Εφαρμογή Επαγωγικών Αλγορίθμων Μάθησης για την Αποτύπωση της Ακτογραμμής με Χρήση Δορυφορικών Καταγραφών
Από RemoteSensing Wiki
Εφαρμογή Επαγωγικών Αλγορίθμων Μάθησης για την Αποτύπωση της Ακτογραμμής με Χρήση Δορυφορικών Καταγραφών
Μητράκα Ζηνοβία1 Χρυσουλάκης Νεκτάριος1* και Λιπάκης Μιχάλης2 1 Ίδρυμα Τεχνολογίας και Έρευνας, Ινστιτούτο Υπολογιστικών Μαθηματικών, Ν. Πλαστήρα 100, Βασιλικά Βουτών, Τ. Θ. 1385, 71110, Ηράκλειο 2 Οργανισμός Ανάπτυξης Ανατολικής Κρήτης
- e-mail: zedd2@iacm.forth.gr, τηλ: 2810-391762
Αντικείμενο Εφαρμογής: Διαχείριση Παράκτιας Ζώνης Σκοπός Εφαρμογής: Η μεταβολή της ακτογραμμής με την πάροδο του χρόνου θεωρείται μία από τις πιο δυναμικές διεργασίες στις παράκτιες περιοχές και έχει ιδιαίτερο ενδιαφέρον τόσο για την εκτίμηση του κινδύνου διάβρωσης, όσο και για την υποστήριξη αναπτυξιακών δραστηριοτήτων σε τοπικό επίπεδο. Τα τελευταία χρόνια, έχουν αναπτυχθεί διάφορες τεχνικές αποτύπωσης της ακτογραμμής με χρήση δορυφορικών καταγραφών που αποτελεί και σκοπό της παρούσας εφαρμογής.
Περιοχή-Μελέτης Στην παρούσα εργασία, παρουσιάζεται η αποτύπωσης της ακτογραμμής της περιοχή της Γεωργιούπολης στην Κρήτη, για τα έτη 1998 και 2005 με χρήση αεροφωτογραφιών και δορυφορικών δεδομένων πολύ υψηλής χωρικής διακριτικής ικανότητας, αντίστοιχα. Η αποτύπωση αυτή πραγματοποιήθηκε για τις ανάγκες του έργου BEACHMED-e/OpTIMALτο οποίο υλοποιήθηκε στα πλαίσια του INTERREG IIIC. Η αποτύπωση της ακτογραμμής για την περιοχή της Γεωργιούπολης στην Κρήτη πραγματοποιήθηκε έγινε με χρήση αεροφωτογραφιών και δορυφορικών καταγραφών IKONOS, αντίστοιχα. Τα αποτελέσματα συγκρίθηκαν με επιτόπιες μετρήσεις με χρήση διαφορικού GPS για τον έλεγχο της αξιοπιστίας τους, καθώς και μεταξύ τους για την εκτίμηση των μεταβολών της ακτογραμμής στη συγκεκριμένη χρονική περίοδο. Όλα τα δεδομένα διατέθηκαν από τον ΟΑΝΑΚ (Οργανισμός Ανάπτυξης Ανατολικής Κρήτης).
Μεθοδολογία Όπως είναι γνωστό το δορυφορικό σύστημα IKONOS έχει τη δυνατότητα να παρέχει δεδομένα πολύ υψηλής χωρικής διακριτικής ικανότητας, 1 m στο παγχρωματικό και 4 m στο πολυφασματικό επίπεδο, με συγχώνευση των οποίων προκύπτουν έγχρωμες απεικονίσεις ανάλυσης 1 m (pansharpen) στα φασματικά κανάλια μπλε, κόκκινο, πράσινο και εγγύς υπέρυθρο. Το προϊόν αυτό χρησιμοποιήθηκε στην παρούσα εργασία αφού ορθοανορθώθηκε, για την εξάλειψη των γεωμετρικών παραμορφώσεων και την ορθή προβολή του στο σύστημα ΕΓΣΑ87, εφόσον ποσοτικές εκτιμήσεις όπως αυτές της αποτύπωσης της ακτογραμμής πραγματοποιούνται σε ορθοανηγμένες εικόνες. Ανεξάρτητα από τις διάφορες τεχνικές που μπορούν να εφαρμοστούν για την εξαγωγή και παρακολούθηση της ακτογραμμής από υψηλής χωρικής διακριτικής ικανότητας δορυφορικά δεδομένα, πρακτικά ακολουθούνται τα παρακάτω βήματα: 1. Προ-επεξεργασία των δορυφορικών δεδομένων. 2. Καθορισμός και μέτρηση φωτοσταθερών σημείων (Ground Control Points: GCPs) για την ορθή σύνδεση των συστημάτων συντεταγμένων των πρωτογενών δεδομένων με το EGSA87. 