρών προσχώσεων οι οποίες εμφανίζονται στην περιοχή. Ενθαρρυντική ήταν και η επιλογή της ταξινόμησης ως ψηφιακής μεθόδου για τον εντοπισμό μεταβολών της ακτογραμμής. Τα αποτελέσματα που λήφθηκαν από την παρούσα εφαρμογή επιβεβαιώνουν τις παλαιότερες μελέτες για το πρόβλημα των προσχώσεων του Σπερχειού ποταμού. Στις εικόνες 5 και 6 γίνεται οπτική σύγκριση της επιφάνειας που καταλάμβανε το έδαφος το 1991 με αυτή που καταλάμβανε το 2007 και ταυτόχρονα παρουσιάζεται η θέση και η μορφή της ακτογραμμής σε αυτά τα έτη. Οι διαφορές διακρίνονται καθαρά, χωρίς βέβαια να είναι έντονες. Συγκεκριμένα φαίνεται ξεκάθαρα το μέγεθος της αύξησης της επιφάνειας του εδάφους κατά τη διάρκεια αυτής της χρονικής περιόδου. Οι αλλαγές εντοπίζονται και στις δύο περιοχές προώθησης της ακτογραμμής. Έχει σημασία το γεγονός ότι η εφαρμογή αυτή μελετά την μεταβολή της ακτογραμμής εξαιτίας των προσχώσεων του Σπερχειού μόνο για χρονική περίοδο 16 ετών, οπότε μια επέκταση του εδάφους περίπου 75 στρέματα, όπως υπολογίστηκε, σε τόσο σύντομο διάστημα απαιτεί την άμεση κινητοποίηση των αρμοδίων αρχών για την κατασκευή τεχνητών έργων ανάσχεσης του φαινομένου.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_4_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T16:01:14Z

<p>Stathis.Laspias: Νέα σελίδα με 'category:Ψηφιακή Τηλεπισκόπηση &lt;b&gt;Εφαρμογή 4: Εκτίμηση του μεγέθους της μεταβολής της ακτογραμμ...'</p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 4: Εκτίμηση του μεγέθους της μεταβολής της ακτογραμμής του Μαλιακού κόλπου με την χρήση δορυφορικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Οι δορυφορικές εικόνες, λόγω της συνοπτικής επισκόπησης και της μεγάλης κάλυψης χρησιμοποιούνται συχνά για την ανίχνευση και εκτίμηση των αλλαγών στη μορφολογία της επιφάνειας του φυσικού εδάφους.&lt;br&gt;<br /> &lt;br&gt;Στην εφαρμογή αυτή θα γίνει μια εκτίμηση του μεγέθους της μεταβολής της δυτικής ακτογραμμής του Μαλιακού κόλπου εξαιτίας των προσχώσεων του ποταμού Σπερχειού. Το δέλτα του Σπερχειού βρίσκεται στο ανατολικό τμήμα του νομού Φθιώτιδας, εκτείνεται ανατολικά της Εθνικής Οδού Αθηνών-Λαμίας. Ο Σπερχειός πηγάζει από τον Τυμφρηστό από τα 2.315m και μετά από μια διαδρομή 82km χύνεται στα δυτικά παράλια του Μαλιακού, όπου και σχηματίζεται το δέλτα. Ο Μαλιακός είναι ένας μικρός κλειστός κόλπος που συνδέεται με το Αιγαίο πέλαγος στα ανατολικά και έχει μέγιστο βάθος περίπου 30m, ενώ όσο προχωρούμε δυτικότερα το βάθος μειώνεται. Παλαιότερα η σημερινή έκταση του δέλτα και της γύρω πεδιάδας καλύπτονταν από θάλασσα, αλλά ο Σπερχειός με τα άφθονα φερτά υλικά σχημάτισε τη μορφή του τοπίου όπως τη ξέρουμε σήμερα.&lt;br&gt;<br /> [[Εικόνα:Stlas-ef4-1.jpg|right|thumb||Εικόνα 1 : Χάρτης που απεικονίζει τις μεταβολές στην ακτογραμμή του Μαλιακού κόλπου από το 480 π.Χ. μέχρι το 1972.]]<br /> &lt;br&gt;Ο Σπερχειός ποταμός κατεβάζει σημαντικές ποσότητες φερτών υλικών στις εκβολές του, όπου σχηματίζονται προσχώσεις που δεν μπορούν να διαλυθούν εξαιτίας του αβαθούς και κλειστού θαλάσσιου περιβάλλοντος, με αποτέλεσμα το δέλτα του να επεκτείνεται προς τα ανατολικά σχηματίζοντας νέες εκτάσεις. Μελέτες έχουν δείξει ότι ο ρυθμός μεταβολής της ακτογραμμής είχε φτάσει μέχρι και τα 9m/χρόνο σε διάφορες περιόδους αν και τα τελευταία χρόνια μέχρι το 2007 η ακτογραμμή δεν έχει μεταβληθεί έντονα.&lt;br&gt; <br /> &lt;br&gt;Ιζηματολογικά ο πυθμένας του Μαλιακού κόλπου καλύπτεται από πολύ λεπτά (&lt; 63cm) ιζήματα (ιλύς και άργιλος), ενώ μικρά ποσοστά άμμου συναντώνται στις παράκτιες περιοχές και στα στόμια του Σπερχειού. &lt;br&gt; <br /> &lt;br&gt;Διακρίνονται δύο βασικές περιοχές προώθησης της ακτογραμμής, η πρώτη εντοπίζεται στην έξοδο του ενεργού δέλτα, όπου η απόθεση φερτών υλικών από τον Σπερχειό προκάλεσε την προώθηση της ακτογραμμής καλύπτοντας μια περιοχή περίπου 0,77 km2 από το 1945, δημιουργώντας τη μορφή της επιφάνειας του εδάφους όπως φαίνεται σήμερα. Η δεύτερη αφορά την περιοχή που εκβάλει ο εκχειλιστήρας του ποταμού στα βόρεια του κόλπου και ο οποίος κατασκευάστηκε το 1958, όπου παρατηρείται και η μεγαλύτερη προώθηση της ακτογραμμής με τη δημιουργία νέας χέρσου έκτασης 0,94 km2.&lt;br&gt;<br /> &lt;br&gt;Η στερεοπαροχή του Σπερχειού είναι άρρηκτα συνδεδεμένη με την υδατοπαροχή του και εκτιμάται να φτάνει κατά το παρελθόν τους 1500 103 τόνους το χρόνο. Μετρήσεις αιωρούμενου υλικού την περίοδο 1992-1993 έδωσαν τιμές μεταξύ 4 και 50 gr/m3 που αντιστοιχούν σε μια ετήσια στερεοπαροχή της τάξης των 3000 τόνων, που είναι σαφώς μικρότερη από αυτές του παρελθόντος. &lt;br&gt;<br /> &lt;br&gt;Είναι γεγονός ότι τα τελευταία χρόνια οι αλλαγές στην ακτογραμμή του Μαλιακού δεν είναι τόσο έντονες όσο στο παρελθόν και ειδικότερα στο ενεργό στόμιο του Σπερχειού ποταμού. Αυτό οφείλεται στην μείωση της παροχής σε νερό του ποταμού χάριν της γεωργίας και της αυξανόμενης απαίτησης για πόσιμο νερό, στην φυσική μείωση της βροχόπτωσης στην ευρύτερη περιοχή τα τελευταία χρόνια και στο γεγονός ότι το στόμιο του ποταμού έχει προσεγγίσει, μετά από προέλαση δεκαετιών σε βαθύτερα μέρη (&gt;20m) του κόλπου όπου χρειάζεται πολύ μεγαλύτερη χρονική περίοδος για την προέλαση των εκβολών.&lt;br&gt; <br /> &lt;br&gt;Στόχος αυτής της εφαρμογής είναι η ανίχνευση των μεταβολών της δυτικής ακτογραμμής του Μαλιακού κόλπου, καθώς και μια σύντομη εκτίμηση του μεγέθους του προβλήματος μέσω της ψηφιακής επεξεργασίας δορυφορικών εικόνων Landsat TM δυο χρονολογιών. Συγκεκριμένα οι δύο εικόνες ταξινομήθηκαν για την ανίχνευση των διαχρονικών αλλαγών της κάλυψης του εδάφους στην περιοχή του δέλτα Σπερχειού. &lt;br&gt;<br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκαν δυο πολυφασματικές εικόνες Landsat TM , που λήφθηκαν στις 29 Ιουνίου του 1991 και στις 14 Απριλίου του 2007. Οι εικόνες διορθώθηκαν γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef4-2.jpg|right|thumb||Εικόνα 2 :Αριστερά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 29ης Ιουνίου 1991. Δεξιά το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007. Και τα δύο σύνθετα απεικονίζουν την έκταση του Μαλιακού κόλπου, στα ανατολικά συνδέεται με το Αιγαίο πέλαγος και στα δυτικά φαίνεται το δέλτα στου Σπερχειού.]]<br /> Για την ταξινόμηση της περιοχής μελέτης ορίστηκαν μόνο δύο τάξεις, το έδαφος και η θάλασσα, καθώς καμία άλλη κατηγορία εδαφοκάλυψης δεν χρειάζεται να καθοριστεί για την σκοπό της παρούσας εφαρμογής. <br /> [[Εικόνα:Stlas-ef4-3.jpg|left|thumb||Εικόνα 3 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, 7 καναλιών της 29ης Ιουνίου 1991.]]<br /> [[Εικόνα:Stlas-ef4-4.jpg|left|thumb||Εικόνα 4 :Tο αποτέλεσμα της ταξινόμησης που λήφθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007.]]<br /> <br /> [[Εικόνα:Stlas-ef4-5.jpg|right|thumb||Εικόνα 5 :Tο έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, όπου με κόκκινο χρώμα παρουσιάζεται η ακτογραμμή με τη μορφή που είχε το 1991 και με κίτρινο χρώμα η μορφή της ακτογραμμής το 2007.]]<br /> [[Εικόνα:Stlas-ef4-6.jpg|right|thumb||Εικόνα 6 :O χάρτης στον οποίο απεικονίζεται η επιφάνεια του εδάφους και διακρίνεται ξεκάθαρα η μεταβολή της ακτογραμμής σε περίοδο 16 ετών, από 1991-2007.]]<br /> Πολύ ενδιαφέροντα συμπεράσματα προέκυψαν από τη διαχρονική μελέτη του φαινομένου της μεταβολής της ακτογραμμής του Μαλιακού κόλπου λόγω ισχυρών προσχώσεων οι οποίες εμφανίζονται στην περιοχή. Ενθαρρυντική ήταν και η επιλογή της ταξινόμησης ως ψηφιακής μεθόδου για τον εντοπισμό μεταβολών της ακτογραμμής. Τα αποτελέσματα που λήφθηκαν από την παρούσα εφαρμογή επιβεβαιώνουν τις παλαιότερες μελέτες για το πρόβλημα των προσχώσεων του Σπερχειού ποταμού. Στις εικόνες 5 και 6 γίνεται οπτική σύγκριση της επιφάνειας που καταλάμβανε το έδαφος το 1991 με αυτή που καταλάμβανε το 2007 και ταυτόχρονα παρουσιάζεται η θέση και η μορφή της ακτογραμμής σε αυτά τα έτη. Οι διαφορές διακρίνονται καθαρά, χωρίς βέβαια να είναι έντονες. Συγκεκριμένα φαίνεται ξεκάθαρα το μέγεθος της αύξησης της επιφάνειας του εδάφους κατά τη διάρκεια αυτής της χρονικής περιόδου. Οι αλλαγές εντοπίζονται και στις δύο περιοχές προώθησης της ακτογραμμής. Έχει σημασία το γεγονός ότι η εφαρμογή αυτή μελετά την μεταβολή της ακτογραμμής εξαιτίας των προσχώσεων του Σπερχειού μόνο για χρονική περίοδο 16 ετών, οπότε μια επέκταση του εδάφους περίπου 75 στρέματα, όπως υπολογίστηκε, σε τόσο σύντομο διάστημα απαιτεί την άμεση κινητοποίηση των αρμοδίων αρχών για την κατασκευή τεχνητών έργων ανάσχεσης του φαινομένου.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef4-6.jpg 2012-03-29T15:50:16Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef4-5.jpg 2012-03-29T15:47:28Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef4-4.jpg 2012-03-29T15:46:47Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef4-3.jpg 2012-03-29T15:46:07Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef4-2.jpg 2012-03-29T15:45:20Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef4-1.jpg 2012-03-29T15:44:34Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_3_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T15:35:56Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 3: Ταξινόμηση της κάλυψης εδάφους σε έντονα ανώμαλο έδαφος: περίπτωση μελέτης η ορεινή περιοχή της Ευρυτανίας&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Τα τηλεπισκοπικά δεδομένα είναι ιδιαίτερα χρήσιμα για την χαρτογράφηση της κάλυψης του εδάφους σε ορεινές περιοχές όπως ο Νομός Ευρυτανίας, καθώς αυτές οι περιοχές είναι γενικά απροσπέλαστες λόγω των υψηλών υψομέτρων και της πυκνής δενδροκάλυψης.&lt;br&gt;<br /> <br /> &lt;br&gt;Σε αυτή την εφαρμογή αξιολογήθηκαν τα αποτελέσματα της ταξινόμησης της κάλυψης του εδάφους στην ορεινή περιοχή της Ευρυτανίας με υψηλές βουνοκορφές, χρησιμοποιώντας μια πολυφασματική εικόνα Landsat TM. Για το σκοπό αυτό επιλέχθηκαν οι επιβλεπόμενες μέθοδοι ταξινόμησης εικόνας της Μεγίστης Πιθανοφάνειας και της Ελάχιστης Απόστασης.&lt;br&gt;<br /> <br /> &lt;br&gt;Ως περιοχή μελέτης για την εφαρμογή των ταξινομήσεων επιλέχθηκε ένα μεγάλο τμήμα του Νομού Ευρυτανίας. Ο νομός είναι σχεδόν ολοκληρωτικά καλυμμένος από βουνά και ποτάμια. Το υψόμετρο κυμαίνεται από τα 500m έως τα 2.315m. Η περιοχή καλύπτεται από πυκνή βλάστηση και συγκεκριμένα από έλατα, βελανιδιές, πουρνάρια και πλατάνια. Στην εικόνα 1 απεικονίζεται το έγχρωμο σύνθετο 3,2,1 (RGB) της περιοχής μελέτης στο οποίο διακρίνονται καθαρά το Καρπενήσι και ο ορεινός όγκος του Βελουχιού.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef3-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής. Στα βορειοδυτικά της εικόνας διακρίνονται η πόλη του Καρπενησίου και το όρος Βελούχι.]]<br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , κανάλια 1-5 και 7 που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt;<br /> [[Εικόνα:Stlas-ef3-2.jpg|left|thumb||Εικόνα 2 : Tο ψευδέγχρωμο σύνθετο 4,3,2 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, με έντονο κόκκινο χρώμα τονίζεται η πυκνή βλάστηση της περιοχής.]]<br /> [[Εικόνα:Stlas-ef3-3.jpg|right|thumb||Εικόνα 3 : Tο ψευδέγχρωμο σύνθετο 4,5,3 (R,G,B) της πολυφασματικής εικόνας Landsat TM. Σε αυτό το σύνθετο τονίζεται το έντονα ανώμαλο ανάγλυφο της περιοχής μελέτης.]]<br /> &lt;br&gt; Τα βασικά στοιχεία που χρησιμοποιήθηκαν για την προετοιμασία του χάρτη κάλυψης εδάφους της περιοχής μελέτης ήταν πολυφασματικά Landsat TM ψηφιακά δεδομένα, ενώ το λογισμικό γραφικής απεικόνισης της Γης Google Earth χρησιμοποιήθηκε ως βοηθητικό στοιχείο, καθώς παρείχε υψηλής ανάλυσης δορυφορικές απεικονίσεις της περιοχής μελέτης. Έτσι, λαμβάνοντας υπόψη αυτές τις ψηφιακές πληροφορίες και γνωρίζοντας τη γεωμορφολογία και τα είδη βλάστησης της περιοχής, 9 τάξεις εδαφοκάλυψης καθορίστηκαν. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef3-4.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη.]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> <br /> &lt;br&gt;Η ψηφιακές δορυφορικές απεικονίσεις από το λογισμικό Google Earth, καθώς και διάφορες επίγειες φωτογραφίες που απεικόνιζαν την πραγματική κάλυψη του εδάφους χρησιμοποιήθηκαν ως πρόσθετα δεδομένα για την επιλογή των περιοχών εκπαίδευσης.&lt;br&gt; <br /> <br /> &lt;br&gt;Η ψηφιακή επεξεργασία της εικόνας πραγματοποιήθηκε για την απόκτηση των 9 τάξεων ταξινομημένων χαρτών κάλυψης εδάφους. Αρχικά η ταξινόμηση έγινε με τον αλγόριθμο της Μεγίστης Πιθανοφάνειας και ακολούθησε η ταξινόμηση με τον ταξινομητή της Ελάχιστης Απόστασης. Επιλέχθηκαν αυτοί οι ταξινομητές διότι συνήθως παράγουν ακριβή και ορθά αποτελέσματα ταξινόμησης. Αυτά παρουσιάζονται παρακάτω.&lt;br&gt;<br /> <br /> <br /> [[Εικόνα:Stlas-ef3-5.jpg|left|thumb||Εικόνα 4 : O 9 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, κανάλια 1-5 και 7, με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας.]]<br /> [[Εικόνα:Stlas-ef3-6.jpg|left|thumb||Εικόνα 5 : O 9 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, κανάλια 1-5 και 7, ως αποτέλεσμα της ταξινόμησης με τη μέθοδο της Ελάχιστης Απόστασης .]]<br /> <br /> Χωρίς να έχει γίνει ορθομετρική διόρθωση στα δορυφορικά δεδομένα και σε ένα έδαφος με έντονο ανάγλυφο και ραγδαία μεταβαλλόμενο, ο αλγόριθμος της Μεγίστης Πιθανοφάνειας έδωσε τα ακριβέστερα αποτελέσματα ακόμη και στα διαφορετικά είδη βλάστησης τα οποία ταξινόμησε ικανοποιητικά. Μάλιστα επιχειρήθηκε να γίνει σύγκριση των αποτελεσμάτων με την εργασία της ταξινόμησης στα Ιμαλάϊα, ώστε να αναδειχτεί που ακριβώς ενίσχυσε η χρήση του ψηφιακού μοντέλου εδάφους τον ταξινομητή της Μεγίστης Πιθανοφάνειας. Υπολογίστηκε ότι η ακρίβεια της ταξινόμησης λόγω της χρήσης υψομετρικών δεδομένων ακρίβειας καλύτερης από 3 μέτρα, αύξησε την ακρίβεια ταξινόμησης κατά 15% περίπου. Πάντως σε σχέση με τον αλγόριθμο της Ελάχιστης Απόστασης ο οποίος διαχώρισε πολύ καλά τα πολύγωνα βλάστησης – μη βλάστησης (γυμνό έδαφος, χιόνι, βράχια), ο αλγόριθμος της Μεγίστης Πιθανοφάνειας ήταν ακριβής και έδωσε ικανοποιητικές θεματικές κατηγορίες, διαχωρίζοντας ακόμη και τα έλατα από τα φυλλοβόλα της περιοχής.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_3_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T15:34:01Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 3: Ταξινόμηση της κάλυψης εδάφους σε έντονα ανώμαλο έδαφος: περίπτωση μελέτης η ορεινή περιοχή της Ευρυτανίας&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Τα τηλεπισκοπικά δεδομένα είναι ιδιαίτερα χρήσιμα για την χαρτογράφηση της κάλυψης του εδάφους σε ορεινές περιοχές όπως ο Νομός Ευρυτανίας, καθώς αυτές οι περιοχές είναι γενικά απροσπέλαστες λόγω των υψηλών υψομέτρων και της πυκνής δενδροκάλυψης.&lt;br&gt;<br /> <br /> &lt;br&gt;Σε αυτή την εφαρμογή αξιολογήθηκαν τα αποτελέσματα της ταξινόμησης της κάλυψης του εδάφους στην ορεινή περιοχή της Ευρυτανίας με υψηλές βουνοκορφές, χρησιμοποιώντας μια πολυφασματική εικόνα Landsat TM. Για το σκοπό αυτό επιλέχθηκαν οι επιβλεπόμενες μέθοδοι ταξινόμησης εικόνας της Μεγίστης Πιθανοφάνειας και της Ελάχιστης Απόστασης.&lt;br&gt;<br /> <br /> &lt;br&gt;Ως περιοχή μελέτης για την εφαρμογή των ταξινομήσεων επιλέχθηκε ένα μεγάλο τμήμα του Νομού Ευρυτανίας. Ο νομός είναι σχεδόν ολοκληρωτικά καλυμμένος από βουνά και ποτάμια. Το υψόμετρο κυμαίνεται από τα 500m έως τα 2.315m. Η περιοχή καλύπτεται από πυκνή βλάστηση και συγκεκριμένα από έλατα, βελανιδιές, πουρνάρια και πλατάνια. Στην εικόνα 1 απεικονίζεται το έγχρωμο σύνθετο 3,2,1 (RGB) της περιοχής μελέτης στο οποίο διακρίνονται καθαρά το Καρπενήσι και ο ορεινός όγκος του Βελουχιού.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef3-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής. Στα βορειοδυτικά της εικόνας διακρίνονται η πόλη του Καρπενησίου και το όρος Βελούχι.]]<br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , κανάλια 1-5 και 7 που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt;<br /> [[Εικόνα:Stlas-ef3-2.jpg|left|thumb||Εικόνα 2 : Tο ψευδέγχρωμο σύνθετο 4,3,2 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, με έντονο κόκκινο χρώμα τονίζεται η πυκνή βλάστηση της περιοχής.]]<br /> [[Εικόνα:Stlas-ef3-3.jpg|right|thumb||Εικόνα 3 : Tο ψευδέγχρωμο σύνθετο 4,5,3 (R,G,B) της πολυφασματικής εικόνας Landsat TM. Σε αυτό το σύνθετο τονίζεται το έντονα ανώμαλο ανάγλυφο της περιοχής μελέτης.]]<br /> &lt;br&gt; Τα βασικά στοιχεία που χρησιμοποιήθηκαν για την προετοιμασία του χάρτη κάλυψης εδάφους της περιοχής μελέτης ήταν πολυφασματικά Landsat TM ψηφιακά δεδομένα, ενώ το λογισμικό γραφικής απεικόνισης της Γης Google Earth χρησιμοποιήθηκε ως βοηθητικό στοιχείο, καθώς παρείχε υψηλής ανάλυσης δορυφορικές απεικονίσεις της περιοχής μελέτης. Έτσι, λαμβάνοντας υπόψη αυτές τις ψηφιακές πληροφορίες και γνωρίζοντας τη γεωμορφολογία και τα είδη βλάστησης της περιοχής, 9 τάξεις εδαφοκάλυψης καθορίστηκαν. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef3-4.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη. ]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> <br /> &lt;br&gt;Η ψηφιακές δορυφορικές απεικονίσεις από το λογισμικό Google Earth, καθώς και διάφορες επίγειες φωτογραφίες που απεικόνιζαν την πραγματική κάλυψη του εδάφους χρησιμοποιήθηκαν ως πρόσθετα δεδομένα για την επιλογή των περιοχών εκπαίδευσης.&lt;br&gt; <br /> <br /> &lt;br&gt;Η ψηφιακή επεξεργασία της εικόνας πραγματοποιήθηκε για την απόκτηση των 9 τάξεων ταξινομημένων χαρτών κάλυψης εδάφους. Αρχικά η ταξινόμηση έγινε με τον αλγόριθμο της Μεγίστης Πιθανοφάνειας και ακολούθησε η ταξινόμηση με τον ταξινομητή της Ελάχιστης Απόστασης. Επιλέχθηκαν αυτοί οι ταξινομητές διότι συνήθως παράγουν ακριβή και ορθά αποτελέσματα ταξινόμησης. Αυτά παρουσιάζονται παρακάτω.&lt;br&gt;<br /> <br /> <br /> [[Εικόνα:Stlas-ef3-5.jpg|left|thumb||Εικόνα 4 : O 9 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, κανάλια 1-5 και 7, με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας.]]<br /> [[Εικόνα:Stlas-ef3-6.jpg|left|thumb||Εικόνα 5 : O 9 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, κανάλια 1-5 και 7, ως αποτέλεσμα της ταξινόμησης με τη μέθοδο της Ελάχιστης Απόστασης .]]<br /> <br /> Χωρίς να έχει γίνει ορθομετρική διόρθωση στα δορυφορικά δεδομένα και σε ένα έδαφος με έντονο ανάγλυφο και ραγδαία μεταβαλλόμενο, ο αλγόριθμος της Μεγίστης Πιθανοφάνειας έδωσε τα ακριβέστερα αποτελέσματα ακόμη και στα διαφορετικά είδη βλάστησης τα οποία ταξινόμησε ικανοποιητικά. Μάλιστα επιχειρήθηκε να γίνει σύγκριση των αποτελεσμάτων με την εργασία της ταξινόμησης στα Ιμαλάϊα, ώστε να αναδειχτεί που ακριβώς ενίσχυσε η χρήση του ψηφιακού μοντέλου εδάφους τον ταξινομητή της Μεγίστης Πιθανοφάνειας. Υπολογίστηκε ότι η ακρίβεια της ταξινόμησης λόγω της χρήσης υψομετρικών δεδομένων ακρίβειας καλύτερης από 3 μέτρα, αύξησε την ακρίβεια ταξινόμησης κατά 15% περίπου. Πάντως σε σχέση με τον αλγόριθμο της Ελάχιστης Απόστασης ο οποίος διαχώρισε πολύ καλά τα πολύγωνα βλάστησης – μη βλάστησης (γυμνό έδαφος, χιόνι, βράχια), ο αλγόριθμος της Μεγίστης Πιθανοφάνειας ήταν ακριβής και έδωσε ικανοποιητικές θεματικές κατηγορίες, διαχωρίζοντας ακόμη και τα έλατα από τα φυλλοβόλα της περιοχής.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_3_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T15:33:10Z

<p>Stathis.Laspias: Νέα σελίδα με 'category:Ψηφιακή Τηλεπισκόπηση &lt;b&gt;Εφαρμογή 3: Ταξινόμηση της κάλυψης εδάφους σε έντονα ανώμαλο ...'</p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 3: Ταξινόμηση της κάλυψης εδάφους σε έντονα ανώμαλο έδαφος: περίπτωση μελέτης η ορεινή περιοχή της Ευρυτανίας&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Τα τηλεπισκοπικά δεδομένα είναι ιδιαίτερα χρήσιμα για την χαρτογράφηση της κάλυψης του εδάφους σε ορεινές περιοχές όπως ο Νομός Ευρυτανίας, καθώς αυτές οι περιοχές είναι γενικά απροσπέλαστες λόγω των υψηλών υψομέτρων και της πυκνής δενδροκάλυψης.&lt;br&gt;<br /> <br /> &lt;br&gt;Σε αυτή την εφαρμογή αξιολογήθηκαν τα αποτελέσματα της ταξινόμησης της κάλυψης του εδάφους στην ορεινή περιοχή της Ευρυτανίας με υψηλές βουνοκορφές, χρησιμοποιώντας μια πολυφασματική εικόνα Landsat TM. Για το σκοπό αυτό επιλέχθηκαν οι επιβλεπόμενες μέθοδοι ταξινόμησης εικόνας της Μεγίστης Πιθανοφάνειας και της Ελάχιστης Απόστασης.&lt;br&gt;<br /> <br /> &lt;br&gt;Ως περιοχή μελέτης για την εφαρμογή των ταξινομήσεων επιλέχθηκε ένα μεγάλο τμήμα του Νομού Ευρυτανίας. Ο νομός είναι σχεδόν ολοκληρωτικά καλυμμένος από βουνά και ποτάμια. Το υψόμετρο κυμαίνεται από τα 500m έως τα 2.315m. Η περιοχή καλύπτεται από πυκνή βλάστηση και συγκεκριμένα από έλατα, βελανιδιές, πουρνάρια και πλατάνια. Στην εικόνα 1 απεικονίζεται το έγχρωμο σύνθετο 3,2,1 (RGB) της περιοχής μελέτης στο οποίο διακρίνονται καθαρά το Καρπενήσι και ο ορεινός όγκος του Βελουχιού.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef3-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1, (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής. Στα βορειοδυτικά της εικόνας διακρίνονται η πόλη του Καρπενησίου και το όρος Βελούχι.]]<br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , κανάλια 1-5 και 7 που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt;<br /> [[Εικόνα:Stlas-ef3-2.jpg|left|thumb||Εικόνα 2 : Tο ψευδέγχρωμο σύνθετο 4,3,2 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, με έντονο κόκκινο χρώμα τονίζεται η πυκνή βλάστηση της περιοχής.]]<br /> [[Εικόνα:Stlas-ef3-3.jpg|right|thumb||Εικόνα 3 : Tο ψευδέγχρωμο σύνθετο 4,5,3 (R,G,B) της πολυφασματικής εικόνας Landsat TM. Σε αυτό το σύνθετο τονίζεται το έντονα ανώμαλο ανάγλυφο της περιοχής μελέτης.]]<br /> &lt;br&gt; Τα βασικά στοιχεία που χρησιμοποιήθηκαν για την προετοιμασία του χάρτη κάλυψης εδάφους της περιοχής μελέτης ήταν πολυφασματικά Landsat TM ψηφιακά δεδομένα, ενώ το λογισμικό γραφικής απεικόνισης της Γης Google Earth χρησιμοποιήθηκε ως βοηθητικό στοιχείο, καθώς παρείχε υψηλής ανάλυσης δορυφορικές απεικονίσεις της περιοχής μελέτης. Έτσι, λαμβάνοντας υπόψη αυτές τις ψηφιακές πληροφορίες και γνωρίζοντας τη γεωμορφολογία και τα είδη βλάστησης της περιοχής, 9 τάξεις εδαφοκάλυψης καθορίστηκαν. &lt;br&gt; <br /> <br /> [[Εικόνα:Stlas-ef3-4.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη. ]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> <br /> &lt;br&gt;Η ψηφιακές δορυφορικές απεικονίσεις από το λογισμικό Google Earth, καθώς και διάφορες επίγειες φωτογραφίες που απεικόνιζαν την πραγματική κάλυψη του εδάφους χρησιμοποιήθηκαν ως πρόσθετα δεδομένα για την επιλογή των περιοχών εκπαίδευσης.&lt;br&gt; <br /> <br /> &lt;br&gt;Η ψηφιακή επεξεργασία της εικόνας πραγματοποιήθηκε για την απόκτηση των 9 τάξεων ταξινομημένων χαρτών κάλυψης εδάφους. Αρχικά η ταξινόμηση έγινε με τον αλγόριθμο της Μεγίστης Πιθανοφάνειας και ακολούθησε η ταξινόμηση με τον ταξινομητή της Ελάχιστης Απόστασης. Επιλέχθηκαν αυτοί οι ταξινομητές διότι συνήθως παράγουν ακριβή και ορθά αποτελέσματα ταξινόμησης. Αυτά παρουσιάζονται παρακάτω.&lt;br&gt;<br /> <br /> <br /> [[Εικόνα:Stlas-ef3-5.jpg|left|thumb||Εικόνα 4 : O 9 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, κανάλια 1-5 και 7, με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας.]]<br /> [[Εικόνα:Stlas-ef3-6.jpg|left|thumb||Εικόνα 5 : O 9 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, κανάλια 1-5 και 7, ως αποτέλεσμα της ταξινόμησης με τη μέθοδο της Ελάχιστης Απόστασης .]]<br /> <br /> Χωρίς να έχει γίνει ορθομετρική διόρθωση στα δορυφορικά δεδομένα και σε ένα έδαφος με έντονο ανάγλυφο και ραγδαία μεταβαλλόμενο, ο αλγόριθμος της Μεγίστης Πιθανοφάνειας έδωσε τα ακριβέστερα αποτελέσματα ακόμη και στα διαφορετικά είδη βλάστησης τα οποία ταξινόμησε ικανοποιητικά. Μάλιστα επιχειρήθηκε να γίνει σύγκριση των αποτελεσμάτων με την εργασία της ταξινόμησης στα Ιμαλάϊα, ώστε να αναδειχτεί που ακριβώς ενίσχυσε η χρήση του ψηφιακού μοντέλου εδάφους τον ταξινομητή της Μεγίστης Πιθανοφάνειας. Υπολογίστηκε ότι η ακρίβεια της ταξινόμησης λόγω της χρήσης υψομετρικών δεδομένων ακρίβειας καλύτερης από 3 μέτρα, αύξησε την ακρίβεια ταξινόμησης κατά 15% περίπου. Πάντως σε σχέση με τον αλγόριθμο της Ελάχιστης Απόστασης ο οποίος διαχώρισε πολύ καλά τα πολύγωνα βλάστησης – μη βλάστησης (γυμνό έδαφος, χιόνι, βράχια), ο αλγόριθμος της Μεγίστης Πιθανοφάνειας ήταν ακριβής και έδωσε ικανοποιητικές θεματικές κατηγορίες, διαχωρίζοντας ακόμη και τα έλατα από τα φυλλοβόλα της περιοχής.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef3-6.jpg 2012-03-29T15:17:27Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef3-5.jpg 2012-03-29T15:16:44Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef3-4.jpg 2012-03-29T15:16:02Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef3-3.jpg 2012-03-29T15:15:29Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef3-2.jpg 2012-03-29T15:14:48Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef3-1.jpg 2012-03-29T15:14:14Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_2_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T15:10:45Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 2: Σύγκριση των διαφορετικών αλγορίθμων επιβλεπόμενης Ταξινόμησης σε πεδινή περιοχή του Νομού Φθιώτιδας με χρήση πολυφασματικής εικόνας Landsat TM&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Η ταξινόμηση των φασματικών εικόνων είναι μια επιτυχής εφαρμογή που χρησιμοποιείται για την παραγωγή χαρτών κάλυψης εδάφους, για την εκτίμηση της επιφάνειας των καλλιεργειών και της παραγωγής και για πολλούς άλλους σκοπούς. Σε αρκετές περιπτώσεις η ίδια η ταξινόμηση μπορεί να είναι το αντικείμενο της ανάλυσης. Υπάρχουν διάφορες διαδικασίες ταξινόμησης εικόνας που χρησιμοποιούνται για διαφορετικούς σκοπούς και διακρίνονται σε επιβλεπόμενες και μη επιβλεπόμενες ανάλογα με τον τρόπο που εκτελούνται.&lt;br&gt; <br /> [[Εικόνα:Stlas-ef2-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής.]]<br /> &lt;br&gt;Στόχος της παρούσας εφαρμογής είναι η σύγκριση των διαφορετικών αλγoρίθμων επιβλεπόμενης ταξινόμησης χρησιμοποιώντας μια δορυφορική εικόνα Landsat TM της περιοχής του Νομού Φθιώτιδας που βρίσκεται στην κεντρική Ελλάδα. Για το σκοπό αυτό, η ταξινόμηση της εδαφοκάλυψης της περιοχής μελέτης έγινε με τρείς διαφορετικές διαδικασίες επιβλεπόμενης ταξινόμησης και συγκεκριμένα με τη χρήση των μεθόδων της Μεγίστης Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis και στη συνέχεια τα αποτελέσματα συγκρίθηκαν μεταξύ τους. &lt;br&gt;<br /> <br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> <br /> <br /> &lt;br&gt; Αρχικά η κάλυψη και χρήση γης στην περιοχή μελέτης ταξινομήθηκε με τη μέθοδο της Μεγίστης Πιθανοφάνειας. Είναι γεγονός ότι ο ταξινομητής της Μ. Πιθανοφάνειας είναι ο πιο ισχυρός ταξινομητής στον τομέα της τηλεπισκόπησης και παράγει πολύ ακριβή αποτελέσματα. Στη συνέχεια επιλέχθηκε η μέθοδος της Ελάχιστης Απόστασης για την ταξινόμηση της περιοχής μελέτης. Ο ταξινομητής αυτός συνίσταται ιδιαίτερα σε όλες τις εφαρμογές ταξινόμησης εικόνας, καθώς είναι αρκετά ακριβής και είναι μια τεχνική γρηγορότερη από την ταξινόμηση της Μ. Πιθανοφάνειας. Τέλος, η εικόνα ταξινομήθηκε εκ νέου με βάση τον αλγόριθμο επιβλεπόμενης ταξινόμησης της απόστασης Mahalanobis. Η μέθοδος αυτή είναι παρόμοια με αυτή της Ελάχιστης Απόστασης. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-2.jpg|right|thumb||Εικόνα 2 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας .]]&lt;br&gt;<br /> <br /> &lt;br&gt;Παρακάτω παρουσιάζονται οι ταξινομημένες εικόνες της περιοχής μελέτης, που παράχθηκαν με βάση τις μεθόδους επιβλεπόμενης ταξινόμησης της Μ. Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis, αντίστοιχα. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-3.jpg|right|thumb||Εικόνα 3 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Ελάχιστης Απόστασης .]]&lt;br&gt;<br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-4.jpg|right|thumb||Εικόνα 4 : Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της απόστασης Mahalanobis.]]&lt;br&gt;<br /> <br /> <br /> &lt;br&gt;Τα αποτελέσματα που λήφθηκαν από τις ταξινομημένες εικόνες συγκρίθηκαν μεταξύ τους. Σε ένα έδαφος σχετικά επίπεδο, με κάλυψη γης αρκετά εναλλασσόμενη και χρήσεις κυρίως γεωργικές αλλά και οικιστικές, ο αλγόριθμος της Ελάχιστης Απόστασης έδωσε πολύ γρήγορα και ικανοποιητικά αποτελέσματα. Σε σχέση με τον ταξινομητή της Μεγίστης Πιθανοφάνειας, όχι μόνο δεν υστέρησε, αλλά έδωσε ακριβέστερα αποτελέσματα, ιδιαίτερα στα όρια (αλλά και μέσα) των οικισμών. Επιβεβαιώνονται κατά κάποιο τρόπο και τα αποτελέσματα από την εργασία στο Αϊβαλί όπου όταν το έδαφος παρουσίαζε ανάγλυφο, ο ταξινομητής της Μεγίστης Πιθανοφάνειας έδινε καλύτερα αποτελέσματα αλλά εκεί όπου το έδαφος ήταν επίπεδο, η μέθοδος της Ελάχιστης Απόστασης αποδείχθηκε αρκετά ακριβής. Ο ταξινομητής με τον αλγόριθμο υπολογισμού της Mahalanobis αποστάσεως, αποδείχθηκε ο λιγότερο ακριβής από τους τρεις.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_2_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T15:10:17Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 2: Σύγκριση των διαφορετικών αλγορίθμων επιβλεπόμενης Ταξινόμησης σε πεδινή περιοχή του Νομού Φθιώτιδας με χρήση πολυφασματικής εικόνας Landsat TM&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Η ταξινόμηση των φασματικών εικόνων είναι μια επιτυχής εφαρμογή που χρησιμοποιείται για την παραγωγή χαρτών κάλυψης εδάφους, για την εκτίμηση της επιφάνειας των καλλιεργειών και της παραγωγής και για πολλούς άλλους σκοπούς. Σε αρκετές περιπτώσεις η ίδια η ταξινόμηση μπορεί να είναι το αντικείμενο της ανάλυσης. Υπάρχουν διάφορες διαδικασίες ταξινόμησης εικόνας που χρησιμοποιούνται για διαφορετικούς σκοπούς και διακρίνονται σε επιβλεπόμενες και μη επιβλεπόμενες ανάλογα με τον τρόπο που εκτελούνται.&lt;br&gt; <br /> <br /> &lt;br&gt;Στόχος της παρούσας εφαρμογής είναι η σύγκριση των διαφορετικών αλγoρίθμων επιβλεπόμενης ταξινόμησης χρησιμοποιώντας μια δορυφορική εικόνα Landsat TM της περιοχής του Νομού Φθιώτιδας που βρίσκεται στην κεντρική Ελλάδα. Για το σκοπό αυτό, η ταξινόμηση της εδαφοκάλυψης της περιοχής μελέτης έγινε με τρείς διαφορετικές διαδικασίες επιβλεπόμενης ταξινόμησης και συγκεκριμένα με τη χρήση των μεθόδων της Μεγίστης Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis και στη συνέχεια τα αποτελέσματα συγκρίθηκαν μεταξύ τους. &lt;br&gt;<br /> [[Εικόνα:Stlas-ef2-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής.]]<br /> <br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> <br /> <br /> &lt;br&gt; Αρχικά η κάλυψη και χρήση γης στην περιοχή μελέτης ταξινομήθηκε με τη μέθοδο της Μεγίστης Πιθανοφάνειας. Είναι γεγονός ότι ο ταξινομητής της Μ. Πιθανοφάνειας είναι ο πιο ισχυρός ταξινομητής στον τομέα της τηλεπισκόπησης και παράγει πολύ ακριβή αποτελέσματα. Στη συνέχεια επιλέχθηκε η μέθοδος της Ελάχιστης Απόστασης για την ταξινόμηση της περιοχής μελέτης. Ο ταξινομητής αυτός συνίσταται ιδιαίτερα σε όλες τις εφαρμογές ταξινόμησης εικόνας, καθώς είναι αρκετά ακριβής και είναι μια τεχνική γρηγορότερη από την ταξινόμηση της Μ. Πιθανοφάνειας. Τέλος, η εικόνα ταξινομήθηκε εκ νέου με βάση τον αλγόριθμο επιβλεπόμενης ταξινόμησης της απόστασης Mahalanobis. Η μέθοδος αυτή είναι παρόμοια με αυτή της Ελάχιστης Απόστασης. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-2.jpg|right|thumb||Εικόνα 2 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας .]]&lt;br&gt;<br /> <br /> &lt;br&gt;Παρακάτω παρουσιάζονται οι ταξινομημένες εικόνες της περιοχής μελέτης, που παράχθηκαν με βάση τις μεθόδους επιβλεπόμενης ταξινόμησης της Μ. Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis, αντίστοιχα. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-3.jpg|right|thumb||Εικόνα 3 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Ελάχιστης Απόστασης .]]&lt;br&gt;<br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-4.jpg|right|thumb||Εικόνα 4 : Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της απόστασης Mahalanobis.]]&lt;br&gt;<br /> <br /> <br /> &lt;br&gt;Τα αποτελέσματα που λήφθηκαν από τις ταξινομημένες εικόνες συγκρίθηκαν μεταξύ τους. Σε ένα έδαφος σχετικά επίπεδο, με κάλυψη γης αρκετά εναλλασσόμενη και χρήσεις κυρίως γεωργικές αλλά και οικιστικές, ο αλγόριθμος της Ελάχιστης Απόστασης έδωσε πολύ γρήγορα και ικανοποιητικά αποτελέσματα. Σε σχέση με τον ταξινομητή της Μεγίστης Πιθανοφάνειας, όχι μόνο δεν υστέρησε, αλλά έδωσε ακριβέστερα αποτελέσματα, ιδιαίτερα στα όρια (αλλά και μέσα) των οικισμών. Επιβεβαιώνονται κατά κάποιο τρόπο και τα αποτελέσματα από την εργασία στο Αϊβαλί όπου όταν το έδαφος παρουσίαζε ανάγλυφο, ο ταξινομητής της Μεγίστης Πιθανοφάνειας έδινε καλύτερα αποτελέσματα αλλά εκεί όπου το έδαφος ήταν επίπεδο, η μέθοδος της Ελάχιστης Απόστασης αποδείχθηκε αρκετά ακριβής. Ο ταξινομητής με τον αλγόριθμο υπολογισμού της Mahalanobis αποστάσεως, αποδείχθηκε ο λιγότερο ακριβής από τους τρεις.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_2_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T15:08:21Z