3. Προμήθεια ή παραγωγή κατάλληλου ψηφιακού μοντέλου εδάφους (DEM) 4. Υπολογισμός των παραμέτρων των εξισώσεων αεροτριγωνισμού που χρησιμοποιούνται από το εκάστοτε μοντέλο γεωμετρικής διόρθωσης. 5. Ορθοαναγωγή της εικόνας και προβολή της στο EGSA87. 6. Καθορισμός του αλγορίθμου ταξινόμησης ή εξαγωγής χαρακτηριστικών που θα χρησιμοποιηθεί για την αποτύπωση της ακτογραμμής. 7. Εξαγωγή της ακτογραμμής σε διανυσματική μορφή. 8. Παρακολούθηση των αλλαγών της ακτογραμμής επαναλαμβάνοντας τα παραπάνω βήματα σε καθορισμένες χρονικές περιόδους με σύγκριση της σχετικής θέσης των παραγόμενων ακτογραμμών. Είναι γνωστό ότι σε κάθε δορυφορικό σύστημα λήψης είναι αναπόφευκτη η γεωμετρική παραμόρφωση των εικόνων που λαμβάνονται και κατά συνέπεια οι εικόνες αυτές δεν είναι δυνατόν να προβληθούν ως έχουν σε δεδομένη χαρτογραφική προβολή, πριν διορθωθούν γεωμετρικά. Η γεωμετρική διόρθωση έχει άμεση σχέση με το είδος του αισθητήρα, το ύψος πτήσης του, καθώς και το οπτικό του πεδίο. Η βέλτιστη μέθοδος για το σκοπό αυτό είναι η χρήση ενός διδιάστατου ή τρισδιάστατου φυσικού τροχιακού μοντέλο (εφόσον αυτό είναι διαθέσιμο), το οποίο προσομοιώνει τις συνθήκες της δορυφορικής λήψης, υπολογίζοντας και λαμβάνοντας υπόψη τη συμβολή στη γεωμετρική παραμόρφωση του καθενός από τους γενεσιουργούς της παράγοντες ξεχωριστά. Πρακτικά για την ορθοαναγωγή απαιτούνται δύο ειδών υπολογισμοί:
- Ένας γεωμετρικός μετασχηματιμός από το πεδίο της εικόνας στο πεδίο του χάρτη (EGSA87), για τον καθορισμό της θέσης κάθε εικονοστοιχείου της εικόνας στο χάρτη (ορθοανηγμένη εικόνα), με βάση τις αρχικές του συντεταγμένες στο πεδίο της εικόνας.
- Ένα ραδιομετρικό υπολογισμό της ψηφιακής τιμής κάθε εικονοστοιχείου στο πεδίο του χάρτη ως συνάρτηση των τιμών σε μια γειτονιά του εικονοστοιχείου αυτού στο πεδίο της εικόνας.
Στην παρούσα εργασία το γεωμετρικό μοντέλο (IGM: Image Geometry Model) κάθε σκηνής ήταν διαθέσιμο με τα δεδομένα IKONOS. Το IGM περιλαμβάνει τις παραμέτρους που απαιτούνται για την ορθοαναγωγή κάθε σκηνής. Συγκεκριμένα, το IGM παρείχε τους άρρητους πολυωνυμικούς συντελεστές (RPCs: Rational Polynomial Coefficients) για τις δορυφορικές εικόνες IKONOS που χρησιμοποιήθηκαν στην παρούσα εργασία. Οι RPCs είναι μια σειρά συντελεστών που περιγράφουν την σχέση μεταξύ της εικόνας τη στιγμή της λήψης της και της επιφάνειας της Γης την ίδια στιγμή. Αν και δεν περιγράφουν με αυστηρό τρόπο τις παραμέτρους του δέκτη, είναι εύκολο να εφαρμοστούν και να πραγματοποιηθούν οι γεωμετρικοί μετασχηματισμοί μέσω ρητών συναρτήσεων (RF: Rational Functions). Χάρη στην ύπαρξη των RPCs, ο εξωτερικός προσανατολισμός κάθε σκηνής μπορεί να προσδιοριστεί με ακρίβεια. Συνεπώς, στην περίπτωση που είναι διαθέσιμα το IGM, ένα ακριβές ψηφιακό μοντέλο εδάφους DEM και μερικά με ακρίβεια προσδιορισμένα φωτοσταθερά σημεία, τα δεδομένα IKONOS μπορούν να ορθοκανονικοποιηθούν με χρήση εξειδικευμένου φωτογραμμετικού