<p>Stathis.Laspias: Νέα σελίδα με 'category:Ψηφιακή Τηλεπισκόπηση &lt;b&gt;Εφαρμογή 2: Σύγκριση των διαφορετικών αλγορίθμων επιβλεπόμεν...'</p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 2: Σύγκριση των διαφορετικών αλγορίθμων επιβλεπόμενης Ταξινόμησης σε πεδινή περιοχή του Νομού Φθιώτιδας με χρήση πολυφασματικής εικόνας Landsat TM&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Η ταξινόμηση των φασματικών εικόνων είναι μια επιτυχής εφαρμογή που χρησιμοποιείται για την παραγωγή χαρτών κάλυψης εδάφους, για την εκτίμηση της επιφάνειας των καλλιεργειών και της παραγωγής και για πολλούς άλλους σκοπούς. Σε αρκετές περιπτώσεις η ίδια η ταξινόμηση μπορεί να είναι το αντικείμενο της ανάλυσης. Υπάρχουν διάφορες διαδικασίες ταξινόμησης εικόνας που χρησιμοποιούνται για διαφορετικούς σκοπούς και διακρίνονται σε επιβλεπόμενες και μη επιβλεπόμενες ανάλογα με τον τρόπο που εκτελούνται.&lt;br&gt; <br /> <br /> &lt;br&gt;Στόχος της παρούσας εφαρμογής είναι η σύγκριση των διαφορετικών αλγoρίθμων επιβλεπόμενης ταξινόμησης χρησιμοποιώντας μια δορυφορική εικόνα Landsat TM της περιοχής του Νομού Φθιώτιδας που βρίσκεται στην κεντρική Ελλάδα. Για το σκοπό αυτό, η ταξινόμηση της εδαφοκάλυψης της περιοχής μελέτης έγινε με τρείς διαφορετικές διαδικασίες επιβλεπόμενης ταξινόμησης και συγκεκριμένα με τη χρήση των μεθόδων της Μεγίστης Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis και στη συνέχεια τα αποτελέσματα συγκρίθηκαν μεταξύ τους. &lt;br&gt;<br /> <br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84. Όλες οι ταξινομήσεις εκτελέστηκαν στο λογισμικό επεξεργασίας εικόνας ER Mapper.&lt;br&gt; <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[Εικόνα:Stlas-ef2-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής.]]<br /> <br /> <br /> &lt;br&gt; Αρχικά η κάλυψη και χρήση γης στην περιοχή μελέτης ταξινομήθηκε με τη μέθοδο της Μεγίστης Πιθανοφάνειας. Είναι γεγονός ότι ο ταξινομητής της Μ. Πιθανοφάνειας είναι ο πιο ισχυρός ταξινομητής στον τομέα της τηλεπισκόπησης και παράγει πολύ ακριβή αποτελέσματα. Στη συνέχεια επιλέχθηκε η μέθοδος της Ελάχιστης Απόστασης για την ταξινόμηση της περιοχής μελέτης. Ο ταξινομητής αυτός συνίσταται ιδιαίτερα σε όλες τις εφαρμογές ταξινόμησης εικόνας, καθώς είναι αρκετά ακριβής και είναι μια τεχνική γρηγορότερη από την ταξινόμηση της Μ. Πιθανοφάνειας. Τέλος, η εικόνα ταξινομήθηκε εκ νέου με βάση τον αλγόριθμο επιβλεπόμενης ταξινόμησης της απόστασης Mahalanobis. Η μέθοδος αυτή είναι παρόμοια με αυτή της Ελάχιστης Απόστασης. &lt;br&gt; <br /> <br /> &lt;br&gt;Παρακάτω παρουσιάζονται οι ταξινομημένες εικόνες της περιοχής μελέτης, που παράχθηκαν με βάση τις μεθόδους επιβλεπόμενης ταξινόμησης της Μ. Πιθανοφάνειας, της Ελάχιστης Απόστασης και της απόστασης Mahalanobis, αντίστοιχα. &lt;br&gt; <br /> <br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-2.jpg|right|thumb||Εικόνα 2 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας .]]&lt;br&gt;<br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-3.jpg|right|thumb||Εικόνα 3 :Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Ελάχιστης Απόστασης .]]&lt;br&gt;<br /> &lt;br&gt;[[Εικόνα:Stlas-ef2-4.jpg|right|thumb||Εικόνα 4 : Το αποτέλεσμα της ταξινόμησης που παράχθηκε από την εικόνα Landsat TM, 7 καναλιών της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της απόστασης Mahalanobis.]]&lt;br&gt;<br /> <br /> <br /> <br /> <br /> <br /> &lt;br&gt;Τα αποτελέσματα που λήφθηκαν από τις ταξινομημένες εικόνες συγκρίθηκαν μεταξύ τους. Σε ένα έδαφος σχετικά επίπεδο, με κάλυψη γης αρκετά εναλλασσόμενη και χρήσεις κυρίως γεωργικές αλλά και οικιστικές, ο αλγόριθμος της Ελάχιστης Απόστασης έδωσε πολύ γρήγορα και ικανοποιητικά αποτελέσματα. Σε σχέση με τον ταξινομητή της Μεγίστης Πιθανοφάνειας, όχι μόνο δεν υστέρησε, αλλά έδωσε ακριβέστερα αποτελέσματα, ιδιαίτερα στα όρια (αλλά και μέσα) των οικισμών. Επιβεβαιώνονται κατά κάποιο τρόπο και τα αποτελέσματα από την εργασία στο Αϊβαλί όπου όταν το έδαφος παρουσίαζε ανάγλυφο, ο ταξινομητής της Μεγίστης Πιθανοφάνειας έδινε καλύτερα αποτελέσματα αλλά εκεί όπου το έδαφος ήταν επίπεδο, η μέθοδος της Ελάχιστης Απόστασης αποδείχθηκε αρκετά ακριβής. Ο ταξινομητής με τον αλγόριθμο υπολογισμού της Mahalanobis αποστάσεως, αποδείχθηκε ο λιγότερο ακριβής από τους τρεις.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef2-4.jpg 2012-03-29T15:00:40Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef2-3.jpg 2012-03-29T15:00:04Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef2-2.jpg 2012-03-29T14:59:15Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef2-1.jpg 2012-03-29T14:58:46Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_1_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T14:52:51Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 1: Σύγκριση της Επιβλεπόμενης και Μη Επιβλεπόμενης ταξινόμησης σε περιοχή της Στερεάς Ελλάδας με την χρήση πολυφασματικής εικόνας Landsat TM&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> &lt;br&gt;Η ταξινόμηση εικόνας είναι ένα σημαντικό κομμάτι της τηλεπισκόπησης και της ανάλυσης εικόνας, που γίνεται όλο και σημαντικότερη κατά τις τελευταίες δεκαετίες, καθώς η πρόσβαση σε υψηλής ανάλυσης τηλεπισκοπικά δεδομένα είναι πιο εύκολη σε σχέση με το παρελθόν.&lt;br&gt;<br /> <br /> &lt;br&gt;Οι διαφορετικές προσεγγίσεις ταξινόμησης δορυφορικών εικόνων συγκρίθηκαν σε αυτή την εφαρμογή χρησιμοποιώντας μια εικόνα της Στερεάς Ελλάδας. Συγκεκριμένα, η ταξινόμηση της κάλυψης και χρήσης του εδάφους της περιοχής έρευνας έγινε εφαρμόζοντας την επιβλεπόμενη μέθοδο ταξινόμησης της Μεγίστης Πιθανοφάνειας (ML) και τον μη επιβλεπόμενο αλγόριθμο ISODATA. Στη συνέχεια, τα αποτελέσματα συγκρίθηκαν μεταξύ τους. Μια δορυφορική εικόνα Landsat TM και το λογισμικό επεξεργασίας εικόνας ER Mapper χρησιμοποιήθηκαν για την εκτέλεση της εφαρμογής.&lt;br&gt;<br /> <br /> &lt;br&gt;Σε αυτή την εφαρμογή, η περιοχή της Λαμίας στα ανατολικά του γεωγραφικού διαμερίσματος της Στερεάς Ελλάδας επιλέχθηκε ως η περιοχή μελέτης, που καλύπτει περίπου 110.000 km2. Η περιοχή μελέτης βρίσκεται ανάμεσα στους ορεινούς όγκους της Οίτης και της Όθρυς. Την περιοχή διασχίζει ο ποταμός Σπερχειός με κατεύθυνση από Βορειοδυτικά προς Νοτιοανατολικά. Από τον ποταμό Σπερχειό αρδεύεται όλη η περιοχή του κάμπου που βρίσκεται ανάμεσα στις δυο ορεινές μάζες και έτσι έχει μεγάλη οικονομική σημασία. Οι γεωργικές εκτάσεις στην κοιλάδα του Σπερχειού είναι υπό εντατική διαχείριση με πολλαπλά συστήματα καλλιέργειας. Οι κύριες χρήσεις γης στην περιοχή μελέτης είναι διάφοροι τύποι καλλιεργειών συμπεριλαμβανομένων το βαμβάκι, το σιτάρι, τους ελαιώνες, τα ακτινίδια και τις φιστικιές.&lt;br&gt; <br /> <br /> &lt;br&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84.&lt;br&gt;<br /> <br /> [[Εικόνα:Stlas-ef1-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής.]]<br /> [[Εικόνα:Stlas-ef1-2.jpg|right|thumb||Εικόνα 2 : Tο ψευδέγχρωμο σύνθετο 4,3,2 (R,G,B) στο οποίο τονίζεται η βλάστηση της περιοχής με έντονο χρώμα- κόκκινο.]]<br /> <br /> &lt;br&gt;Οι ταξινομήσεις εικόνας έγιναν χρησιμοποιώντας επιβλεπόμενες και μη επιβλεπόμενες τεχνικές. Συγκεκριμένα, η ταξινόμηση της Μεγίστης Πιθανοφάνειας επιλέχθηκε για την ταξινόμηση της εικόνας της περιοχής μελέτης, καθώς έχει αποδειχθεί ότι είναι η πιο ακριβής και η πιο συχνά χρησιμοποιημένη μέθοδος επιβλεπόμενης ταξινόμησης. Ο ταξινομητής αυτός, βασίζεται στην θεωρία πιθανοτήτων του Bayes.&lt;br&gt; <br /> <br /> &lt;br&gt;Από τις μη επιβλεπόμενες τεχνικές ταξινόμησης χρησιμοποιήθηκε ο επαναληπτικής βελτιστοποίησης αλγόριθμος ανάλυσης συσσωρεύσεων ISODATA. Αυτή η τεχνική εκτελεί επανειλημμένα μια ολόκληρη ταξινόμηση και επαναϋπολογίζει τα στατιστικά στοιχεία με ελάχιστα δεδομένα εισόδου για τον εντοπισμό συσσωρεύσεων και επίσης είναι σχετικά απλή.&lt;br&gt; <br /> <br /> <br /> &lt;br&gt;Ο ταξινομητής της Μεγίστης Πιθανοφάνειας χρησιμοποιήθηκε όπως περιγράφθηκε προηγουμένως, για να ταξινομήσει την εικόνα της περιοχής μελέτης στις διάφορες κατηγορίες κάλυψης εδάφους. Οι τάξεις εδαφοκάλυψης που ορίστηκαν, καθώς και το χρώμα που περιγράφει την κάθε τάξη φαίνονται παρακάτω. Συνολικά διακρίθηκαν 16 τάξεις.&lt;br&gt;<br /> <br /> [[Εικόνα:Stlas-ef1-3.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη. ]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas-ef1-4.jpg|center|image|]]&lt;i&gt;Πίνακας 2 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη. ]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas-ef1-5.jpg|right|thumb||Εικόνα 3 : Η απεικόνιση της περιοχής μελέτης στην οποία φαίνονται τα πολύγωνα που ορίζουν τις επιλεγμένες περιοχές εκπαίδευσης και η διασπορά τους.]]<br /> <br /> [[Εικόνα:Stlas-ef1-6.jpg|center|image|]]&lt;i&gt;Πίνακας 3 : Η κάλυψη της περιοχής μελέτης σε εκτάρια, τετραγωνικά χιλιόμετρα, στρέμματα και τετραγωνικά μίλια σύμφωνα με την θεματικά ταξινομημένη εικόνα Landsat TM με βάση τον αλγόριθμο της Μεγίστης Πιθανοφάνειας. ]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> <br /> &lt;br&gt;Ο 16 τάξεων χάρτης ταξινόμησης της περιοχής μελέτης που παράχθηκε με τη χρήση της επιβλεπόμενης μεθόδου της Μεγίστης Πιθανοφάνειας παρουσιάζεται στην εικόνα 4. Η οπτική σύγκριση με το ψευδέγχρωμο σύνθετο 4,3,2 δείχνει ότι ο χάρτης ταξινόμησης παρείχε σχετικά καλούς διαχωρισμούς μεταξύ των τάξεων καλλιέργειας και μη-καλλιέργειας.&lt;br&gt; <br /> <br /> [[Εικόνα:Stlas-ef1-7.jpg|right|thumb||Εικόνα 4 : Ο 16 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας .]]<br /> <br /> &lt;br&gt;Στην παρούσα μελέτη, αφού εκτελέστηκε η επιβλεπόμενη ταξινόμηση ακολούθησε η εκτέλεση της μη επιβλεπόμενης προσέγγισης με βάση τον αλγόριθμο ISODATA, για την περιοχή μελέτης. Στην εικόνα 5 φαίνεται ο χάρτης κάλυψης εδάφους έτσι όπως παράχθηκε από την εικόνα Landsat TM με τη χρήση του αλγορίθμου ISODATA. Είναι γεγονός ότι αυτή η μη επιβλεπόμενη προσέγγιση φαίνεται να δυσκολεύεται να ταξινομήσει ικανοποιητικά την κάλυψη του εδάφους στην μεγάλης έκτασης περιοχή μελέτης.&lt;br&gt; <br /> <br /> [[Εικόνα:Stlas-ef1-8.jpg|right|thumb||Εικόνα 5 : Ο χάρτης κάλυψης και χρήσης του εδάφους που παράχθηκε από την εικόνα Landsat TM της 14ης Απριλίου 2007 με βάση τον μη επιβλεπόμενο αλγόριθμο ISODATA.]]<br /> <br /> <br /> <br /> &lt;br&gt;Συγκρίνοντας τις δύο εικόνες που παράχθηκαν από τις δυο διαφορετικές προσεγγίσεις ταξινόμησης με επίγειους ελέγχους στην περιοχή που πραγματοποιήθηκαν το καλοκαίρι του 2011, φαίνονται σαφώς πιο κοντά στην πραγματικότητα τα αποτελέσματα στην επιβλεπόμενη ταξινόμηση της Μεγίστης Πιθανοφάνειας σε σχέση με την μη επιβλεπόμενη ταξινόμηση. Οι τάξεις που λήφθηκαν από τη μη επιβλεπόμενη ταξινόμηση είναι αρκετά ετερογενείς, έχει όμως ενδιαφέρον ότι τα γραμμικά στοιχεία της περιοχής οριογραμμές αγροτεμαχίων, ρέματα και δευτερεύοντες οδοί, φαίνονται καθαρά. Συγκρίνοντας με το θεματικό χάρτη, ο οποίος προέκυψε από την ταξινόμηση με τη μέθοδο της Μεγίστης Πιθανοφάνειας τα γραμμικά στοιχεία εμφανίζονται απολύτως ικανοποιητικά στη μη επιβλεπόμενη ταξινόμηση, αλλά ο διαχωρισμός των τάξεων των καλλιεργειών μεταξύ τους (ακόμη και ο διαχωρισμός των πολυγώνων διαφορετικών χρήσεων – καλύψεων γης) είναι σαφώς ποιοτικότερος στην ταξινόμηση της μεγίστης πιθανοφάνειας.&lt;br&gt;</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AE_1_%CF%83%CF%84%CE%BF%CE%BD_%CE%95%CE%BB%CE%BB%CE%B1%CE%B4%CE%B9%CE%BA%CF%8C_%CF%87%CF%8E%CF%81%CE%BF 2012-03-29T14:49:48Z

<p>Stathis.Laspias: Νέα σελίδα με 'category:Ψηφιακή Τηλεπισκόπηση &lt;b&gt;Εφαρμογή 1: Σύγκριση της Επιβλεπόμενης και Μη Επιβλεπόμενης...'</p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Εφαρμογή 1: Σύγκριση της Επιβλεπόμενης και Μη Επιβλεπόμενης ταξινόμησης σε περιοχή της Στερεάς Ελλάδας με την χρήση πολυφασματικής εικόνας Landsat TM&lt;/b&gt;&lt;br&gt;<br /> <br /> <br /> <br /> <br /> &lt;b&gt;Η ταξινόμηση εικόνας είναι ένα σημαντικό κομμάτι της τηλεπισκόπησης και της ανάλυσης εικόνας, που γίνεται όλο και σημαντικότερη κατά τις τελευταίες δεκαετίες, καθώς η πρόσβαση σε υψηλής ανάλυσης τηλεπισκοπικά δεδομένα είναι πιο εύκολη σε σχέση με το παρελθόν. &lt;b&gt;<br /> <br /> &lt;b&gt;Οι διαφορετικές προσεγγίσεις ταξινόμησης δορυφορικών εικόνων συγκρίθηκαν σε αυτή την εφαρμογή χρησιμοποιώντας μια εικόνα της Στερεάς Ελλάδας. Συγκεκριμένα, η ταξινόμηση της κάλυψης και χρήσης του εδάφους της περιοχής έρευνας έγινε εφαρμόζοντας την επιβλεπόμενη μέθοδο ταξινόμησης της Μεγίστης Πιθανοφάνειας (ML) και τον μη επιβλεπόμενο αλγόριθμο ISODATA. Στη συνέχεια, τα αποτελέσματα συγκρίθηκαν μεταξύ τους. Μια δορυφορική εικόνα Landsat TM και το λογισμικό επεξεργασίας εικόνας ER Mapper χρησιμοποιήθηκαν για την εκτέλεση της εφαρμογής.&lt;b&gt; <br /> <br /> &lt;b&gt;Σε αυτή την εφαρμογή, η περιοχή της Λαμίας στα ανατολικά του γεωγραφικού διαμερίσματος της Στερεάς Ελλάδας επιλέχθηκε ως η περιοχή μελέτης, που καλύπτει περίπου 110.000 km2. Η περιοχή μελέτης βρίσκεται ανάμεσα στους ορεινούς όγκους της Οίτης και της Όθρυς. Την περιοχή διασχίζει ο ποταμός Σπερχειός με κατεύθυνση από Βορειοδυτικά προς Νοτιοανατολικά. Από τον ποταμό Σπερχειό αρδεύεται όλη η περιοχή του κάμπου που βρίσκεται ανάμεσα στις δυο ορεινές μάζες και έτσι έχει μεγάλη οικονομική σημασία. Οι γεωργικές εκτάσεις στην κοιλάδα του Σπερχειού είναι υπό εντατική διαχείριση με πολλαπλά συστήματα καλλιέργειας. Οι κύριες χρήσεις γης στην περιοχή μελέτης είναι διάφοροι τύποι καλλιεργειών συμπεριλαμβανομένων το βαμβάκι, το σιτάρι, τους ελαιώνες, τα ακτινίδια και τις φιστικιές.&lt;b&gt; <br /> <br /> &lt;b&gt;Για την ταξινόμηση της περιοχής μελέτης χρησιμοποιήθηκε μια πολυφασματική εικόνα Landsat TM , που λήφθηκε στις 14 Απριλίου του 2007. Η εικόνα διορθώθηκε γεωμετρικά στο σύστημα συντεταγμένων WGS84.&lt;b&gt;<br /> <br /> [[Εικόνα:Stlas-ef1-1.jpg|right|thumb||Εικόνα 1 : Το έγχρωμο σύνθετο 3,2,1 (R,G,B) της πολυφασματικής εικόνας Landsat TM της 14ης Απριλίου 2007, που απεικονίζει την περιοχή μελέτης της παρούσας εφαρμογής.]]<br /> [[Εικόνα:Stlas-ef1-2.jpg|right|thumb||Εικόνα 2 : Tο ψευδέγχρωμο σύνθετο 4,3,2 (R,G,B) στο οποίο τονίζεται η βλάστηση της περιοχής με έντονο χρώμα- κόκκινο.]]