λογισμικού όπως το Orthoengine (PCI, 2003) ή το Leica Photogrammetry Suite, το οποίο χρησιμοποιήθηκε στην παρούσα εργασία. Το επόμενο βήμα για την εξαγωγή της ακτογραμμής ήταν ο διαχωρισμός μεταξύ χερσαίων και θαλάσσιων περιοχών, δηλαδή η ταξινόμηση των εικονοστοιχείων της ορθοανηγμένης εικόνας για τον προσδιορισμό των πολυγώνων που αντιστοιχούσαν στις θαλάσσιες ή στις χερσαίες περιοχές. Λαμβάνοντας υπόψη τους περιορισμούς για την ταξινόμηση δορυφορικών δεδομένων πολύ υψηλής χωρικής διακριτικής ικανότητας που αναφέρθηκαν προηγουμένως, επελέγη να χρησιμοποιηθεί μια τεχνική της οποίας οι αλγόριθμοι να λαμβάνουν υπόψη τους εκτός από τη φασματική πληροφορία κάθε εικονοστοιχείου, το αντίστοιχο χωρικό πλαίσιο, δηλαδή τη φασματική πληροφορία προερχομένη από τη γειτονιά (γειτονικά εικονοστοιχεία) του εικονοστοιχείου αυτού. Με τον τρόπο αυτό, εκτός από τη φασματική υπογραφή, ελήφθη υπόψη από τον αλγόριθμο ταξινόμησης και η διάταξη των εικονοστοιχείων στο χώρο. Συγκεκριμένα εφαρμόστηκε η τεχνική της μηχανικής μάθησης, η οποία λειτουργεί εκπαιδεύοντας έναν ταξινομητή στο να ανιχνεύει χαρακτηριστικά σημεία ενός αντικειμένου, γνωστά και ως ομοειδείς περιοχές (patches) και να ταξινομεί ομάδες των περιοχών αυτών (αντικειμενοστραφής αλγόριθμος). Αυτού του τύπου ο ταξινομητής χρησιμοποιεί επαγωγικούς αλγορίθμους μάθησης για την παραγωγή κανόνων ταξινόμησης από ένα σετ δεδομένων. Όπως συμβαίνει και με ένα νευρωνικό δίκτυο, υπάρχουν αρκετά πλεονεκτήματα στην χρήση αλγορίθμων μηχανικής μάθησης. Επειδή είναι δυνατό να χρησιμοποιηθούν βοηθητικά επίπεδα δεδομένων για την βελτίωση του διαχωρισμού των κλάσεων, απαιτούνται λιγότερα δείγματα περιοχών για εκπαίδευση. Επίσης, αυτό το μοντέλο μάθησης είναι μη παραμετρικό και δεν απαιτεί ομαλά κατανεμημένα δεδομένα. Μπορεί ακόμα να αναγνωρίσει μη γραμμικά πρότυπα στα δεδομένα εισόδου τα οποία είναι πολύ πολύπλοκα για συμβατικές στατιστικές αναλύσεις. Στην παρούσα εργασία η τεχνική της μηχανικής μάθησης για την εξαγωγή της ακτογραμμής εφαρμόστηκε με χρήση του λογισμικού Feature Analyst (VLS, 2007) σε περιβάλλον ERDAS Imagine. Το λογισμικό αυτό έχει σημαντικά πλεονεκτήματα στη εξαγωγή χαρακτηριστικών από πολύ υψηλής χωρικής διακριτικής ικανότητας δορυφορικά δεδομένα, εφόσον με βάση εάν μικρό και απλό σετ περιοχών εκπαίδευσης, αξιοποιεί την φασματική σε συνδυασμό με την χωρική πληροφορία, παρέχει τη δυνατότητα βελτιστοποίησης της τελικής ταξινόμησης απομακρύνοντας από την κλάση ενδιαφέροντος εικονοστοιχεία τα οποία έχουν λανθασμένα εισαχθεί στην κλάση αυτή κατά την αρχική ταξινόμηση (clutter removal). Οι παραδοσιακές τεχνικές ταξινόμησης βασίζονται στη φασματική υπογραφή και ίσως την υφή και τη διάταξη των εικονοστοιχείων στο χώρο. Ο αλγόριθμος που χρησιμοποιήθηκε στην παρούσα εργασία έλαβε υπόψη το σχήμα, το μέγεθος, τη φασματική υπογραφή, η διάταξη στο χώρο, η σκίαση και τη συσχέτιση μεταξύ αντικειμένων (patches). Η εξαγωγή της