<br /> <br /> &lt;b&gt;Οι ταξινομήσεις εικόνας έγιναν χρησιμοποιώντας επιβλεπόμενες και μη επιβλεπόμενες τεχνικές. Συγκεκριμένα, η ταξινόμηση της Μεγίστης Πιθανοφάνειας επιλέχθηκε για την ταξινόμηση της εικόνας της περιοχής μελέτης, καθώς έχει αποδειχθεί ότι είναι η πιο ακριβής και η πιο συχνά χρησιμοποιημένη μέθοδος επιβλεπόμενης ταξινόμησης. Ο ταξινομητής αυτός, βασίζεται στην θεωρία πιθανοτήτων του Bayes.&lt;b&gt; <br /> <br /> &lt;b&gt;Από τις μη επιβλεπόμενες τεχνικές ταξινόμησης χρησιμοποιήθηκε ο επαναληπτικής βελτιστοποίησης αλγόριθμος ανάλυσης συσσωρεύσεων ISODATA. Αυτή η τεχνική εκτελεί επανειλημμένα μια ολόκληρη ταξινόμηση και επαναϋπολογίζει τα στατιστικά στοιχεία με ελάχιστα δεδομένα εισόδου για τον εντοπισμό συσσωρεύσεων και επίσης είναι σχετικά απλή.&lt;b&gt; <br /> <br /> <br /> &lt;b&gt;Ο ταξινομητής της Μεγίστης Πιθανοφάνειας χρησιμοποιήθηκε όπως περιγράφθηκε προηγουμένως, για να ταξινομήσει την εικόνα της περιοχής μελέτης στις διάφορες κατηγορίες κάλυψης εδάφους. Οι τάξεις εδαφοκάλυψης που ορίστηκαν, καθώς και το χρώμα που περιγράφει την κάθε τάξη φαίνονται παρακάτω. Συνολικά διακρίθηκαν 16 τάξεις.&lt;b&gt;<br /> <br /> [[Εικόνα:Stlas-ef1-3.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη. ]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas-ef1-4.jpg|center|image|]]&lt;i&gt;Πίνακας 2 : Οι τάξεις χρήσης και κάλυψης εδάφους που ορίστηκαν για την περιοχή μελέτης και δίπλα το χρώμα που επιλέχτηκε για να περιγράψει την κάθε τάξη. ]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas-ef1-5.jpg|right|thumb||Εικόνα 3 : Η απεικόνιση της περιοχής μελέτης στην οποία φαίνονται τα πολύγωνα που ορίζουν τις επιλεγμένες περιοχές εκπαίδευσης και η διασπορά τους.]]<br /> <br /> [[Εικόνα:Stlas-ef1-6.jpg|center|image|]]&lt;i&gt;Πίνακας 3 : Η κάλυψη της περιοχής μελέτης σε εκτάρια, τετραγωνικά χιλιόμετρα, στρέμματα και τετραγωνικά μίλια σύμφωνα με την θεματικά ταξινομημένη εικόνα Landsat TM με βάση τον αλγόριθμο της Μεγίστης Πιθανοφάνειας. ]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> <br /> Ο 16 τάξεων χάρτης ταξινόμησης της περιοχής μελέτης που παράχθηκε με τη χρήση της επιβλεπόμενης μεθόδου της Μεγίστης Πιθανοφάνειας παρουσιάζεται στην εικόνα 4. Η οπτική σύγκριση με το ψευδέγχρωμο σύνθετο 4,3,2 δείχνει ότι ο χάρτης ταξινόμησης παρείχε σχετικά καλούς διαχωρισμούς μεταξύ των τάξεων καλλιέργειας και μη-καλλιέργειας. <br /> <br /> [[Εικόνα:Stlas-ef1-7.jpg|right|thumb||Εικόνα 4 : Ο 16 τάξεων ταξινομημένος χάρτης που παράχθηκε από την εικόνα Landsat TM, της 14ης Απριλίου 2007 με τη χρήση του επιβλεπόμενου ταξινομητή της Μεγίστης Πιθανοφάνειας .]]<br /> <br /> Στην παρούσα μελέτη, αφού εκτελέστηκε η επιβλεπόμενη ταξινόμηση ακολούθησε η εκτέλεση της μη επιβλεπόμενης προσέγγισης με βάση τον αλγόριθμο ISODATA, για την περιοχή μελέτης. Στην εικόνα 5 φαίνεται ο χάρτης κάλυψης εδάφους έτσι όπως παράχθηκε από την εικόνα Landsat TM με τη χρήση του αλγορίθμου ISODATA. Είναι γεγονός ότι αυτή η μη επιβλεπόμενη προσέγγιση φαίνεται να δυσκολεύεται να ταξινομήσει ικανοποιητικά την κάλυψη του εδάφους στην μεγάλης έκτασης περιοχή μελέτης. <br /> <br /> [[Εικόνα:Stlas-ef1-8.jpg|right|thumb||Εικόνα 5 : Ο χάρτης κάλυψης και χρήσης του εδάφους που παράχθηκε από την εικόνα Landsat TM της 14ης Απριλίου 2007 με βάση τον μη επιβλεπόμενο αλγόριθμο ISODATA.]]<br /> <br /> <br /> <br /> Συγκρίνοντας τις δύο εικόνες που παράχθηκαν από τις δυο διαφορετικές προσεγγίσεις ταξινόμησης με επίγειους ελέγχους στην περιοχή που πραγματοποιήθηκαν το καλοκαίρι του 2011, φαίνονται σαφώς πιο κοντά στην πραγματικότητα τα αποτελέσματα στην επιβλεπόμενη ταξινόμηση της Μεγίστης Πιθανοφάνειας σε σχέση με την μη επιβλεπόμενη ταξινόμηση. Οι τάξεις που λήφθηκαν από τη μη επιβλεπόμενη ταξινόμηση είναι αρκετά ετερογενείς, έχει όμως ενδιαφέρον ότι τα γραμμικά στοιχεία της περιοχής οριογραμμές αγροτεμαχίων, ρέματα και δευτερεύοντες οδοί, φαίνονται καθαρά. Συγκρίνοντας με το θεματικό χάρτη, ο οποίος προέκυψε από την ταξινόμηση με τη μέθοδο της Μεγίστης Πιθανοφάνειας τα γραμμικά στοιχεία εμφανίζονται απολύτως ικανοποιητικά στη μη επιβλεπόμενη ταξινόμηση, αλλά ο διαχωρισμός των τάξεων των καλλιεργειών μεταξύ τους (ακόμη και ο διαχωρισμός των πολυγώνων διαφορετικών χρήσεων – καλύψεων γης) είναι σαφώς ποιοτικότερος στην ταξινόμηση της μεγίστης πιθανοφάνειας.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef1-8.jpg 2012-03-29T14:35:13Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef1-7.jpg 2012-03-29T14:34:29Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef1-6.jpg 2012-03-29T14:33:55Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef1-5.jpg 2012-03-29T14:33:10Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef1-4.jpg 2012-03-29T14:32:26Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef1-3.jpg 2012-03-29T14:31:54Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef1-2.jpg 2012-03-29T14:31:07Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Stlas-ef1-1.jpg 2012-03-29T14:30:17Z

<p>Stathis.Laspias: </p> <hr /> <div></div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%92%CE%B5%CE%BB%CF%84%CE%AF%CF%89%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CF%80%CF%8C%CE%B4%CE%BF%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%A4%CE%B1%CE%BE%CE%B9%CE%BD%CF%8C%CE%BC%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CE%BA%CE%AC%CE%BB%CF%85%CF%88%CE%B7%CF%82_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%94%CF%85%CF%84%CE%B9%CE%BA%CE%AE_%CE%91%CF%85%CF%83%CF%84%CF%81%CE%B1%CE%BB%CE%AF%CE%B1_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CF%80%CE%B7%CE%B3%CF%8E%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1 2012-03-13T21:46:17Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Βελτίωση της απόδοσης της Ταξινόμησης της κάλυψης εδάφους στην Δυτική Αυστραλία χρησιμοποιώντας πολλαπλών πηγών τηλεπισκοπικά δεδομένα&lt;/b&gt;&lt;br&gt;<br /> <br /> Improvement of land cover classification performance in Western Australia using multisource remote sensing data&lt;br&gt;<br /> H.T. CHU AND L. GE, School of Surveying and Spatial Information Systems, The University of New South Wales, Sydney, Australia<br /> [http://www.gmat.unsw.edu.au/snap/publications/chu&amp;ge2011a.pdf]<br /> <br /> <br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;<br /> <br /> Η χρήση πολλαπλών-πηγών τηλεπισκοπικών δεδομένων για την χαρτογράφηση της εδαφοκάλυψης έχει προσελκύσει ιδιαίτερη προσοχή, καθώς τα δεδομένα εικόνων είναι πιο εύκολα διαθέσιμα σε σχέση με το παρελθόν. Σε αυτή τη μελέτη αξιολογείται η χρησιμότητα των δεδομένων αυτών με την ταξινόμηση των χαρακτηριστικών της εδαφοκάλυψης στη Δυτική Αυστραλία. Η μέθοδος SVM χρησιμοποιήθηκε ως η βασική τεχνική ταξινόμησης, ενώ ο ταξινομητής της Μεγίστης Πιθανοφάνειας (ML) εφαρμόστηκε επίσης, για σύγκριση. Τα αποτελέσματα της παρούσας μελέτης δείχνουν ότι η εφαρμογή των πολλαπλών πηγών τηλεπισκοπικών δεδομένων με τα κατάλληλα σύνολα δεδομένων και τεχνικές ταξινόμησης θα μπορούσαν να βελτιώσουν σημαντικά την ακρίβεια της χαρτογράφησης της εδαφοκάλυψης.<br /> <br /> &lt;b&gt;Εισαγωγή&lt;/b&gt;&lt;br&gt;<br /> <br /> Η ένταξη των πολλαπλών-πηγών τηλεπισκοπικών δεδομένων για την ταξινόμηση της εδαφοκάλυψης έχει προσελκύσει μεγάλη προσοχή από του ερευνητές. Γενικά, υποτίθεται ότι η απόδοση της ταξινόμησης θα ενισχυθεί εάν περισσότερα χαρακτηριστικά συμμετέχουν στις διαδικασίες ταξινόμησης, καθώς η σύγχυση μεταξύ των τάξεων θα μειωθεί. Ωστόσο, η χρήση μεγάλου όγκου δεδομένων δεν δίνει απαραίτητα υψηλή ακρίβεια ταξινόμησης. Αντίθετα, η χρήση πάρα πολλών παραμέτρων και δεδομένων εικόνας θα αυξήσει επίσης, την αβεβαιότητα μέσα στο σύνολο των δεδομένων και μπορεί να μειώσει την ακρίβεια ταξινόμησης. Η παρούσα μελέτη εξετάζει την ικανότητα των πολλαπλών-πηγών τηλεπισκοπικών δεδομένων, συμπεριλαμβανομένων των πολλαπλών-ημερομηνιών Landsat 5 TM[http://en.wikipedia.org/wiki/Landsat_5], ALOS/PALSAR[http://en.wikipedia.org/wiki/Advanced_Land_Observation_Satellite] εικόνων και τις πληροφορίες υφής για την ταξινόμηση της εδαφοκάλυψης στη Δυτική Αυστραλία. Η διαδικασία ταξινόμησης πραγματοποιήθηκε για διαφορετικούς συνδυασμούς συνόλων δεδομένων, προκειμένου να αξιολογηθεί η απόδοση τους στην χαρτογράφηση των χαρακτηριστικών της κάλυψης του εδάφους. <br /> <br /> &lt;b&gt;Περιοχή Μελέτης - Μέθοδοι&lt;/b&gt;&lt;br&gt;<br /> <br /> Η περιοχή μελέτης βρίσκεται στο νότο της πολιτείας της Δυτικής Αυστραλίας (WA)[http://en.wikipedia.org/wiki/Western_Australia]. Το έδαφος είναι επίπεδο και χαρακτηρίζεται κυρίως από βοσκοτόπια, καλλιέργειες, δέντρα και μερικές μικρές κατοικημένες περιοχές. Δυο σύνολα τηλεπισκοπικών δεδομένων χρησιμοποιήθηκαν για αυτή τη μελέτη: 7 εικόνες ALOS/PALSAR αποκτήθηκαν μεταξύ Ιανουαρίου και Δεκεμβρίου 2010 και 3 Landsat 5 TM εικόνες που αποκτήθηκαν στις 21/9, 7/10 και 24/11 του 2010 με 7 φασματικά κανάλια και χωρική ανάλυση 30m. Ωστόσο, σε αυτή τη μελέτη μόνο τα 5 φασματικά κανάλια χρησιμοποιήθηκαν. <br /> [[Εικόνα:Stlas_aust_1_09.gif|right|thumb||Εικόνα 1 : Οι εικόνες Landsat 5 TM και ALOS/PALSAR HH της περιοχής μελέτης.[http://www.gmat.unsw.edu.au/snap/publications/chu&amp;ge2011a.pdf]πηγή]]<br /> Και οι ALOS/PALSAR και οι Landsat 5 TM εικόνες καταχωρήθηκαν στο σύστημα συντεταγμένων (UTM, WGS84 datum). Η μη παραμετρική τεχνική ταξινόμησης SVM χρησιμοποιήθηκε ως ο κύριος ταξινομητής για αυτή τη μελέτη. Ωστόσο, ο ταξινομητής της Μεγίστης Πιθανοφάνειας ΜL χρησιμοποιήθηκε επίσης για λόγους σύγκρισης. Οι τάξεις εδαφοκάλυψης στην περιοχή μελέτης ορίστηκαν ως καλλιέργειες (CR), βοσκοτόπια (PA), πυκνή δεντροκάλυψη (DS), αραιά δέντρα (ST) και κατοικημένη περιοχή (RE). Τα χρώματα που δίνονται για την κάθε τάξη φαίνονται παρακάτω. <br /> [[Εικόνα:Stlas_aust_2_09.gif|center|image|]]<br /> <br /> &lt;b&gt;Αποτελέσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Οι συνολικές ακρίβειες ταξινόμησης των διαφορετικών συνόλων δεδομένων χρησιμοποιώντας την προσέγγιση stack vector συνοψίζονται στον πίνακα 1, συμπεριλαμβανομένων των αποτελεσμάτων των ταξινομητών ML και SVM. Είναι προφανές ότι οι ταξινομητές SVM αποδίδουν καλύτερα από τον ταξινομητή ML, ιδιαίτερα για τα σύνθετα σύνολα δεδομένων. Όλοι οι συνδυασμοί που παράχθηκαν και από τα δυο είδη δεδομένων είχαν ως αποτέλεσμα μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης σε σύγκριση με οποιαδήποτε αρχικά ενιαία σύνολα δεδομένων. Ο συνδυασμός πολλαπλών-ημερομηνιών Landsat 5 TM και PALSAR[http://www.palsar.ersdac.or.jp/e/about/index.html] εικόνων έδωσε αξιοσημείωτες αυξήσεις στην ακρίβεια ταξινόμησης, με μια βελτίωση του 8,83% και 27,87% για τα δεδομένα Landsat TM και PALSAR αντίστοιχα. Παρόλο που τα δεδομένα υφής SAR είχαν πολύ κακή απόδοση, ο συνδυασμός τους με τα δεδομένα Landsat 5 TM είχε ως αποτέλεσμα μια πολύ υψηλή ακρίβεια ταξινόμησης του 89,39%. Οι βελτιώσεις ήταν 28,2% και 9,16% σε σύγκριση με τα ενιαίου τύπου σύνολα δεδομένων των PALSAR και των Landsat 5 TM εικόνων, αντίστοιχα. <br /> [[Εικόνα:Stlas_aust_3_09.gif|right|thumb||Εικόνα 2 : Τα αποτελέσματα της ταξινόμησης των τριών-ημερομηνιών εικόνων Landsat 5 TM (αριστερά) και του συνδυασμού των τριών-ημερομηνιών εικόνων Landsat 5 TM και των δεδομένων υφής PALSAR (δεξιά).[http://www.gmat.unsw.edu.au/snap/publications/chu&amp;ge2011a.pdf]πηγή]]&lt;br&gt;<br /> [[Εικόνα:Stlas_aust_4_09.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Η ακρίβεια της ταξινόμησης της κάλυψης εδάφους των διαφόρων συνόλων δεδομένων.[http://www.gmat.unsw.edu.au/snap/publications/chu&amp;ge2011a.pdf]πηγή]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> Ο πίνακας 2 δείχνει τα αποτελέσματα της ταξινόμησης σύμφωνα με την προτεινόμενη τεχνική επιλογής χαρακτηριστικών (FS) και την προσέγγιση επιλογής μη-χαρακτηριστικών. Όπως φαίνεται, για τις δυο πρώτες περιπτώσεις η τεχνική FS δεν παρείχε μια διαφορετική λύση σε σχέση με την προσέγγιση μη επιλογής χαρακτηριστικών και στις δυο περιπτώσεις όλα τα χαρακτηριστικά είχαν επιλεγεί. Ωστόσο, στις δυο τελευταίες περιπτώσεις η προσέγγιση FS έδωσε πολύ θετικά αποτελέσματα. Αυτά τα αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος FS λειτούργησε αρκετά καλά με τα πιο σύνθετα συνδυασμένα σύνολα δεδομένων. Αξίζει επίσης να σημειωθεί ότι σε αντίθεση με τον ταξινομητή SVM τα αποτελέσματα της ταξινόμησης που χρησιμοποιεί τον ταξινομητή ML ήταν ελαφρώς μειωμένα.&lt;br&gt;&lt;br&gt; <br /> [[Εικόνα:Stlas_aust_5_09.jpg|center|image|]]&lt;i&gt;Πίνακας 2 : Σύγκριση της απόδοσης της ταξινόμησης της κάλυψης του εδάφους μεταξύ της προσέγγισης επιλογής υποσυνόλων χαρακτηριστικών και της επιλογής μη-χαρακτηριστικών. NF= ο αριθμός των επιλεγμένων χαρακτηριστικών.[http://www.gmat.unsw.edu.au/snap/publications/chu&amp;ge2011a.pdf]πηγή]]&lt;/i&gt;<br /> <br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Τα αποτελέσματα αυτής της μελέτης έδειξαν ότι οι χρήσεις των σχετικών χαρακτηριστικών από τα πολλαπλών-πηγών τηλεπισκοπικά δεδομένα μπορούν να βελτιώσουν σημαντικά την ακρίβεια ταξινόμησης. Ο ταξινομητής SVM υπερτερεί από τους παραδοσιακούς ταξινομητές ML στην ταξινόμηση πολύπλοκων συνόλων δεδομένων. Ο συνδυασμός πολλαπλών-ημερομηνιών Landsat 5 TM εικόνων, PALSAR HH εικόνων και των πληροφοριών που προέρχονται από την προτεινόμενη τεχνική μας FS πέτυχε την υψηλότερη ακρίβεια ταξινόμησης του 89,94% με 9,71% και 28,75% βελτίωση της ακρίβειας σε σύγκριση με την ταξινόμηση των πολλαπλών-ημερομηνιών δεδομένων Landsat 5 TM και PALSAR αντίστοιχα.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%97_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_IKONOS_%CE%BA%CE%B1%CE%B9_Landsat_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%AD%CE%BB%CE%B5%CE%B3%CF%87%CE%BF_%CF%84%CE%B7%CF%82_%CE%B5%CE%BB%CE%BF%CE%BD%CE%BF%CF%83%CE%AF%CE%B1%CF%82_%CF%83%CF%84%CE%B7_%CE%94%CE%B7%CE%BC%CE%BF%CE%BA%CF%81%CE%B1%CF%84%CE%AF%CE%B1_%CF%84%CE%B7%CF%82_%CE%9A%CE%BF%CF%81%CE%AD%CE%B1%CF%82 2012-03-13T21:34:16Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Η χρήση του IKONOS και Landsat για τον έλεγχο της ελονοσίας στη Δημοκρατία της Κορέας&lt;/b&gt;&lt;br&gt;<br /> <br /> Use of IKONOS and Landsat for malaria control in the republic of Korea&lt;br&gt;<br /> Penny M. Masuoka, David M. Claborn, Richard G. Andre, Joseph Nigro, Scott W. Gordon, Terry A. Klein, Hung-Chol Kim, Remote Sensing of Environment, Volume 88, Issues 1–2, 30 November 2003, Pages 187-194 <br /> [http://www.sciencedirect.com/science/article/pii/S0034425703002402]<br /> <br /> <br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;<br /> <br /> Η ελονοσία[http://el.wikipedia.org/wiki/%CE%95%CE%BB%CE%BF%CE%BD%CE%BF%CF%83%CE%AF%CE%B1] εμφανίστηκε ξανά στη Δημοκρατία της Κορέας (ROK)[http://el.wikipedia.org/wiki/%CE%9D%CF%8C%CF%84%CE%B9%CE%B1_%CE%9A%CE%BF%CF%81%CE%AD%CE%B1] το 1993. Προκειμένου να εκτιμηθεί το κόστος της νυμφοκτονίας[http://en.wikipedia.org/wiki/Larvicide], είναι απαραίτητες οι ακριβείς εκτιμήσεις της χωρικής έκτασης των βιοτόπων των προνυμφών κουνουπιών. Ο σκοπός της παρούσας μελέτης ήταν να καθορίσει εάν μια ακριβής εκτίμηση της περιοχής που καλύπτεται από βιοτόπους προνυμφών κουνουπιών μπορεί να ληφθεί χρησιμοποιώντας δεδομένα Landsat 7 ETM+[http://en.wikipedia.org/wiki/Landsat_7] και/ή IKONOS[http://en.wikipedia.org/wiki/Ikonos] για την κορεατική περιοχή δοκιμών. Για να εκτιμηθεί η έκταση που καλύπτεται από βιοτόπους προνυμφών κοντά στο στρατόπεδο Greaves [Paekyeon-Ri, κοντά στο χωριό Tongil-Chan] στην RΟΚ, μία εικόνα IKONOS και μια εικόνα Landsat 7 ETM+ ταξινομήθηκαν χρησιμοποιώντας μια ταξινόμηση παραλληλεπιπέδου. Σε σύγκριση των περιοχών ορυζώνων, 24 (92%) από τις περιοχές ταξινομήθηκαν σωστά στην εικόνα IKONOS και 17 (65%) ταξινομήθηκαν σωστά στην εικόνα Landsat. Συγκρίνοντας τις ταξινομήσεις, η συμφωνία μεταξύ των δυο ταξινομήσεων ήταν 79%. Μέρος της διαφωνίας οφείλονταν στη διαφορά της ανάλυσης των δυο εικόνων. Αν και είτε ο Landsat είτε ο IKONOS μπορούν να χρησιμοποιηθούν στην Κορέα για μια λογική εκτίμηση της περιοχής βιοτόπων, μόνο ο IKONOS μπορεί να επιλύσει τις μικρές λίμνες άρδευσης οι οποίες αποτελούν σημαντική πηγή για την αναπαραγωγή κουνουπιών.<br /> <br /> &lt;b&gt;Εισαγωγή&lt;/b&gt;&lt;br&gt;<br /> <br /> Αυτή η μελέτη είναι μέρος μιας μεγαλύτερης προσπάθειας για να καθοριστεί η χρησιμότητα και το κόστος των διαφόρων μεθόδων για την μείωση του κινδύνου της μετάδοσης της ελονοσίας στο προσωπικό του αμερικάνικου στρατού που βρίσκεται στην περιοχή. Ο σκοπός της παρούσας μελέτης ήταν να καθορίσει εάν μια ακριβής εκτίμηση της περιοχής που καλύπτεται από βιοτόπους προνυμφών κουνουπιών μπορεί να ληφθεί χρησιμοποιώντας δεδομένα Landsat 7 ETM+ και/ή IKONOS για την κορεατική περιοχή δοκιμών. Οι εκτιμήσεις των εκτάσεων των βιοτόπων των κουνουπιών μετά μπορούν να χρησιμοποιηθούν για την εκτίμηση του κόστους της νυμφοκτονίας κοντά σε στρατιωτικές βάσεις των ΗΠΑ στην Κορέα. Ένα από τα ερωτήματα που προσπαθεί αυτή η μελέτη να απαντήσει είναι κατά πόσο οι υψηλής ανάλυσης εικόνες είναι αποτελεσματικές στην οριοθέτηση των επιλεγμένων τύπων των μικρών βιοτόπων των προνυμφών κουνουπιών και αν ναι, πώς αυτό επηρεάζει την εκτίμηση του συνόλου των ενδιαιτημάτων όπως αυτό προβλέπεται από την χαμηλής ανάλυσης εικόνα.<br /> <br /> &lt;b&gt;Περιοχή Μελέτης - Μέθοδοι&lt;/b&gt;&lt;br&gt;<br /> <br /> Η επιτόπια έρευνα για αυτή τη μελέτη εκτελέσθηκε από τον Ιούνιο μέχρι τον Σεπτέμβριο του 2000 και επικεντρώθηκε σε δυο στρατιωτικές βάσεις κοντά στο DΜΖ: στρατόπεδο Greaves και στρατόπεδο Casey. Το στρατόπεδο Greaves βρίσκεται σε μια αγροτική περιοχή ακριβώς νότια του DMZ. Το στρατόπεδο Casey είναι περίπου 35 μίλια ανατολικά του στρατοπέδου Greaves σε μια πιο πυκνοκατοικημένη περιοχή με λιγότερη γεωργία. Τα όρια των στρατοπέδων Casey και Greaves ψηφιοποιήθηκαν και μια 1-km ουδέτερη ζώνη τοποθετήθηκε γύρω από το στρατόπεδο βασισμένη σε ένα κατά προσέγγιση εύρος πτήσης του κουνουπιού A. Sinensis.<br /> [[Εικόνα:Stlas_korea_1_07.gif|right|thumb||Εικόνα 1 : Η εικόνα IKONOS με την ουδέτερη ζώνη γύρω από το στρατόπεδο Greaves και τις τοποθεσίες συλλογής δειγμάτων προνυμφών.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> Δυο εικόνες χρησιμοποιήθηκαν για την παρούσα μελέτη μια Landsat 7 ETΜ+ εικόνα που αποκτήθηκε στις 29 Απριλίου, 2000, και μια εικόνα IKONOS που αποκτήθηκε στις 2 Αυγούστου, 2000. Η εικόνα Landsat καλύπτει και τις δυο περιοχές των στρατοπέδων. Η εικόνα IKONOS βρίσκεται εξολοκλήρου μέσα στην εικόνα Landsat αλλά καλύπτει μόνο την περιοχή του στρατοπέδου Greaves. Το λογισμικό τηλεπισκόπησης PCI χρησιμοποιήθηκε για να εκτελέσει τις επιβλεπόμενες ταξινομήσεις στις εικόνες IKONOS και Landsat. Οι περιοχές μελέτης για την ταξινόμηση επιλέχθηκαν σε θέσεις όπου οι ερευνητές είχαν συλλέξει στάσιμο νερό για τις προνύμφες anopheline[http://en.wikipedia.org/wiki/Anopheles]. Διάφοροι αλγόριθμοι ταξινόμησης ερευνήθηκαν συμπεριλαμβανομένων, της Ελάχιστης Απόστασης, της Μεγίστης Πιθανοφάνειας και των προγραμμάτων παραλληλεπιπέδων. Ο αλγόριθμος παραλληλεπιπέδου με μια Μεγίστη Πιθανοφάνεια φάνηκε να είναι η ακριβέστερη ταξινόμηση των εικόνων βασισμένο σε μια οπτική σύγκριση με τη γραφική παράσταση των περιοχών δειγματοληψίας στην εικόνα IKONOS. Για την εικόνα IKONOS οι περιοχές εκπαίδευσης συλλέχθηκαν για τα ποτάμια, τις μικρές λίμνες, τις τάφρους και τους ορυζώνες. Λόγω της χαμηλότερης ανάλυσης, οι περιοχές μελέτης στην εικόνα Landsat περιλάμβαναν μόνο τους ορυζώνες και το ποτάμι. Για να συγκριθούν τα αποτελέσματα της ταξινόμησης μεταξύ των δυο τύπων εικόνων, ένα υποσύνολο της εικόνας Landsat δημιουργήθηκε προκειμένου να συμπεριλάβει μόνο την περιοχή που καλύπτεται από την εικόνα IKONOS. Ένας πίνακας σύγχυσης παράχθηκε για να συγκρίνει την ακρίβεια της ταξινόμησης του Landsat και IKONOS με κοινές περιοχές μελέτης και στις δύο εικόνες. Το PCIs MODEL πρόγραμμα επίσης χρησιμοποιήθηκε για να συγκρίνει τις ταξινομήσεις Landsat και IKONOS σε pixel με pixel επίπεδο και να δημιουργήσει μια νέα εικόνα που απεικονίζονται τα pixels που ταιριάζουν και αυτά που δεν ταιριάζουν. <br /> <br /> &lt;b&gt;Αποτελέσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Οι εικόνες 2 και 3 δείχνουν το αποτέλεσμα των ταξινομήσεων των εικόνων Landsat και IKONOS. Με βάση μια οπτική σύγκριση μεταξύ της ταξινόμησης και της αρχικής εικόνας, το ποτάμι, οι μικρές λίμνες και οι ορυζώνες ταξινομήθηκαν με επιτυχία στις εικόνες IKONOS. Οι τάφροι δεν μπορούσαν να ταξινομηθούν επιτυχώς στις εικόνες IKONOS, πιθανόν λόγω των δέντρων και θάμνων που αναπτύσσονται κατά μήκος των τάφρων και τις κάνει φασματικά παρόμοιες με άλλες τάξεις εδαφοκάλυψης. Στις εικόνες Landsat, το ποτάμι και οι ορυζώνες μπορούσαν να ταξινομηθούν αλλά οι μικρές λίμνες και οι τάφροι ήταν πολύ μικρές και δεν μπορούσαν να χρησιμοποιηθούν ως περιοχές μελέτης. Μια οπτική σύγκριση των ταξινομήσεων Landsat και IKONOS δείχνει ότι είναι αρκετά παρόμοιες στην ταξινόμηση του ποταμού (εικόνα 2 και 3). Οι μεγάλες περιοχές των ορυζώνων είχαν ταξινομηθεί με αρκετή ακρίβεια στην ταξινόμηση Landsat (εικόνα 3). Ωστόσο, μικρές εκτάσεις ορυζώνων, όπως φαίνεται στη ΒΔ γωνία της εικόνας IKONOS (εικόνα 3) δεν ταξινομήθηκαν σωστά από την Landsat ταξινόμηση. <br /> [[Εικόνα:Stlas_korea_2_07.jpg|right|thumb||Εικόνα 2 : Σύγκριση του ψευδέχρωμου σύνθετου και της ταξινόμησης της IKONOS με την Landsat. Στις εικόνες ταξινόμησης, η τάξη του ποταμιού φαίνεται με κίτρινο χρώμα, οι ορυζώνες με πράσινο και οι μικρές λίμνες με κόκκινο. Κάθε εικόνα είναι 5,5km σε πλάτος.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> [[Εικόνα:Stlas_korea_3_07.jpg|right|thumb||Εικόνα 3 : Ένα μεγεθυμένο υποσύνολο των εικόνων 7.2. που συγκρίνει ένα ψευδέχρωμο σύνθετο και την ταξινόμηση της IKONOS με την Landsat. Στις εικόνες ταξινόμησης, η τάξη του ποταμιού φαίνεται με κίτρινο χρώμα, οι ορυζώνες με πράσινο και οι μικρές λίμνες με κόκκινο. Το πλάτος εικόνας είναι 1,9km.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> Ένας πίνακας σύγχυσης (ή πίνακας σφάλματος) υπολογίστηκε για κάθε μια από τις ταξινομήσεις χρησιμοποιώντας τις περιοχές συλλογής προνυμφών που ενέπεσαν στην εικόνα IKONOS ως στοιχεία αναφοράς (πίνακας 1). 26 ορυζώνες λήφθηκαν: οι 24 (92%) είχαν ταξινομηθεί σωστά στην εικόνα IKONOS και οι 17 (65%) είχαν ταξινομηθεί σωστά στην Landsat.&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas_korea_4_07.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Οι πίνακες σύγχυσης της κάλυψης του εδάφους στις τοποθεσίες συλλογής προνυμφών σε σύγκριση με την κάλυψη του εδάφους που καθορίστηκε με την ταξινόμηση των δορυφορικών εικόνων. Οι ίδιες τοποθεσίες δειγματοληψίας χρησιμοποιήθηκαν και για τους δυο πίνακες.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> Μια σύγκριση της ταξινόμησης Landsat και IKONOS έγινε χρησιμοποιώντας το πρόγραμμα PCI MODEL για να συγκρίνει την ταξινόμηση σε pixel με pixel επίπεδο. Τα λευκά pixels στην εικόνα 4 αντιπροσωπεύουν τα pixels που ταξινομήθηκαν το ίδιο στις δυο εικόνες, ενώ τα μαύρα pixels ταξινομήθηκαν διαφορετικά. Μια αναφορά που παρήχθη με το πρόγραμμα PCI MODEL υπολόγισε μια 79% συμφωνία στη ταξινόμηση των pixel στις εικόνες Landsat και IKONOS. Οι διαφορές στην ταξινόμηση μπορεί εν μέρει να αντιπροσωπεύουν διαφορές στην ανάλυση. Επίσης, οι διαφορές στις ταξινομήσεις μπορεί εν μέρει να οφείλονται στα διαφορετικά στάδια της ανάπτυξης του ρυζιού, καθώς οι εικόνες αποκτήθηκαν σε διαφορετικές ημερομηνίες. <br /> [[Εικόνα:Stlas_korea_5_07.jpg|right|thumb||Εικόνα 4 : Εικόνα που δείχνει την συμφωνία των pixels στην ταξινόμηση των εικόνων Landsat και IKONOS. Τα μαύρα pixels (το 21% της εικόνας) ταξινομήθηκαν διαφορετικά στις δυο εικόνες. Τα λευκά pixels κατατάχθηκαν στην ίδια τάξη.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> Στην εικόνα 5 τα μαύρα pixels αντιπροσωπεύουν περιοχές που ταξινομήθηκαν ως βιότοπος στην Landsat αλλά ως μη-βιότοπος στην IKONOS. Ένας λόγος για αυτή τη διαφορά είναι ότι η Landsat ταξινομεί τους μικρούς δρόμους και τα μεγάλα αναχώματα που χωρίζουν τους ορυζώνες, ως καλλιέργειες ρυζιού εξαιτίας της χαμηλότερης ανάλυσης. Στην εικόνα 6 τα μαύρα pixels αντιπροσωπεύουν περιοχές που ταξινομήθηκαν ως βιότοποι στην IKONOS αλλά ως μη-βιότοποι στην Landsat. Τα μεγαλύτερα κομμάτια του μαύρου στην εικόνα αυτή αντιπροσωπεύουν περιοχές που ταξινομήθηκαν ανακριβώς ως μη-βιότοποι στην Landsat. Μερικοί από τους μικρούς ορυζώνες που ταξινομήθηκαν ως μη-βιότοποι στην Landsat, επίσης, φαίνονται στην εικόνα 6. Μια σύγκριση της εικόνας 6 με την εικόνα 2 δείχνει ότι μια διασπορά των pixels από τις δασικές περιοχές είχε ταξινομηθεί λανθασμένα ως ρύζι στην εικόνα IKONOS. <br /> [[Εικόνα:Stlas_korea_6_07.jpg|right|thumb||Εικόνα 5 : Εικόνα που δείχνει τα pixels (σε μαύρο) που ταξινομήθηκαν ως βιότοπος στην Landsat αλλά ως μη-βιότοπος στην IKONOS.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> [[Εικόνα:Stlas_korea_7_07.jpg|right|thumb||Εικόνα 6 : Εικόνα που δείχνει τα pixels (σε μαύρο) που ταξινομήθηκαν ως βιότοπος στην IKONOS αλλά ως μη-βιότοπος στην Landsat.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> Οι εκτιμήσεις της περιοχής για την ουδέτερη ζώνη γύρω από το στρατόπεδο Greaves φαίνονται στον πίνακα 2. Αν και η διαφορά στην ταξινόμηση των εικόνων Landsat και IKONOS ήταν περίπου 20%, οι εκτιμήσεις της περιοχής ήταν πολύ κοντά. Η εκτίμηση του Landsat 7 ETM+ για τις καλλιέργειες ρυζιού ήταν μόνο 2,4% μικρότερη από αυτή του IKONOS.&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas_korea_8_07.jpg|center|image|]]&lt;i&gt;Πίνακας 2 : Σύγκριση των εκτιμήσεων εδαφοκάλυψης της περιοχής (m2) για το στρατόπεδο Greaves και την γύρω περιοχή, Δημοκρατία της Κορέας. Η τάξη μη-βιότοπος περιλαμβάνει όλες τις περιοχές εκτός από τα ποτάμια, ορυζώνες και μικρές λίμνες.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]&lt;/i&gt;&lt;br&gt;<br /> <br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Έχουμε διαπιστώσει ότι παρόμοιες εκτιμήσεις των περιοχών βιοτόπων των προνυμφών κουνουπιών μπορούν να ληφθούν από τις εικόνες IKONOS και Landsat 7 ETM+. Για πρόχειρες εκτιμήσεις των κυριότερων περιοχών βιοτόπων ο Landsat θα ήταν επαρκείς. Σε τοπικό επίπεδο, η εικόνα IKONOS επέτρεψε μια καλύτερη ταξινόμηση των ορυζώνων, προσδιορίζοντας με ακρίβεια το 92% των περιοχών έναντι του 65% για τον Landsat. Η χρήση του IKONOS έχει το πλεονέκτημα να είναι σε θέση να απεικονίσει και να ταξινομήσει χαρακτηρίστηκα κάλυψης εδάφους όπως μικρές λίμνες και ορυζώνες που είναι μικρότερα από 30x30m σε μέγεθος. Οι δυο τύποι εικόνων θα μπορούσαν να χρησιμοποιηθούν από κοινού στον σχεδιασμό και στην εφαρμογή ενός προγράμματος ελέγχου της ελονοσίας. Ο Landsat θα μπορούσε να χρησιμοποιηθεί στα πρώτα στάδια του σχεδιασμού για την εκτίμηση του κόστους και των τοποθεσιών ψεκασμού. Μόλις επιλεχτούν οι τοπικές περιοχές “θεραπείας”, οι εικόνες IKONOS θα μπορούσαν να χρησιμοποιηθούν για τον εντοπισμό των βιοτόπων και την παρακολούθηση των τοπικών προσπαθειών ψεκασμού.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%97_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_IKONOS_%CE%BA%CE%B1%CE%B9_Landsat_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%AD%CE%BB%CE%B5%CE%B3%CF%87%CE%BF_%CF%84%CE%B7%CF%82_%CE%B5%CE%BB%CE%BF%CE%BD%CE%BF%CF%83%CE%AF%CE%B1%CF%82_%CF%83%CF%84%CE%B7_%CE%94%CE%B7%CE%BC%CE%BF%CE%BA%CF%81%CE%B1%CF%84%CE%AF%CE%B1_%CF%84%CE%B7%CF%82_%CE%9A%CE%BF%CF%81%CE%AD%CE%B1%CF%82 2012-03-13T21:27:45Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Η χρήση του IKONOS και Landsat για τον έλεγχο της ελονοσίας στη Δημοκρατία της Κορέας&lt;/b&gt;&lt;br&gt;<br /> <br /> Use of IKONOS and Landsat for malaria control in the republic of Korea&lt;br&gt;<br /> Penny M. Masuoka, David M. Claborn, Richard G. Andre, Joseph Nigro, Scott W. Gordon, Terry A. Klein, Hung-Chol Kim, Remote Sensing of Environment, Volume 88, Issues 1–2, 30 November 2003, Pages 187-194 <br /> [http://www.sciencedirect.com/science/article/pii/S0034425703002402]<br /> <br /> <br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;<br /> <br /> Η ελονοσία[http://el.wikipedia.org/wiki/%CE%95%CE%BB%CE%BF%CE%BD%CE%BF%CF%83%CE%AF%CE%B1] εμφανίστηκε ξανά στη Δημοκρατία της Κορέας (ROK)[http://el.wikipedia.org/wiki/%CE%9D%CF%8C%CF%84%CE%B9%CE%B1_%CE%9A%CE%BF%CF%81%CE%AD%CE%B1] το 1993. Προκειμένου να εκτιμηθεί το κόστος της νυμφοκτονίας[http://en.wikipedia.org/wiki/Larvicide], είναι απαραίτητες οι ακριβείς εκτιμήσεις της χωρικής έκτασης των βιοτόπων των προνυμφών κουνουπιών. Ο σκοπός της παρούσας μελέτης ήταν να καθορίσει εάν μια ακριβής εκτίμηση της περιοχής που καλύπτεται από βιοτόπους προνυμφών κουνουπιών μπορεί να ληφθεί χρησιμοποιώντας δεδομένα Landsat 7 ETM+[http://en.wikipedia.org/wiki/Landsat_7] και/ή IKONOS[http://en.wikipedia.org/wiki/Ikonos] για την κορεατική περιοχή δοκιμών. Για να εκτιμηθεί η έκταση που καλύπτεται από βιοτόπους προνυμφών κοντά στο στρατόπεδο Greaves [Paekyeon-Ri, κοντά στο χωριό Tongil-Chan] στην RΟΚ, μία εικόνα IKONOS και μια εικόνα Landsat 7 ETM+ ταξινομήθηκαν χρησιμοποιώντας μια ταξινόμηση παραλληλεπιπέδου. Σε σύγκριση των περιοχών ορυζώνων, 24 (92%) από τις περιοχές ταξινομήθηκαν σωστά στην εικόνα IKONOS και 17 (65%) ταξινομήθηκαν σωστά στην εικόνα Landsat. Συγκρίνοντας τις ταξινομήσεις, η συμφωνία μεταξύ των δυο ταξινομήσεων ήταν 79%. Μέρος της διαφωνίας οφείλονταν στη διαφορά της ανάλυσης των δυο εικόνων. Αν και είτε ο Landsat είτε ο IKONOS μπορούν να χρησιμοποιηθούν στην Κορέα για μια λογική εκτίμηση της περιοχής βιοτόπων, μόνο ο IKONOS μπορεί να επιλύσει τις μικρές λίμνες άρδευσης οι οποίες αποτελούν σημαντική πηγή για την αναπαραγωγή κουνουπιών.<br /> <br /> &lt;b&gt;Εισαγωγή&lt;/b&gt;&lt;br&gt;<br /> <br /> Αυτή η μελέτη είναι μέρος μιας μεγαλύτερης προσπάθειας για να καθοριστεί η χρησιμότητα και το κόστος των διαφόρων μεθόδων για την μείωση του κινδύνου της μετάδοσης της ελονοσίας στο προσωπικό του αμερικάνικου στρατού που βρίσκεται στην περιοχή. Ο σκοπός της παρούσας μελέτης ήταν να καθορίσει εάν μια ακριβής εκτίμηση της περιοχής που καλύπτεται από βιοτόπους προνυμφών κουνουπιών μπορεί να ληφθεί χρησιμοποιώντας δεδομένα Landsat 7 ETM+ και/ή IKONOS για την κορεατική περιοχή δοκιμών. Οι εκτιμήσεις των εκτάσεων των βιοτόπων των κουνουπιών μετά μπορούν να χρησιμοποιηθούν για την εκτίμηση του κόστους της νυμφοκτονίας κοντά σε στρατιωτικές βάσεις των ΗΠΑ στην Κορέα. Ένα από τα ερωτήματα που προσπαθεί αυτή η μελέτη να απαντήσει είναι κατά πόσο οι υψηλής ανάλυσης εικόνες είναι αποτελεσματικές στην οριοθέτηση των επιλεγμένων τύπων των μικρών βιοτόπων των προνυμφών κουνουπιών και αν ναι, πώς αυτό επηρεάζει την εκτίμηση του συνόλου των ενδιαιτημάτων όπως αυτό προβλέπεται από την χαμηλής ανάλυσης εικόνα.<br /> <br /> &lt;b&gt;Περιοχή Μελέτης - Μέθοδοι&lt;/b&gt;&lt;br&gt;<br /> <br /> Η επιτόπια έρευνα για αυτή τη μελέτη εκτελέσθηκε από τον Ιούνιο μέχρι τον Σεπτέμβριο του 2000 και επικεντρώθηκε σε δυο στρατιωτικές βάσεις κοντά στο DΜΖ: στρατόπεδο Greaves και στρατόπεδο Casey. Το στρατόπεδο Greaves βρίσκεται σε μια αγροτική περιοχή ακριβώς νότια του DMZ. Το στρατόπεδο Casey είναι περίπου 35 μίλια ανατολικά του στρατοπέδου Greaves σε μια πιο πυκνοκατοικημένη περιοχή με λιγότερη γεωργία. Τα όρια των στρατοπέδων Casey και Greaves ψηφιοποιήθηκαν και μια 1-km ουδέτερη ζώνη τοποθετήθηκε γύρω από το στρατόπεδο βασισμένη σε ένα κατά προσέγγιση εύρος πτήσης του κουνουπιού A. Sinensis.