ακτογραμμής με τη χρήση του προαναφερθέντος λογισμικού είναι μια ημιαυτόματη διαδικασία, η οποία περιλαμβάνει τα ακόλουθα βήματα. Το πρώτο βήμα περιλαμβάνει τον καθορισμό των περιοχών εκπαίδευσης. Η επιλογή των περιοχών αυτών αποτελεί το πιο σημαντικό τμήμα της διαδικασίας γιατί το τελικό αποτέλεσμα καθορίζεται σε μεγάλο βαθμό από το περιεχόμενο των περιοχών αυτών. Το σύνολο των περιοχών εκπαίδευσης αποτελείται από πολύγωνα τα οποία αντιστοιχούν σε δύο κλάσεις: θαλάσσιες και χερσαίες περιοχές. Αρχικά, η επιλογή πραγματοποιείται δημιουργώντας δύο σύνολα πολυγώνων τα οποία έπειτα συγχωνεύονται σε ένα ενιαίο σύνολο, το οποίο αποτελεί την είσοδο για τον αλγόριθμο εκπαίδευσης. Η επιλογή των πολυγώνων που θα αποτελέσουν το τελικό σύνολο εκπαίδευσης πραγματοποιήθηκε έπειτα από μια σειρά δοκιμών, έτσι ώστε να αποφασιστεί ποιο σύνολο πολυγώνων αντιπροσωπεύει καλύτερα την κάθε κλάση. Το αποτέλεσμα των δοκιμών στα πλαίσια της παρούσας εργασίας, υπέδειξε τέσσερα πολύγωνα για την κλάση των θαλάσσιων περιοχών, τρία εκ των οποίων βρίσκονται πολύ κοντά στο σύνορο των δύο κλάσεων, και έξι πολύγωνα για την κλάση των χερσαίων περιοχών, τέσσερα από τα οποία βρίσκονται στις παραλιακές περιοχές. Τα πολύγωνα που αποτέλεσαν το σύνολο των περιοχών εκπαίδευσης φαίνονται στην Εικόνα 1. Τα μωβ πολύγωνα αντιστοιχούν στην κλάση των θαλάσσιων περιοχών και τα μπλε στην κλάση των χερσαίων περιοχών.
Το επόμενο βήμα περιλαμβάνει την παραμετροποίηση του αλγορίθμου. Επιλέχθηκε να συμπεριληφθούν και τα τέσσερα κανάλια της εικόνας στην ανάλυση. Η φασματική πληροφορία εξάχθηκε μέσω της φασματικής υπογραφής κάθε εικονοστοιχείου, ενώ για την εξαγωγή χωρικής πληροφορίας για κάθε ένα εικονοστοιχείο, ορίστηκε κατάλληλη αναπαράσταση εισόδου (input representation) του αλγορίθμου ταξινόμησης. Η αναπαράσταση εισόδου παρέχει στον αλγόριθμο πληροφορία για το εικονοστοιχείο στόχο σε συνάρτηση με τις θέσεις και τις ψηφιακές τιμές των γειτονικών του εικονοστοιχείων. Για την παρούσα μελέτη καταλληλότερη κρίθηκε η πρότυπη αναπαράσταση “Manhattan”, που κυρίως χρησιμοποιείται για εξαγωγή συμπαγών στοιχείων κάλυψης γης. Η ακτίνα δράσης ορίστηκε σε 5 εικονοστοιχεία. Αυτό σημαίνει πως, αν θεωρηθεί ότι το εικονοστοιχείο για το οποίο θα ληφθεί η απόφαση ταξινόμησης (με κόκκινο πλαίσιο στην Εικόνα 3) είναι στο κέντρο ενός πλέγματος 5×5, σύμφωνα με το πρότυπο Manhattan ο αλγόριθμος θα λάβει υπόψη του 13 εικονοστοιχεία (μπλε στην Εικόνα 2) που το περιβάλλουν. Υπολογίζοντας 13 εικονοστοιχεία από κάθε κανάλι της εικόνας έχουμε ένα σύνολο από 52 εικονοστοιχεία που θα ληφθούν υπόψη για την ταξινόμηση κάθε εικονοστοιχείου στόχου. Για να διατηρηθούν τα σχετικά χαρακτηριστικά της κάθε κλάσης, στην προσπάθεια εντοπισμού μιας μεγάλης σε έκταση περιοχής, απαιτείται ο καθορισμός ενός ελάχιστου αριθμού εικονοστοιχείων που είναι απαραίτητα για τη δημιουργία ενός αντικειμένου κλάσης. Στην παρούσα εργασία ορίστηκε σε 500 εικονοστοιχεία.