<br /> [[Εικόνα:Stlas_korea_1_07.gif|right|thumb||Εικόνα 1 : Η εικόνα IKONOS με την ουδέτερη ζώνη γύρω από το στρατόπεδο Greaves και τις τοποθεσίες συλλογής δειγμάτων προνυμφών.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> Δυο εικόνες χρησιμοποιήθηκαν για την παρούσα μελέτη μια Landsat 7 ETΜ+ εικόνα που αποκτήθηκε στις 29 Απριλίου, 2000, και μια εικόνα IKONOS που αποκτήθηκε στις 2 Αυγούστου, 2000. Η εικόνα Landsat καλύπτει και τις δυο περιοχές των στρατοπέδων. Η εικόνα IKONOS βρίσκεται εξολοκλήρου μέσα στην εικόνα Landsat αλλά καλύπτει μόνο την περιοχή του στρατοπέδου Greaves. Το λογισμικό τηλεπισκόπησης PCI χρησιμοποιήθηκε για να εκτελέσει τις επιβλεπόμενες ταξινομήσεις στις εικόνες IKONOS και Landsat. Οι περιοχές μελέτης για την ταξινόμηση επιλέχθηκαν σε θέσεις όπου οι ερευνητές είχαν συλλέξει στάσιμο νερό για τις προνύμφες anopheline[http://en.wikipedia.org/wiki/Anopheles]. Διάφοροι αλγόριθμοι ταξινόμησης ερευνήθηκαν συμπεριλαμβανομένων, της Ελάχιστης Απόστασης, της Μεγίστης Πιθανοφάνειας και των προγραμμάτων παραλληλεπιπέδων. Ο αλγόριθμος παραλληλεπιπέδου με μια Μεγίστη Πιθανοφάνεια tiebreaker φάνηκε να είναι η ακριβέστερη ταξινόμηση των εικόνων βασισμένο σε μια οπτική σύγκριση με τη γραφική παράσταση των περιοχών δειγματοληψίας στην εικόνα IKONOS. Για την εικόνα IKONOS οι περιοχές εκπαίδευσης συλλέχθηκαν για τα ποτάμια, τις μικρές λίμνες, τις τάφρους και τους ορυζώνες. Λόγω της χαμηλότερης ανάλυσης, οι περιοχές μελέτης στην εικόνα Landsat περιλάμβαναν μόνο τους ορυζώνες και το ποτάμι. Για να συγκριθούν τα αποτελέσματα της ταξινόμησης μεταξύ των δυο τύπων εικόνων, ένα υποσύνολο της εικόνας Landsat δημιουργήθηκε προκειμένου να συμπεριλάβει μόνο την περιοχή που καλύπτεται από την εικόνα IKONOS. Ένας πίνακας σύγχυσης παράχθηκε για να συγκρίνει την ακρίβεια της ταξινόμησης του Landsat και IKONOS με κοινές περιοχές μελέτης και στις δύο εικόνες. Το PCIs MODEL πρόγραμμα επίσης χρησιμοποιήθηκε για να συγκρίνει τις ταξινομήσεις Landsat και IKONOS σε pixel με pixel επίπεδο και να δημιουργήσει μια νέα εικόνα που απεικονίζονται τα pixels που ταιριάζουν και αυτά που δεν ταιριάζουν. <br /> <br /> &lt;b&gt;Αποτελέσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Οι εικόνες 2 και 3 δείχνουν το αποτέλεσμα των ταξινομήσεων των εικόνων Landsat και IKONOS. Με βάση μια οπτική σύγκριση μεταξύ της ταξινόμησης και της αρχικής εικόνας, το ποτάμι, οι μικρές λίμνες και οι ορυζώνες ταξινομήθηκαν με επιτυχία στις εικόνες IKONOS. Οι τάφροι δεν μπορούσαν να ταξινομηθούν επιτυχώς στις εικόνες IKONOS, πιθανόν λόγω των δέντρων και θάμνων που αναπτύσσονται κατά μήκος των τάφρων και τις κάνει φασματικά παρόμοιες με άλλες τάξεις εδαφοκάλυψης. Στις εικόνες Landsat, το ποτάμι και οι ορυζώνες μπορούσαν να ταξινομηθούν αλλά οι μικρές λίμνες και οι τάφροι ήταν πολύ μικρές και δεν μπορούσαν να χρησιμοποιηθούν ως περιοχές μελέτης. Μια οπτική σύγκριση των ταξινομήσεων Landsat και IKONOS δείχνει ότι είναι αρκετά παρόμοιες στην ταξινόμηση του ποταμού (εικόνα 2 και 3). Οι μεγάλες περιοχές των ορυζώνων είχαν ταξινομηθεί με αρκετή ακρίβεια στην ταξινόμηση Landsat (εικόνα 3). Ωστόσο, μικρές εκτάσεις ορυζώνων, όπως φαίνεται στη ΒΔ γωνία της εικόνας IKONOS (εικόνα 3) δεν ταξινομήθηκαν σωστά από την Landsat ταξινόμηση. <br /> [[Εικόνα:Stlas_korea_2_07.jpg|right|thumb||Εικόνα 2 : Σύγκριση του ψευδέχρωμου σύνθετου και της ταξινόμησης της IKONOS με την Landsat. Στις εικόνες ταξινόμησης, η τάξη του ποταμιού φαίνεται με κίτρινο χρώμα, οι ορυζώνες με πράσινο και οι μικρές λίμνες με κόκκινο. Κάθε εικόνα είναι 5,5km σε πλάτος.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> [[Εικόνα:Stlas_korea_3_07.jpg|right|thumb||Εικόνα 3 : Ένα μεγεθυμένο υποσύνολο των εικόνων 7.2. που συγκρίνει ένα ψευδέχρωμο σύνθετο και την ταξινόμηση της IKONOS με την Landsat. Στις εικόνες ταξινόμησης, η τάξη του ποταμιού φαίνεται με κίτρινο χρώμα, οι ορυζώνες με πράσινο και οι μικρές λίμνες με κόκκινο. Το πλάτος εικόνας είναι 1,9km.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> Ένας πίνακας σύγχυσης (ή πίνακας σφάλματος) υπολογίστηκε για κάθε μια από τις ταξινομήσεις χρησιμοποιώντας τις περιοχές συλλογής προνυμφών που ενέπεσαν στην εικόνα IKONOS ως στοιχεία αναφοράς (πίνακας 1). 26 ορυζώνες λήφθηκαν: οι 24 (92%) είχαν ταξινομηθεί σωστά στην εικόνα IKONOS και οι 17 (65%) είχαν ταξινομηθεί σωστά στην Landsat.&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas_korea_4_07.jpg|center|image|]]&lt;i&gt;Πίνακας 1 : Οι πίνακες σύγχυσης της κάλυψης του εδάφους στις τοποθεσίες συλλογής προνυμφών σε σύγκριση με την κάλυψη του εδάφους που καθορίστηκε με την ταξινόμηση των δορυφορικών εικόνων. Οι ίδιες τοποθεσίες δειγματοληψίας χρησιμοποιήθηκαν και για τους δυο πίνακες.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]&lt;/i&gt;&lt;br&gt;&lt;br&gt;<br /> Μια σύγκριση της ταξινόμησης Landsat και IKONOS έγινε χρησιμοποιώντας το πρόγραμμα PCI MODEL για να συγκρίνει την ταξινόμηση σε pixel με pixel επίπεδο. Τα λευκά pixels στην εικόνα 4 αντιπροσωπεύουν τα pixels που ταξινομήθηκαν το ίδιο στις δυο εικόνες, ενώ τα μαύρα pixels ταξινομήθηκαν διαφορετικά. Μια αναφορά που παρήχθη με το πρόγραμμα PCI MODEL υπολόγισε μια 79% συμφωνία στη ταξινόμηση των pixel στις εικόνες Landsat και IKONOS. Οι διαφορές στην ταξινόμηση μπορεί εν μέρει να αντιπροσωπεύουν διαφορές στην ανάλυση. Επίσης, οι διαφορές στις ταξινομήσεις μπορεί εν μέρει να οφείλονται στα διαφορετικά στάδια της ανάπτυξης του ρυζιού, καθώς οι εικόνες αποκτήθηκαν σε διαφορετικές ημερομηνίες. <br /> [[Εικόνα:Stlas_korea_5_07.jpg|right|thumb||Εικόνα 4 : Εικόνα που δείχνει την συμφωνία των pixels στην ταξινόμηση των εικόνων Landsat και IKONOS. Τα μαύρα pixels (το 21% της εικόνας) ταξινομήθηκαν διαφορετικά στις δυο εικόνες. Τα λευκά pixels κατατάχθηκαν στην ίδια τάξη.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> Στην εικόνα 5 τα μαύρα pixels αντιπροσωπεύουν περιοχές που ταξινομήθηκαν ως βιότοπος στην Landsat αλλά ως μη-βιότοπος στην IKONOS. Ένας λόγος για αυτή τη διαφορά είναι ότι η Landsat ταξινομεί τους μικρούς δρόμους και τα μεγάλα αναχώματα που χωρίζουν τους ορυζώνες, ως καλλιέργειες ρυζιού εξαιτίας της χαμηλότερης ανάλυσης. Στην εικόνα 6 τα μαύρα pixels αντιπροσωπεύουν περιοχές που ταξινομήθηκαν ως βιότοποι στην IKONOS αλλά ως μη-βιότοποι στην Landsat. Τα μεγαλύτερα κομμάτια του μαύρου στην εικόνα αυτή αντιπροσωπεύουν περιοχές που ταξινομήθηκαν ανακριβώς ως μη-βιότοποι στην Landsat. Μερικοί από τους μικρούς ορυζώνες που ταξινομήθηκαν ως μη-βιότοποι στην Landsat, επίσης, φαίνονται στην εικόνα 6. Μια σύγκριση της εικόνας 6 με την εικόνα 2 δείχνει ότι μια διασπορά των pixels από τις δασικές περιοχές είχε ταξινομηθεί λανθασμένα ως ρύζι στην εικόνα IKONOS. <br /> [[Εικόνα:Stlas_korea_6_07.jpg|right|thumb||Εικόνα 5 : Εικόνα που δείχνει τα pixels (σε μαύρο) που ταξινομήθηκαν ως βιότοπος στην Landsat αλλά ως μη-βιότοπος στην IKONOS.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> [[Εικόνα:Stlas_korea_7_07.jpg|right|thumb||Εικόνα 6 : Εικόνα που δείχνει τα pixels (σε μαύρο) που ταξινομήθηκαν ως βιότοπος στην IKONOS αλλά ως μη-βιότοπος στην Landsat.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]<br /> Οι εκτιμήσεις της περιοχής για την ουδέτερη ζώνη γύρω από το στρατόπεδο Greaves φαίνονται στον πίνακα 2. Αν και η διαφορά στην ταξινόμηση των εικόνων Landsat και IKONOS ήταν περίπου 20%, οι εκτιμήσεις της περιοχής ήταν πολύ κοντά. Η εκτίμηση του Landsat 7 ETM+ για τις καλλιέργειες ρυζιού ήταν μόνο 2,4% μικρότερη από αυτή του IKONOS.&lt;br&gt;&lt;br&gt;<br /> [[Εικόνα:Stlas_korea_8_07.jpg|center|image|]]&lt;i&gt;Πίνακας 2 : Σύγκριση των εκτιμήσεων εδαφοκάλυψης της περιοχής (m2) για το στρατόπεδο Greaves και την γύρω περιοχή, Δημοκρατία της Κορέας. Η τάξη μη-βιότοπος περιλαμβάνει όλες τις περιοχές εκτός από τα ποτάμια, ορυζώνες και μικρές λίμνες.[http://www.sciencedirect.com/science/article/pii/S0034425703002402]πηγή]]&lt;/i&gt;&lt;br&gt;<br /> <br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Έχουμε διαπιστώσει ότι παρόμοιες εκτιμήσεις των περιοχών βιοτόπων των προνυμφών κουνουπιών μπορούν να ληφθούν από τις εικόνες IKONOS και Landsat 7 ETM+. Για πρόχειρες εκτιμήσεις των κυριότερων περιοχών βιοτόπων ο Landsat θα ήταν επαρκείς. Σε τοπικό επίπεδο, η εικόνα IKONOS επέτρεψε μια καλύτερη ταξινόμηση των ορυζώνων, προσδιορίζοντας με ακρίβεια το 92% των περιοχών έναντι του 65% για τον Landsat. Η χρήση του IKONOS έχει το πλεονέκτημα να είναι σε θέση να απεικονίσει και να ταξινομήσει χαρακτηρίστηκα κάλυψης εδάφους όπως μικρές λίμνες και ορυζώνες που είναι μικρότερα από 30x30m σε μέγεθος. Οι δυο τύποι εικόνων θα μπορούσαν να χρησιμοποιηθούν από κοινού στον σχεδιασμό και στην εφαρμογή ενός προγράμματος ελέγχου της ελονοσίας. Ο Landsat θα μπορούσε να χρησιμοποιηθεί στα πρώτα στάδια του σχεδιασμού για την εκτίμηση του κόστους και των τοποθεσιών ψεκασμού. Μόλις επιλεχτούν οι τοπικές περιοχές “θεραπείας”, οι εικόνες IKONOS θα μπορούσαν να χρησιμοποιηθούν για τον εντοπισμό των βιοτόπων και την παρακολούθηση των τοπικών προσπαθειών ψεκασμού.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7_%CE%95%CF%80%CE%B9%CE%B2%CE%BB%CE%B5%CF%80%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7_%CE%A4%CE%B1%CE%BE%CE%B9%CE%BD%CF%8C%CE%BC%CE%B7%CF%83%CE%B7_%CE%A6%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_Landsat_TM 2012-03-13T21:12:24Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Μη Επιβλεπόμενη Ταξινόμηση Φασματικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> Unsupervised Classification of Spectrally Landsat TM data<br /> <br /> Completed by Valentina Constantinescu valcon34@pacbell.net and Rohitesh Richardrohitesh70@hotmail.com May 2010[http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]<br /> <br /> <br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;<br /> <br /> Ο κύριος στόχος αυτής της εργασίας είναι η ταξινόμηση της βλάστησης, των τεχνικών κατασκευών και διαφόρων αντικειμένων από τη δορυφορική εικόνα Dixon-Winters-Esparto-Woodland με τη χρήση του λογισμικού ERDAS imagine 2010. Το λογισμικό εικόνας ERDAS εκτελεί την ταξινόμηση μιας εικόνας για τον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων βασισμένο στη φασματική ανάλυση. Για την ταξινόμηση της περιοχής μελέτης, χρησιμοποιήθηκαν πολυφασματικά δεδομένα για την κατηγοριοποίηση των επίγειων χαρακτηριστικών γνωρισμάτων για συγκεκριμένες καλύψεις γης. Η μη Επιβλεπόμενη ταξινόμηση μέσω του λογισμικού ERDAS image βοήθησε στον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων στην περιοχή μελέτης. Το φασματικό πρότυπο εντός των δεδομένων του κάθε pixel χρησιμοποιήθηκε ως αριθμητική βάση για την κατηγοριοποίηση. Στη μελέτη αυτή έγινε χρήση μιας Landsat TM εικόνας που καλύπτει ένα μεγάλο μέρος της βόρειας Καλιφόρνια. Στη συνέχεια έγινε η επιλογή ενός υποσυνόλου της αρχικής εικόνας που περιλαμβάνει μόνο την περιοχή μελέτης. <br /> <br /> [[Εικόνα:Stlas_fasmatika_1_01.gif|right|thumb||Εικόνα 1 : Περιοχή Μελέτης Dixon-Winters-Esparto-Woodland Βόρεια Καλιφόρνια. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Μέθοδος που χρησιμοποιήθηκε&lt;/b&gt;&lt;br&gt;<br /> <br /> Σε μια πολυφασματική εικόνα κάθε pixel έχει τη δική του φασματική υπογραφή που καθορίζεται από την ανάκλαση του σε καθένα από τα φασματικά κανάλια. Η πολυφασματική ταξινόμηση είναι μια διαδικασία άντλησης πληροφοριών, που αναλύει τις φασματικές υπογραφές και μετά εκχωρεί τα pixel σε κατηγορίες με βάση παρόμοιες υπογραφές. Οι διαδικασίες ταξινόμησης προσπαθούν να συγκεντρώσουν τέτοια παρόμοια pixel έτσι ώστε να μπορεί να παραχθεί ένα στρώμα ΓΣΠ με κάθε τύπο κάλυψης εδάφους που αντιπροσωπεύεται από μια διαφορετική κλάση. Η λεπτομέρεια των τάξεων εξαρτάται από τα φασματικά και τα χωρικής ανάλυσης χαρακτηριστικά του συστήματος απεικόνισης.<br /> Η μη επιβλεπόμενη ταξινόμηση είναι μια μέθοδος κατά την οποία ο υπολογιστής αναζητά φυσικές ομάδες παρόμοιων pixel που ονομάζονται συσσωρεύσεις (Jensen 231). Στο ERDAS η μη επιβλεπόμενη ταξινόμηση εκτελείται χρησιμοποιώντας έναν αλγόριθμο που ονομάζεται ISODATA. Χρησιμοποιώντας τον αλγόριθμο, ο αναλυτής εισάγει τον αριθμό των ομάδων που επιθυμεί και το κατώφλι εμπιστοσύνης. Ο υπολογιστής τότε θα φτιάξει τις ομάδες επαναληπτικώς, που σημαίνει ότι με κάθε νέα επανάληψη, οι ομάδες γίνονται όλο και περισσότερο ξεκάθαρες. Οι επαναλήψεις σταματούν όταν το επίπεδο εμπιστοσύνης (ή ο μέγιστος αριθμός επαναλήψεων που έχει καθοριστεί από τον χρήστη) έχει επιτευχθεί. <br /> Αφότου χτιστούν οι ομάδες, ο αναλυτής πρέπει να επιλέξει τις τάξεις εδαφοκάλυψης, στη συνέχεια να αντιστοιχίσει την κάθε ομάδα στην κατάλληλη τάξη. Μόλις αντιστοιχηθούν όλες οι ομάδες σε μια τάξη, η εικόνα των ομάδων μπορεί να κωδικοποιηθεί εκ νέου σε ένα στρώμα ΓΣΠ που παρουσιάζει κάθε τάξη κάλυψης εδάφους με ένα διαφορετικό χρώμα.<br /> Μόλις οι φασματικές βελτιώσεις ολοκληρώθηκαν, πραγματοποιήθηκε μια μη επιβλεπόμενη ταξινόμηση (με χρήση ISODATA) με 15 τάξεις αντίστοιχα και ένα όριο εμπιστοσύνης 98%. Έθεσα τον μέγιστο αριθμό των επαναλήψεων σε 15. Το τελικό αποτέλεσμα ήταν μια εικόνα με 15 ομάδες pixel που κάθε μια αντιπροσωπεύεται από ένα διαφορετικό χρώμα. Η κάθε τάξη επισημάνθηκε, μια τη φορά και έπειτα να καθορίστηκε ποιες από τις τάξεις ανήκουν που, ερμηνεύοντας την αρχική πολυφασματική εικόνα. Στη συνέχεια επιλέχθηκε το κατάλληλο χρώμα των ομάδων. Τέλος, η εικόνα κωδικοποιήθηκε εκ νέου στο χάρτη που εμφανίζεται παρακάτω. <br /> Ο ακόλουθος πίνακας εμφανίζει τις τάξεις κάλυψης εδάφους που ήταν σε θέση να διακριθούν. <br /> <br /> [[Εικόνα:Stlas_fasmatika_2_01.jpg|center|image]]<br /> <br /> [[Εικόνα:Stlas_fasmatika_3_01.gif|right|thumb||Εικόνα 2 :Ταξινομημένη εικόνα. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Προβλήματα που συναντήθηκαν&lt;/b&gt;&lt;br&gt;<br /> <br /> Το πρώτο ζήτημα που έπρεπε να αντιμετωπιστεί ήταν η επιλογή του κατάλληλου αριθμού τάξεων. Επιλέγοντας μεγάλο αριθμό τάξεων τίθεται το πρόβλημα ότι πάρα πολλές τάξεις θα πρέπει να κωδικοποιηθούν εκ νέου κατά το τελευταίο στάδιο της διαδικασίας ταξινόμησης. Από τη άλλη, η επιλογή λιγότερων από το βέλτιστο τάξεων για ταξινόμηση θα έχει ως αποτέλεσμα πολλά pixel να ταξινομηθούν λανθασμένα και ακόμη θα οδηγήσει σε μια βαριά διαδικασία εκ νέου κωδικοποίησης. Με επισκόπηση της εικόνας της περιοχής μελέτης προέκυψε ότι υπάρχουν περίπου 7 τάξεις. Έτσι, έγινε ταξινόμηση με 15 τάξεις. Αυτό έδωσε τις αναμενόμενες 7 τάξεις και επιπλέον “μεικτές τάξεις” κάνοντας την διαδικασία επανακωδικοποίησης για τα λάθος ταξινομημένα pixel ευκολότερη. Στη συνέχεια έπρεπε να προσέξουμε την εποχή του χρόνου που είχε παρθεί η αρχική εικόνα. Καθώς η βλάστηση και διάφορα είδη βλάστησης δίνουν διαφορετικές φασματικές υπογραφές κατά τι διάρκεια του έτους και μπορεί να καταχωρηθούν λανθασμένα.<br /> Επιπλέον, ένα ζήτημα προς αντιμετώπιση ήταν ο διαχωρισμός των τάξεων και η διαδικασία επανακωδικοποίησης. Οι τάξεις που ήταν εύκολο να διαχωριστούν μεταξύ τους ήταν το δάσος, το άγονο έδαφος και το νερό. Όπως ήταν αναμενόμενο η αστική περιοχή ταξινομήθηκε σαν συνδυασμός καλλιέργειας-χλόης-δάσους-πεζοδρομίου. Αυτό συνέβη διότι, τα αστικά χαρακτηριστικά έχουν παρόμοιες φασματικές υπογραφές με καλλιέργειες-χλόη-δάσος και γυμνό έδαφος. Με τη χρήση της διαδικασίας επανακωδικοποίησης , κωδικοποιήθηκαν εκ νέου τα συγκεκριμένα pixel τονίζοντας την κυρίαρχη επιθυμητή τάξη. Τέλος το μεγαλύτερο πρόβλημα που αντιμετωπίστηκε ήταν το ζήτημα των καλλιεργειών. Η εικόνα είχε μια μεγάλη γεωργική έκταση. Δεδομένου ότι υπάρχουν περιοχές με διαφορετικά είδη καλλιεργειών, ήταν πάρα πολύ δύσκολο να δημιουργηθούν χωριστές τάξεις όπως «καλλιέργειες» ή  «περιβόλια» χωρίς τη δημιουργία πολλών αταξινόμητων pixel σε άλλες περιοχές. Οι καλλιέργειες στην εικόνα ομαδοποιήθηκαν με το δάσος, τους θάμνους ή τη χλόη και το γυμνό έδαφος ταξινομήθηκε ως άγονο. Επίσης, όλες οι εκ περιτροπής καλλιέργειες καθιστούν δύσκολη την σωστή ταξινόμηση σε συγκεκριμένες τάξεις (βάση του τύπου καλλιέργειας) για μια τόσο μεγάλη περιοχή. Έτσι, ορίστηκε μια τάξη με όνομα Γεωργία η οποία περιλαμβάνει όλα τα είδη καλλιεργειών και καλύπτει όλη αυτή την περιοχή. <br /> <br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Τα αποτελέσματα εκπλήρωσαν τον στόχο, εξακριβώνοντας αν μπορούν ή όχι φασματικώς ενισχυμένα στρώματα δεδομένων να χρησιμοποιηθούν για την δημιουργία ενός καλά ταξινομημένου χάρτη εδαφοκάλυψης της περιοχής μελέτης. Συμπεραίνουμε ότι η μη επιβλεπόμενη ταξινόμηση χρησιμοποιώντας τα ενισχυμένα δεδομένα ήταν μια επιτυχημένη επιλογή.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7_%CE%95%CF%80%CE%B9%CE%B2%CE%BB%CE%B5%CF%80%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7_%CE%A4%CE%B1%CE%BE%CE%B9%CE%BD%CF%8C%CE%BC%CE%B7%CF%83%CE%B7_%CE%A6%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_Landsat_TM 2012-03-13T21:08:27Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Μη Επιβλεπόμενη Ταξινόμηση Φασματικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> Unsupervised Classification of Spectrally Landsat TM data<br /> <br /> Completed by Valentina Constantinescu valcon34@pacbell.net and Rohitesh Richardrohitesh70@hotmail.com May 2010[http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]<br /> <br /> <br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;<br /> <br /> Ο κύριος στόχος αυτής της εργασίας είναι η ταξινόμηση της βλάστησης, των τεχνικών κατασκευών και διαφόρων αντικειμένων από τη δορυφορική εικόνα Dixon-Winters-Esparto-Woodland με τη χρήση του λογισμικού ERDAS imagine 2010. Το λογισμικό εικόνας ERDAS εκτελεί την ταξινόμηση μιας εικόνας για τον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων βασισμένο στη φασματική ανάλυση. Για την ταξινόμηση της περιοχής μελέτης, χρησιμοποιήθηκαν πολυφασματικά δεδομένα για την κατηγοριοποίηση των επίγειων χαρακτηριστικών γνωρισμάτων για συγκεκριμένες καλύψεις γης. Η μη Επιβλεπόμενη ταξινόμηση μέσω του λογισμικού ERDAS image βοήθησε στον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων στην περιοχή μελέτης. Το φασματικό πρότυπο εντός των δεδομένων του κάθε pixel χρησιμοποιήθηκε ως αριθμητική βάση για την κατηγοριοποίηση. Στη μελέτη αυτή έγινε χρήση μιας Landsat TM εικόνας που καλύπτει ένα μεγάλο μέρος της βόρειας Καλιφόρνια. Στη συνέχεια έγινε η επιλογή ενός υποσυνόλου της αρχικής εικόνας που περιλαμβάνει μόνο την περιοχή μελέτης. <br /> <br /> [[Εικόνα:Stlas_fasmatika_1_01.gif|right|thumb||Εικόνα 1 : Περιοχή Μελέτης Dixon-Winters-Esparto-Woodland Βόρεια Καλιφόρνια. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Μέθοδος που χρησιμοποιήθηκε&lt;/b&gt;&lt;br&gt;<br /> <br /> Σε μια πολυφασματική εικόνα κάθε pixel έχει τη δική του φασματική υπογραφή που καθορίζεται από την ανάκλαση του σε καθένα από τα φασματικά κανάλια. Η πολυφασματική ταξινόμηση είναι μια διαδικασία άντλησης πληροφοριών, που αναλύει τις φασματικές υπογραφές και μετά εκχωρεί τα pixel σε κατηγορίες με βάση παρόμοιες υπογραφές. Οι διαδικασίες ταξινόμησης προσπαθούν να συγκεντρώσουν τέτοια παρόμοια pixel έτσι ώστε να μπορεί να παραχθεί ένα στρώμα ΓΣΠ με κάθε τύπο κάλυψης εδάφους που αντιπροσωπεύεται από μια διαφορετική κλάση. Η λεπτομέρεια των τάξεων εξαρτάται από τα φασματικά και τα χωρικής ανάλυσης χαρακτηριστικά του συστήματος απεικόνισης.<br /> Η μη επιβλεπόμενη ταξινόμηση είναι μια μέθοδος κατά την οποία ο υπολογιστής αναζητά φυσικές ομάδες παρόμοιων pixel που ονομάζονται συσσωρεύσεις (Jensen 231). Στο ERDAS η μη επιβλεπόμενη ταξινόμηση εκτελείται χρησιμοποιώντας έναν αλγόριθμο που ονομάζεται ISODATA. Χρησιμοποιώντας τον αλγόριθμο, ο αναλυτής εισάγει τον αριθμό των ομάδων που επιθυμεί και το κατώφλι εμπιστοσύνης. Ο υπολογιστής τότε θα φτιάξει τις ομάδες επαναληπτικώς, που σημαίνει ότι με κάθε νέα επανάληψη, οι ομάδες γίνονται όλο και περισσότερο ξεκάθαρες. Οι επαναλήψεις σταματούν όταν το επίπεδο εμπιστοσύνης (ή ο μέγιστος αριθμός επαναλήψεων που έχει καθοριστεί από τον χρήστη) έχει επιτευχθεί. <br /> Αφότου χτιστούν οι ομάδες, ο αναλυτής πρέπει να επιλέξει τις τάξεις εδαφοκάλυψης, στη συνέχεια να αντιστοιχίσει την κάθε ομάδα στην κατάλληλη τάξη. Μόλις αντιστοιχηθούν όλες οι ομάδες σε μια τάξη, η εικόνα των ομάδων μπορεί να κωδικοποιηθεί εκ νέου σε ένα στρώμα ΓΣΠ που παρουσιάζει κάθε τάξη κάλυψης εδάφους με ένα διαφορετικό χρώμα.<br /> Μόλις οι φασματικές βελτιώσεις ολοκληρώθηκαν, πραγματοποιήθηκε μια μη επιβλεπόμενη ταξινόμηση (με χρήση ISODATA) με 15 τάξεις αντίστοιχα και ένα όριο εμπιστοσύνης 98%. Έθεσα τον μέγιστο αριθμό των επαναλήψεων σε 15. Το τελικό αποτέλεσμα ήταν μια εικόνα με 15 ομάδες pixel που κάθε μια αντιπροσωπεύεται από ένα διαφορετικό χρώμα. Η κάθε τάξη επισημάνθηκε, μια τη φορά και έπειτα να καθορίστηκε ποιες από τις τάξεις ανήκουν που, ερμηνεύοντας την αρχική πολυφασματική εικόνα. Στη συνέχεια επιλέχθηκε το κατάλληλο χρώμα των ομάδων. Τέλος, η εικόνα κωδικοποιήθηκε εκ νέου στο χάρτη που εμφανίζεται παρακάτω. <br /> Ο ακόλουθος πίνακας εμφανίζει τις τάξεις κάλυψης εδάφους που ήταν σε θέση να διακριθούν. <br /> <br /> [[Εικόνα:Stlas_fasmatika_2_01.jpg|center|image]]<br /> <br /> [[Εικόνα:Stlas_fasmatika_3_01.gif|right|thumb||Εικόνα 2 :Ταξινομημένη εικόνα. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Προβλήματα που συναντήθηκαν&lt;/b&gt;&lt;br&gt;<br /> <br /> Το πρώτο ζήτημα που έπρεπε να αντιμετωπιστεί ήταν η επιλογή του κατάλληλου αριθμού τάξεων. Επιλέγοντας μεγάλο αριθμό τάξεων τίθεται το πρόβλημα ότι πάρα πολλές τάξεις θα πρέπει να κωδικοποιηθούν εκ νέου κατά το τελευταίο στάδιο της διαδικασίας ταξινόμησης. Από τη άλλη, η επιλογή λιγότερων από το βέλτιστο τάξεων για ταξινόμηση θα έχει ως αποτέλεσμα πολλά pixel να ταξινομηθούν λανθασμένα και ακόμη θα οδηγήσει σε μια βαριά διαδικασία εκ νέου κωδικοποίησης. Με επισκόπηση της εικόνας της περιοχής μελέτης προέκυψε ότι υπάρχουν περίπου 7 τάξεις. Έτσι, έγινε ταξινόμηση με 15 τάξεις. Αυτό μου έδωσε τις αναμενόμενες 7 τάξεις και επιπλέον “μεικτές τάξεις” κάνοντας την διαδικασία επανακωδικοποίησης για τα λάθος ταξινομημένα pixel ευκολότερη. Στη συνέχεια έπρεπε να προσέξουμε την εποχή του χρόνου που είχε παρθεί η αρχική εικόνα. Καθώς η βλάστηση και διάφορα είδη βλάστησης δίνουν διαφορετικές φασματικές υπογραφές κατά τι διάρκεια του έτους και μπορεί να καταχωρηθούν λανθασμένα.<br /> Επιπλέον, ένα ζήτημα προς αντιμετώπιση ήταν ο διαχωρισμός των τάξεων και η διαδικασία επανακωδικοποίησης. Οι τάξεις που ήταν εύκολο να διαχωριστούν μεταξύ τους ήταν το δάσος, το άγονο έδαφος και το νερό. Όπως ήταν αναμενόμενο η αστική περιοχή ταξινομήθηκε σαν συνδυασμός καλλιέργειας-χλόης-δάσους-πεζοδρομίου. Αυτό συνέβη διότι, τα αστικά χαρακτηριστικά έχουν παρόμοιες φασματικές υπογραφές με καλλιέργειες-χλόη-δάσος και γυμνό έδαφος. Με τη χρήση της διαδικασίας επανακωδικοποίησης , κωδικοποίησα εκ νέου τα συγκεκριμένα pixel τονίζοντας την κυρίαρχη επιθυμητή τάξη. Τέλος το μεγαλύτερο πρόβλημα που αντιμετώπισα ήταν το ζήτημα των καλλιεργειών. Η εικόνα είχε μια μεγάλη γεωργική έκταση. Δεδομένου ότι υπάρχουν περιοχές με διαφορετικά είδη καλλιεργειών, ήταν πάρα πολύ δύσκολο να δημιουργηθούν χωριστές τάξεις όπως «καλλιέργειες» ή  «περιβόλια» χωρίς τη δημιουργία πολλών αταξινόμητων pixel σε άλλες περιοχές. Οι καλλιέργειες στην εικόνα ομαδοποιήθηκαν με το δάσος, τους θάμνους ή τη χλόη και το γυμνό έδαφος ταξινομήθηκε ως άγονο. Επίσης, όλες οι εκ περιτροπής καλλιέργειες καθιστούν δύσκολη την σωστή ταξινόμηση σε συγκεκριμένες τάξεις (βάση του τύπου καλλιέργειας) για μια τόσο μεγάλη περιοχή. Έτσι, όρισα μια τάξη με όνομα Γεωργία η οποία περιλαμβάνει όλα τα είδη καλλιεργειών και καλύπτει όλη αυτή την περιοχή. <br /> <br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Τα αποτελέσματα εκπλήρωσαν τον στόχο μου εξακριβώνοντας αν μπορούν ή όχι φασματικώς ενισχυμένα στρώματα δεδομένων να χρησιμοποιηθούν για την δημιουργία ενός καλά ταξινομημένου χάρτη εδαφοκάλυψης της περιοχής μελέτης. Συμπεραίνουμε ότι η μη επιβλεπόμενη ταξινόμηση χρησιμοποιώντας τα ενισχυμένα δεδομένα ήταν μια επιτυχημένη επιλογή.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7_%CE%95%CF%80%CE%B9%CE%B2%CE%BB%CE%B5%CF%80%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7_%CE%A4%CE%B1%CE%BE%CE%B9%CE%BD%CF%8C%CE%BC%CE%B7%CF%83%CE%B7_%CE%A6%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_Landsat_TM 2012-03-13T21:06:12Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Μη Επιβλεπόμενη Ταξινόμηση Φασματικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> Unsupervised Classification of Spectrally Landsat TM data<br /> <br /> Completed by Valentina Constantinescu valcon34@pacbell.net and Rohitesh Richardrohitesh70@hotmail.com May 2010[http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]<br /> <br /> <br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;<br /> <br /> Ο κύριος στόχος αυτής της εργασίας είναι η ταξινόμηση της βλάστησης, των τεχνικών κατασκευών και διαφόρων αντικειμένων από τη δορυφορική εικόνα Dixon-Winters-Esparto-Woodland με τη χρήση του λογισμικού ERDAS imagine 2010. Το λογισμικό εικόνας ERDAS εκτελεί την ταξινόμηση μιας εικόνας για τον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων βασισμένο στη φασματική ανάλυση. Για την ταξινόμηση της περιοχής μελέτης, χρησιμοποιήθηκαν πολυφασματικά δεδομένα για την κατηγοριοποίηση των επίγειων χαρακτηριστικών γνωρισμάτων για συγκεκριμένες καλύψεις γης. Η μη Επιβλεπόμενη ταξινόμηση μέσω του λογισμικού ERDAS image βοήθησε στον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων στην περιοχή μελέτης. Το φασματικό πρότυπο εντός των δεδομένων του κάθε pixel χρησιμοποιήθηκε ως αριθμητική βάση για την κατηγοριοποίηση. Στη μελέτη αυτή έγινε χρήση μιας Landsat TM εικόνας που καλύπτει ένα μεγάλο μέρος της βόρειας Καλιφόρνια. Στη συνέχεια έγινε η επιλογή ενός υποσυνόλου της αρχικής εικόνας που περιλαμβάνει μόνο την περιοχή μελέτης. <br /> <br /> [[Εικόνα:Stlas_fasmatika_1_01.gif|right|thumb||Εικόνα 1 : Περιοχή Μελέτης Dixon-Winters-Esparto-Woodland Βόρεια Καλιφόρνια. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Μέθοδος που χρησιμοποιήθηκε&lt;/b&gt;&lt;br&gt;<br /> <br /> Σε μια πολυφασματική εικόνα κάθε pixel έχει τη δική του φασματική υπογραφή που καθορίζεται από την ανάκλαση του σε καθένα από τα φασματικά κανάλια. Η πολυφασματική ταξινόμηση είναι μια διαδικασία άντλησης πληροφοριών, που αναλύει τις φασματικές υπογραφές και μετά εκχωρεί τα pixel σε κατηγορίες με βάση παρόμοιες υπογραφές. Οι διαδικασίες ταξινόμησης προσπαθούν να συγκεντρώσουν τέτοια παρόμοια pixel έτσι ώστε να μπορεί να παραχθεί ένα στρώμα ΓΣΠ με κάθε τύπο κάλυψης εδάφους που αντιπροσωπεύεται από μια διαφορετική κλάση. Η λεπτομέρεια των τάξεων εξαρτάται από τα φασματικά και τα χωρικής ανάλυσης χαρακτηριστικά του συστήματος απεικόνισης.<br /> Η μη επιβλεπόμενη ταξινόμηση είναι μια μέθοδος κατά την οποία ο υπολογιστής αναζητά φυσικές ομάδες παρόμοιων pixel που ονομάζονται συσσωρεύσεις (Jensen 231). Στο ERDAS η μη επιβλεπόμενη ταξινόμηση εκτελείται χρησιμοποιώντας έναν αλγόριθμο που ονομάζεται ISODATA. Χρησιμοποιώντας τον αλγόριθμο, ο αναλυτής εισάγει τον αριθμό των ομάδων που επιθυμεί και το κατώφλι εμπιστοσύνης. Ο υπολογιστής τότε θα φτιάξει τις ομάδες επαναληπτικώς, που σημαίνει ότι με κάθε νέα επανάληψη, οι ομάδες γίνονται όλο και περισσότερο ξεκάθαρες. Οι επαναλήψεις σταματούν όταν το επίπεδο εμπιστοσύνης (ή ο μέγιστος αριθμός επαναλήψεων που έχει καθοριστεί από τον χρήστη) έχει επιτευχθεί. <br /> Αφότου χτιστούν οι ομάδες, ο αναλυτής πρέπει να επιλέξει τις τάξεις εδαφοκάλυψης, στη συνέχεια να αντιστοιχίσει την κάθε ομάδα στην κατάλληλη τάξη. Μόλις αντιστοιχηθούν όλες οι ομάδες σε μια τάξη, η εικόνα των ομάδων μπορεί να κωδικοποιηθεί εκ νέου σε ένα στρώμα ΓΣΠ που παρουσιάζει κάθε τάξη κάλυψης εδάφους με ένα διαφορετικό χρώμα.<br /> Μόλις οι φασματικές βελτιώσεις ολοκληρώθηκαν, πραγματοποιήθηκε μια μη επιβλεπόμενη ταξινόμηση (με χρήση ISODATA) με 15 τάξεις αντίστοιχα και ένα όριο εμπιστοσύνης 98%. Έθεσα τον μέγιστο αριθμό των επαναλήψεων σε 15. Το τελικό αποτέλεσμα ήταν μια εικόνα με 15 ομάδες pixel που κάθε μια αντιπροσωπεύεται από ένα διαφορετικό χρώμα. Η κάθε τάξη επισημάνθηκε, μια τη φορά και έπειτα να καθορίστηκε ποιες από τις τάξεις ανήκουν που, ερμηνεύοντας την αρχική πολυφασματική εικόνα. Στη συνέχεια επιλέχθηκε το κατάλληλο χρώμα των ομάδων. Τέλος, η εικόνα κωδικοποιήθηκε εκ νέου στο χάρτη που εμφανίζεται παρακάτω. <br /> Ο ακόλουθος πίνακας εμφανίζει τις τάξεις κάλυψης εδάφους που ήταν σε θέση να διακριθούν. <br /> <br /> [[Εικόνα:Stlas_fasmatika_2_01.jpg|center|image]]<br /> <br /> [[Εικόνα:Stlas_fasmatika_3_01.gif|right|thumb||Εικόνα 2 :Ταξινομημένη εικόνα. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Προβλήματα που συναντήθηκαν&lt;/b&gt;&lt;br&gt;<br /> <br /> Το πρώτο ζήτημα που έπρεπε να αντιμετωπιστεί ήταν η επιλογή του κατάλληλου αριθμού τάξεων. Επιλέγοντας μεγάλο αριθμό τάξεων τίθεται το πρόβλημα ότι πάρα πολλές τάξεις θα πρέπει να κωδικοποιηθούν εκ νέου κατά το τελευταίο στάδιο της διαδικασίας ταξινόμησης. Από τη άλλη, η επιλογή λιγότερων από το βέλτιστο τάξεων για ταξινόμηση θα έχει ως αποτέλεσμα πολλά pixel να ταξινομηθούν λανθασμένα και ακόμη θα οδηγήσει σε μια βαριά διαδικασία εκ νέου κωδικοποίησης. Με επισκόπηση της εικόνας της περιοχής μελέτης συμπέρανα ότι υπάρχουν περίπου 7 τάξεις. Έτσι, αποφάσισα να προχωρήσω σε ταξινόμηση με 15 τάξεις. Αυτό μου έδωσε τις αναμενόμενες 7 τάξεις και επιπλέον “μεικτές τάξεις” κάνοντας την διαδικασία επανακωδικοποίησης για τα λάθος ταξινομημένα pixel ευκολότερη. Στη συνέχεια έπρεπε να προσέξουμε την εποχή του χρόνου που είχε παρθεί η αρχική εικόνα. Καθώς η βλάστηση και διάφορα είδη βλάστησης δίνουν διαφορετικές φασματικές υπογραφές κατά τι διάρκεια του έτους και μπορεί να καταχωρηθούν λανθασμένα.<br /> Επιπλέον, ένα ζήτημα προς αντιμετώπιση ήταν ο διαχωρισμός των τάξεων και η διαδικασία επανακωδικοποίησης. Οι τάξεις που ήταν εύκολο να διαχωριστούν μεταξύ τους ήταν το δάσος, το άγονο έδαφος και το νερό. Όπως ήταν αναμενόμενο η αστική περιοχή ταξινομήθηκε σαν συνδυασμός καλλιέργειας-χλόης-δάσους-πεζοδρομίου. Αυτό συνέβη διότι, τα αστικά χαρακτηριστικά έχουν παρόμοιες φασματικές υπογραφές με καλλιέργειες-χλόη-δάσος και γυμνό έδαφος. Με τη χρήση της διαδικασίας επανακωδικοποίησης , κωδικοποίησα εκ νέου τα συγκεκριμένα pixel τονίζοντας την κυρίαρχη επιθυμητή τάξη. Τέλος το μεγαλύτερο πρόβλημα που αντιμετώπισα ήταν το ζήτημα των καλλιεργειών. Η εικόνα είχε μια μεγάλη γεωργική έκταση. Δεδομένου ότι υπάρχουν περιοχές με διαφορετικά είδη καλλιεργειών, ήταν πάρα πολύ δύσκολο να δημιουργηθούν χωριστές τάξεις όπως «καλλιέργειες» ή  «περιβόλια» χωρίς τη δημιουργία πολλών αταξινόμητων pixel σε άλλες περιοχές. Οι καλλιέργειες στην εικόνα ομαδοποιήθηκαν με το δάσος, τους θάμνους ή τη χλόη και το γυμνό έδαφος ταξινομήθηκε ως άγονο. Επίσης, όλες οι εκ περιτροπής καλλιέργειες καθιστούν δύσκολη την σωστή ταξινόμηση σε συγκεκριμένες τάξεις (βάση του τύπου καλλιέργειας) για μια τόσο μεγάλη περιοχή. Έτσι, όρισα μια τάξη με όνομα Γεωργία η οποία περιλαμβάνει όλα τα είδη καλλιεργειών και καλύπτει όλη αυτή την περιοχή. <br /> <br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Τα αποτελέσματα εκπλήρωσαν τον στόχο μου εξακριβώνοντας αν μπορούν ή όχι φασματικώς ενισχυμένα στρώματα δεδομένων να χρησιμοποιηθούν για την δημιουργία ενός καλά ταξινομημένου χάρτη εδαφοκάλυψης της περιοχής μελέτης. Συμπεραίνουμε ότι η μη επιβλεπόμενη ταξινόμηση χρησιμοποιώντας τα ενισχυμένα δεδομένα ήταν μια επιτυχημένη επιλογή.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7_%CE%95%CF%80%CE%B9%CE%B2%CE%BB%CE%B5%CF%80%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7_%CE%A4%CE%B1%CE%BE%CE%B9%CE%BD%CF%8C%CE%BC%CE%B7%CF%83%CE%B7_%CE%A6%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_Landsat_TM 2012-03-13T21:01:53Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Μη Επιβλεπόμενη Ταξινόμηση Φασματικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> Unsupervised Classification of Spectrally Landsat TM data<br /> <br /> Completed by Valentina Constantinescu valcon34@pacbell.net and Rohitesh Richardrohitesh70@hotmail.com May 2010[http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]<br /> <br /> <br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;<br /> <br /> Ο κύριος στόχος αυτής της εργασίας είναι η ταξινόμηση της βλάστησης, των τεχνικών κατασκευών και διαφόρων αντικειμένων από τη δορυφορική εικόνα Dixon-Winters-Esparto-Woodland με τη χρήση του λογισμικού ERDAS imagine 2010. Το λογισμικό εικόνας ERDAS εκτελεί την ταξινόμηση μιας εικόνας για τον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων βασισμένο στη φασματική ανάλυση. Για την ταξινόμηση της περιοχής μελέτης, χρησιμοποιήθηκαν πολυφασματικά δεδομένα για την κατηγοριοποίηση των επίγειων χαρακτηριστικών γνωρισμάτων για συγκεκριμένες καλύψεις γης. Η μη Επιβλεπόμενη ταξινόμηση μέσω του λογισμικού ERDAS image βοήθησε στον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων στην περιοχή μελέτης. Το φασματικό πρότυπο εντός των δεδομένων του κάθε pixel χρησιμοποιήθηκε ως αριθμητική βάση για την κατηγοριοποίηση. Στη μελέτη αυτή έγινε χρήση μιας Landsat TM εικόνας που καλύπτει ένα μεγάλο μέρος της βόρειας Καλιφόρνια. Στη συνέχεια έγινε η επιλογή ενός υποσυνόλου της αρχικής εικόνας που περιλαμβάνει μόνο την περιοχή μελέτης. <br /> <br /> [[Εικόνα:Stlas_fasmatika_1_01.gif|right|thumb||Εικόνα 1 : Περιοχή Μελέτης Dixon-Winters-Esparto-Woodland Βόρεια Καλιφόρνια. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Μέθοδος που χρησιμοποιήθηκε&lt;/b&gt;&lt;br&gt;<br /> <br /> Σε μια πολυφασματική εικόνα κάθε pixel έχει τη δική του φασματική υπογραφή που καθορίζεται από την ανάκλαση του σε καθένα από τα φασματικά κανάλια. Η πολυφασματική ταξινόμηση είναι μια διαδικασία άντλησης πληροφοριών, που αναλύει τις φασματικές υπογραφές και μετά εκχωρεί τα pixel σε κατηγορίες με βάση παρόμοιες υπογραφές. Οι διαδικασίες ταξινόμησης προσπαθούν να συγκεντρώσουν τέτοια παρόμοια pixel έτσι ώστε να μπορεί να παραχθεί ένα στρώμα ΓΣΠ με κάθε τύπο κάλυψης εδάφους που αντιπροσωπεύεται από μια διαφορετική κλάση. Η λεπτομέρεια των τάξεων εξαρτάται από τα φασματικά και τα χωρικής ανάλυσης χαρακτηριστικά του συστήματος απεικόνισης.<br /> Η μη επιβλεπόμενη ταξινόμηση είναι μια μέθοδος κατά την οποία ο υπολογιστής αναζητά φυσικές ομάδες παρόμοιων pixel που ονομάζονται συσσωρεύσεις (Jensen 231). Στο ERDAS η μη επιβλεπόμενη ταξινόμηση εκτελείται χρησιμοποιώντας έναν αλγόριθμο που ονομάζεται ISODATA. Χρησιμοποιώντας τον αλγόριθμο, ο αναλυτής εισάγει τον αριθμό των ομάδων που επιθυμεί και το κατώφλι εμπιστοσύνης. Ο υπολογιστής τότε θα φτιάξει τις ομάδες επαναληπτικώς, που σημαίνει ότι με κάθε νέα επανάληψη, οι ομάδες γίνονται όλο και περισσότερο ξεκάθαρες. Οι επαναλήψεις σταματούν όταν το επίπεδο εμπιστοσύνης (ή ο μέγιστος αριθμός επαναλήψεων που έχει καθοριστεί από τον χρήστη) έχει επιτευχθεί. <br /> Αφότου χτιστούν οι ομάδες, ο αναλυτής πρέπει να επιλέξει τις τάξεις εδαφοκάλυψης, στη συνέχεια να αντιστοιχίσει την κάθε ομάδα στην κατάλληλη τάξη. Μόλις αντιστοιχηθούν όλες οι ομάδες σε μια τάξη, η εικόνα των ομάδων μπορεί να κωδικοποιηθεί εκ νέου σε ένα στρώμα ΓΣΠ που παρουσιάζει κάθε τάξη κάλυψης εδάφους με ένα διαφορετικό χρώμα.<br /> Μόλις οι φασματικές βελτιώσεις ολοκληρώθηκαν, πραγματοποιήθηκε μια μη επιβλεπόμενη ταξινόμηση (με χρήση ISODATA) με 15 τάξεις αντίστοιχα και ένα όριο εμπιστοσύνης 98%. Έθεσα τον μέγιστο αριθμό των επαναλήψεων σε 15. Το τελικό αποτέλεσμα ήταν μια εικόνα με 15 ομάδες pixel που κάθε μια αντιπροσωπεύεται από ένα διαφορετικό χρώμα. Ήμουν σε θέση να επισημάνω κάθε τάξη, μια τη φορά και έπειτα να καθορίσω ποιες από τις τάξεις ανήκουν που, ερμηνεύοντας την αρχική πολυφασματική εικόνα. Στη συνέχεια άλλαξα το χρώμα των ομάδων σε ένα κατάλληλο. Τέλος, η εικόνα κωδικοποιήθηκε εκ νέου στο χάρτη που εμφανίζεται παρακάτω. <br /> Ο ακόλουθος πίνακας εμφανίζει τις τάξεις κάλυψης εδάφους που ήταν σε θέση να διακριθούν. <br /> <br /> [[Εικόνα:Stlas_fasmatika_2_01.jpg|center|image]]<br /> <br /> [[Εικόνα:Stlas_fasmatika_3_01.gif|right|thumb||Εικόνα 2 :Ταξινομημένη εικόνα. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Προβλήματα που συναντήθηκαν&lt;/b&gt;&lt;br&gt;<br /> <br /> Το πρώτο ζήτημα που έπρεπε να αντιμετωπιστεί ήταν η επιλογή του κατάλληλου αριθμού τάξεων. Επιλέγοντας μεγάλο αριθμό τάξεων τίθεται το πρόβλημα ότι πάρα πολλές τάξεις θα πρέπει να κωδικοποιηθούν εκ νέου κατά το τελευταίο στάδιο της διαδικασίας ταξινόμησης. Από τη άλλη, η επιλογή λιγότερων από το βέλτιστο τάξεων για ταξινόμηση θα έχει ως αποτέλεσμα πολλά pixel να ταξινομηθούν λανθασμένα και ακόμη θα οδηγήσει σε μια βαριά διαδικασία εκ νέου κωδικοποίησης. Με επισκόπηση της εικόνας της περιοχής μελέτης συμπέρανα ότι υπάρχουν περίπου 7 τάξεις. Έτσι, αποφάσισα να προχωρήσω σε ταξινόμηση με 15 τάξεις. Αυτό μου έδωσε τις αναμενόμενες 7 τάξεις και επιπλέον “μεικτές τάξεις” κάνοντας την διαδικασία επανακωδικοποίησης για τα λάθος ταξινομημένα pixel ευκολότερη. Στη συνέχεια έπρεπε να προσέξουμε την εποχή του χρόνου που είχε παρθεί η αρχική εικόνα. Καθώς η βλάστηση και διάφορα είδη βλάστησης δίνουν διαφορετικές φασματικές υπογραφές κατά τι διάρκεια του έτους και μπορεί να καταχωρηθούν λανθασμένα.<br /> Επιπλέον, ένα ζήτημα προς αντιμετώπιση ήταν ο διαχωρισμός των τάξεων και η διαδικασία επανακωδικοποίησης. Οι τάξεις που ήταν εύκολο να διαχωριστούν μεταξύ τους ήταν το δάσος, το άγονο έδαφος και το νερό. Όπως ήταν αναμενόμενο η αστική περιοχή ταξινομήθηκε σαν συνδυασμός καλλιέργειας-χλόης-δάσους-πεζοδρομίου. Αυτό συνέβη διότι, τα αστικά χαρακτηριστικά έχουν παρόμοιες φασματικές υπογραφές με καλλιέργειες-χλόη-δάσος και γυμνό έδαφος. Με τη χρήση της διαδικασίας επανακωδικοποίησης , κωδικοποίησα εκ νέου τα συγκεκριμένα pixel τονίζοντας την κυρίαρχη επιθυμητή τάξη. Τέλος το μεγαλύτερο πρόβλημα που αντιμετώπισα ήταν το ζήτημα των καλλιεργειών. Η εικόνα είχε μια μεγάλη γεωργική έκταση. Δεδομένου ότι υπάρχουν περιοχές με διαφορετικά είδη καλλιεργειών, ήταν πάρα πολύ δύσκολο να δημιουργηθούν χωριστές τάξεις όπως «καλλιέργειες» ή  «περιβόλια» χωρίς τη δημιουργία πολλών αταξινόμητων pixel σε άλλες περιοχές. Οι καλλιέργειες στην εικόνα ομαδοποιήθηκαν με το δάσος, τους θάμνους ή τη χλόη και το γυμνό έδαφος ταξινομήθηκε ως άγονο. Επίσης, όλες οι εκ περιτροπής καλλιέργειες καθιστούν δύσκολη την σωστή ταξινόμηση σε συγκεκριμένες τάξεις (βάση του τύπου καλλιέργειας) για μια τόσο μεγάλη περιοχή. Έτσι, όρισα μια τάξη με όνομα Γεωργία η οποία περιλαμβάνει όλα τα είδη καλλιεργειών και καλύπτει όλη αυτή την περιοχή. <br /> <br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Τα αποτελέσματα εκπλήρωσαν τον στόχο μου εξακριβώνοντας αν μπορούν ή όχι φασματικώς ενισχυμένα στρώματα δεδομένων να χρησιμοποιηθούν για την δημιουργία ενός καλά ταξινομημένου χάρτη εδαφοκάλυψης της περιοχής μελέτης. Συμπεραίνουμε ότι η μη επιβλεπόμενη ταξινόμηση χρησιμοποιώντας τα ενισχυμένα δεδομένα ήταν μια επιτυχημένη επιλογή.</div>

Stathis.Laspias http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B7_%CE%95%CF%80%CE%B9%CE%B2%CE%BB%CE%B5%CF%80%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7_%CE%A4%CE%B1%CE%BE%CE%B9%CE%BD%CF%8C%CE%BC%CE%B7%CF%83%CE%B7_%CE%A6%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_Landsat_TM 2012-03-13T20:49:44Z

<p>Stathis.Laspias: </p> <hr /> <div>[[category:Ψηφιακή Τηλεπισκόπηση]]<br /> <br /> &lt;b&gt;Μη Επιβλεπόμενη Ταξινόμηση Φασματικών δεδομένων Landsat TM &lt;/b&gt;&lt;br&gt;<br /> <br /> Unsupervised Classification of Spectrally Landsat TM data<br /> <br /> Completed by Valentina Constantinescu valcon34@pacbell.net and Rohitesh Richardrohitesh70@hotmail.com May 2010[http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]<br /> <br /> <br /> &lt;b&gt;Περίληψη&lt;/b&gt;&lt;br&gt;<br /> <br /> Ο κύριος στόχος αυτής της εργασίας είναι η ταξινόμηση της βλάστησης, των τεχνικών κατασκευών και διαφόρων αντικειμένων από τη δορυφορική εικόνα Dixon-Winters-Esparto-Woodland με τη χρήση του λογισμικού ERDAS imagine 2010. Το λογισμικό εικόνας ERDAS εκτελεί την ταξινόμηση μιας εικόνας για τον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων βασισμένο στη φασματική ανάλυση. Για την ταξινόμηση της περιοχής μελέτης, χρησιμοποιήθηκαν πολυφασματικά δεδομένα για την κατηγοριοποίηση των επίγειων χαρακτηριστικών γνωρισμάτων για συγκεκριμένες καλύψεις γης. Η μη Επιβλεπόμενη ταξινόμηση μέσω του λογισμικού ERDAS image βοήθησε στον προσδιορισμό των επίγειων χαρακτηριστικών γνωρισμάτων στην περιοχή μελέτης. Το φασματικό πρότυπο εντός των δεδομένων του κάθε pixel χρησιμοποιήθηκε ως αριθμητική βάση για την κατηγοριοποίηση. Στη μελέτη αυτή έγινε χρήση μιας Landsat TM εικόνας που καλύπτει ένα μεγάλο μέρος της βόρειας Καλιφόρνια. Στη συνέχεια έγινε η επιλογή ενός υποσυνόλου της αρχικής εικόνας που περιλαμβάνει μόνο την περιοχή μελέτης. <br /> <br /> [[Εικόνα:Stlas_fasmatika_1_01.gif|right|thumb||Εικόνα 1 : Περιοχή Μελέτης Dixon-Winters-Esparto-Woodland Βόρεια Καλιφόρνια. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Μέθοδος που χρησιμοποιήθηκε&lt;/b&gt;&lt;br&gt;<br /> <br /> Σε μια πολυφασματική εικόνα κάθε pixel έχει τη δική του φασματική υπογραφή που καθορίζεται από την ανάκλαση του σε καθένα από τα φασματικά κανάλια. Η πολυφασματική ταξινόμηση είναι μια διαδικασία άντλησης πληροφοριών, που αναλύει τις φασματικές υπογραφές και μετά εκχωρεί τα pixel σε κατηγορίες με βάση παρόμοιες υπογραφές. Οι διαδικασίες ταξινόμησης προσπαθούν να συγκεντρώσουν τέτοια παρόμοια pixel έτσι ώστε να μπορεί να παραχθεί ένα στρώμα ΓΣΠ με κάθε τύπο κάλυψης εδάφους που αντιπροσωπεύεται από μια διαφορετική κλάση. Η λεπτομέρεια των τάξεων εξαρτάται από τα φασματικά και τα χωρικής ανάλυσης χαρακτηριστικά του συστήματος απεικόνισης.<br /> Η μη επιβλεπόμενη ταξινόμηση είναι μια μέθοδος κατά την οποία ο υπολογιστής αναζητά φυσικές ομάδες παρόμοιων pixel που ονομάζονται συσσωρεύσεις (Jensen 231). Στο ERDAS η μη επιβλεπόμενη ταξινόμηση εκτελείται χρησιμοποιώντας έναν αλγόριθμο που ονομάζεται ISODATA. Χρησιμοποιώντας τον αλγόριθμο, ο αναλυτής εισάγει τον αριθμό των ομάδων που επιθυμεί και το κατώφλι εμπιστοσύνης. Ο υπολογιστής τότε θα φτιάξει τις ομάδες επαναληπτικώς, που σημαίνει ότι με κάθε νέα επανάληψη, οι ομάδες γίνονται όλο και περισσότερο ξεκάθαρες. Οι επαναλήψεις σταματούν όταν το επίπεδο εμπιστοσύνης (ή ο μέγιστος αριθμός επαναλήψεων που έχει καθοριστεί από τον χρήστη) έχει επιτευχθεί. <br /> Αφότου χτιστούν οι ομάδες, ο αναλυτής πρέπει να επιλέξει τις τάξεις εδαφοκάλυψης, στη συνέχεια να αντιστοιχίσει την κάθε ομάδα στην κατάλληλη τάξη. Μόλις αντιστοιχηθούν όλες οι ομάδες σε μια τάξη, η εικόνα των ομάδων μπορεί να κωδικοποιηθεί εκ νέου σε ένα στρώμα ΓΣΠ που παρουσιάζει κάθε τάξη κάλυψης εδάφους με ένα διαφορετικό χρώμα.<br /> Μόλις οι φασματικές βελτιώσεις ολοκληρώθηκαν στην εικόνα μου, προχώρησα σε μια μη επιβλεπόμενη ταξινόμηση (με χρήση ISODATA) με 15 τάξεις αντίστοιχα και ένα όριο εμπιστοσύνης 98%. Έθεσα τον μέγιστο αριθμό των επαναλήψεων σε 15. Το τελικό αποτέλεσμα ήταν μια εικόνα με 15 ομάδες pixel που κάθε μια αντιπροσωπεύεται από ένα διαφορετικό χρώμα. Ήμουν σε θέση να επισημάνω κάθε τάξη, μια τη φορά και έπειτα να καθορίσω ποιες από τις τάξεις ανήκουν που, ερμηνεύοντας την αρχική πολυφασματική εικόνα. Στη συνέχεια άλλαξα το χρώμα των ομάδων σε ένα κατάλληλο. Τέλος, η εικόνα κωδικοποιήθηκε εκ νέου στο χάρτη που εμφανίζεται παρακάτω. <br /> Ο ακόλουθος πίνακας εμφανίζει τις τάξεις κάλυψης εδάφους που ήταν σε θέση να διακριθούν. <br /> <br /> [[Εικόνα:Stlas_fasmatika_2_01.jpg|center|image]]<br /> <br /> [[Εικόνα:Stlas_fasmatika_3_01.gif|right|thumb||Εικόνα 2 :Ταξινομημένη εικόνα. [http://www.jenningsplanet.com/fileadmin/uploads/nj/StudentProjects/Geog342_Spring2010/Const_Rohitesh_paper.pdf]πηγή]]<br /> <br /> &lt;b&gt;Προβλήματα που συναντήθηκαν&lt;/b&gt;&lt;br&gt;<br /> <br /> Το πρώτο ζήτημα που έπρεπε να αντιμετωπιστεί ήταν η επιλογή του κατάλληλου αριθμού τάξεων. Επιλέγοντας μεγάλο αριθμό τάξεων τίθεται το πρόβλημα ότι πάρα πολλές τάξεις θα πρέπει να κωδικοποιηθούν εκ νέου κατά το τελευταίο στάδιο της διαδικασίας ταξινόμησης. Από τη άλλη, η επιλογή λιγότερων από το βέλτιστο τάξεων για ταξινόμηση θα έχει ως αποτέλεσμα πολλά pixel να ταξινομηθούν λανθασμένα και ακόμη θα οδηγήσει σε μια βαριά διαδικασία εκ νέου κωδικοποίησης. Με επισκόπηση της εικόνας της περιοχής μελέτης συμπέρανα ότι υπάρχουν περίπου 7 τάξεις. Έτσι, αποφάσισα να προχωρήσω σε ταξινόμηση με 15 τάξεις. Αυτό μου έδωσε τις αναμενόμενες 7 τάξεις και επιπλέον “μεικτές τάξεις” κάνοντας την διαδικασία επανακωδικοποίησης για τα λάθος ταξινομημένα pixel ευκολότερη. Στη συνέχεια έπρεπε να προσέξουμε την εποχή του χρόνου που είχε παρθεί η αρχική εικόνα. Καθώς η βλάστηση και διάφορα είδη βλάστησης δίνουν διαφορετικές φασματικές υπογραφές κατά τι διάρκεια του έτους και μπορεί να καταχωρηθούν λανθασμένα.<br /> Επιπλέον, ένα ζήτημα προς αντιμετώπιση ήταν ο διαχωρισμός των τάξεων και η διαδικασία επανακωδικοποίησης. Οι τάξεις που ήταν εύκολο να διαχωριστούν μεταξύ τους ήταν το δάσος, το άγονο έδαφος και το νερό. Όπως ήταν αναμενόμενο η αστική περιοχή ταξινομήθηκε σαν συνδυασμός καλλιέργειας-χλόης-δάσους-πεζοδρομίου. Αυτό συνέβη διότι, τα αστικά χαρακτηριστικά έχουν παρόμοιες φασματικές υπογραφές με καλλιέργειες-χλόη-δάσος και γυμνό έδαφος. Με τη χρήση της διαδικασίας επανακωδικοποίησης , κωδικοποίησα εκ νέου τα συγκεκριμένα pixel τονίζοντας την κυρίαρχη επιθυμητή τάξη. Τέλος το μεγαλύτερο πρόβλημα που αντιμετώπισα ήταν το ζήτημα των καλλιεργειών. Η εικόνα είχε μια μεγάλη γεωργική έκταση. Δεδομένου ότι υπάρχουν περιοχές με διαφορετικά είδη καλλιεργειών, ήταν πάρα πολύ δύσκολο να δημιουργηθούν χωριστές τάξεις όπως «καλλιέργειες» ή  «περιβόλια» χωρίς τη δημιουργία πολλών αταξινόμητων pixel σε άλλες περιοχές. Οι καλλιέργειες στην εικόνα ομαδοποιήθηκαν με το δάσος, τους θάμνους ή τη χλόη και το γυμνό έδαφος ταξινομήθηκε ως άγονο. Επίσης, όλες οι εκ περιτροπής καλλιέργειες καθιστούν δύσκολη την σωστή ταξινόμηση σε συγκεκριμένες τάξεις (βάση του τύπου καλλιέργειας) για μια τόσο μεγάλη περιοχή. Έτσι, όρισα μια τάξη με όνομα Γεωργία η οποία περιλαμβάνει όλα τα είδη καλλιεργειών και καλύπτει όλη αυτή την περιοχή. <br /> <br /> &lt;b&gt;Συμπεράσματα&lt;/b&gt;&lt;br&gt;<br /> <br /> Τα αποτελέσματα εκπλήρωσαν τον στόχο μου εξακριβώνοντας αν μπορούν ή όχι φασματικώς ενισχυμένα στρώματα δεδομένων να χρησιμοποιηθούν για την δημιουργία ενός καλά ταξινομημένου χάρτη εδαφοκάλυψης της περιοχής μελέτης. Συμπεραίνουμε ότι η μη επιβλεπόμενη ταξινόμηση χρησιμοποιώντας τα ενισχυμένα δεδομένα ήταν μια επιτυχημένη επιλογή.</div>

Stathis.Laspias