ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΩΝ ICONOS ΜΕ ΧΡΗΣΗ TOY eCOGNITION ΓΙΑ ΤΗΝ ΑΞΙΟΛΟΓΗΣΗ ΚΑΤΑΣΤΡΟΦΩΝ ΠΟΥ ΠΡΟΚΑΛΟΥΝΤΑΙ ΑΠΟ ΠΛΗΜΜΥΡΕΣ

Από RemoteSensing Wiki

Έκδοση στις 08:40, 10 Φεβρουαρίου 2010 υπό τον/την Μιχαηλίδου Τίνα (Συζήτηση | Συνεισφορές/Προσθήκες)
('διαφορά') ←Παλιότερη αναθεώρηση | εμφάνιση της τρέχουσας αναθεώρησης ('διαφορά') | Νεώτερη αναθεώρηση→ ('διαφορά')
Μετάβαση σε: πλοήγηση, αναζήτηση


1. Αντικείμενο Εφαρμογής: ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΩΝ ICONOS ΜΕ ΧΡΗΣΗ TOY eCOGNITION ΓΙΑ ΤΗΝ ΑΞΙΟΛΟΓΗΣΗ ΚΑΤΑΣΤΡΟΦΩΝ ΠΟΥ ΠΡΟΚΑΛΟΥΝΤΑΙ ΑΠΟ ΠΛΗΜΜΥΡΕΣ

2. Στόχος Εφαρμογής: Στόχος της εφαρμογής είναι η γρήγορη και αποτελεσματική αξιολόγηση και εκτίμηση των καταστροφών που προκαλούνται από πλημμύρες σε διάφορες περιοχές.

3. Είδη δορυφόρων, δεκτών, καναλιών: Στην εφαρμογή αυτή χρησιμοποιήθηκαν παγχρωματικές εικόνες του υπερφασματικού δέκτη IKONOS-2 με διακριτική ικανότητα 1μ στο μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο κανάλι.

4. Χρησιμότητα δορυφορικών συστημάτων: Στην εφαρμογή αυτή χρειάζονται χάρτες χρήσης γης οι οποίοι μπορούν να σχεδιαστούν αποτελεσματικά με χρήση τηλεπισκοπικών εικόνων. Από τις εικόνες του IKONOS-2 (δ.ι. 1μ) μπορούμε να πάρουμε πληροφορίες για τη διάκριση αστικών και προαστιακών (suburban) αντικειμένων που χρειαζόμαστε για τον υπολογισμό των καταστροφών.

T14diagr1.jpg

5. Ψηφιακές Επεξεργασίες: Στις δορυφορικές εικόνες αρχικά εφαρμόσαμε τον αλγόριθμο της κατάτμησης με τη βοήθεια του λογισμικού eCognition. Το λογισμικό αυτό χρησιμοποιεί μία μέθοδο «συγχώνευσης» περιοχών της εικόνας κατά το στάδιο της κατάτμησης. Οι διαφορετικές εφαρμογές του κάθε καναλιού παίζουν πολύ σημαντικό ρόλο στη δημιουργία ομογενών αντικειμένων και κατ’ επέκταση στα διαφορετικά επίπεδα της ταξινόμησης. Τα κανάλια αυτά είτε συμπεριλήφθηκαν στη διαδικασία της κατάτμησης είτε αποκλείστηκαν ανάλογα με το βαθμό λειτουργικότητάς τους. Στο στάδιο αυτό δημιουργήθηκαν ποικίλα επίπεδα το καθένα από τα οποία έδινε έμφαση σε ένα συγκεκριμένο χαρακτηριστικό των αντικειμένων. Το μέγεθος των αντικειμένων καθορίστηκε από την παράμετρο «κλίμακα» και οι παράμετροι «σχήμα» και «χρώμα» χρησιμοποιήθηκαν για να δώσουν έμφαση στο σχήμα και χρώμα των αντικειμένων αντίστοιχα.


T14eik1.jpg

Στη συνέχεια ακολούθησε η ταξινόμηση της εικόνας. Για την ιεραρχία των τάξεων/κλάσεων της ταξινόμησης χρησιμοποιήθηκαν δείγματα από την κατάτμηση και ταξινομήθηκαν με τη μέθοδο του «πλησιέστερου γείτονα». Τα κατάλληλα χαρακτηριστικά και μαθηματικοί τύποι για την περιγραφή των κλάσεων διατυπώθηκαν με τη βοήθεια συναρτήσεων οι οποίες μας έδωσαν ως αποτέλεσμα την εναρμόνιση φασματικής και χωρικής υπογραφής της κάθε τάξης. Στο ΔΙΑΓΡΑΜΜΑ 1 φαίνεται σχηματικά το διάγραμμα ροής που χρησιμοποιεί το λογισμικό eCognition για την επεξεργασία εικόνων και στην ΕΙΚΟΝΑ 1 το τελικό αποτέλεσμα της ταξινόμησης με το υπόμνημά της.

T14eik2.jpg

6. Χρήση επιπρόσθετων χαρτών-εικόνων: Τα δεδομένα πεδίου που χρησιμοποιήθηκαν για την επιβλεπόμενη ταξινόμηση ήταν ένας τοπογραφικός χάρτης και δύο ταξινομημένες εικόνες Landsat TM για την διάκριση των διάφορων χρήσεων γης. Για τον υπολογισμό των καταστροφών που προκαλούνται από τις πλημμύρες συνδυάζουμε χάρτες χρήσεων γης με χάρτες βάθους της πλημμύρας όπως φαίνεται στην ΕΙΚΟΝΑ 2. Τέλος απαιτούνται χάρτες εκτίμησης της αξίας των διαφόρων χρήσεων γης.


7. Αναγκαιότητα χρήσης επιπρόσθετων χαρτών: Χρησιμοποιώντας ισοβαθείς καμπύλες για τις καταστροφές που έχουν γίνει σε κάθε κατηγορία χρήσης γης μπορούμε να προσδιορίσουμε τις καταστροφές ως μαθηματική σχέση μεταξύ του βάθους νερού και του ποσοστού της καταστροφής σε κάθε τάξη της ταξινόμησης και άρα στην κάθε κατηγορία χρήσης γης που περιέχεται στην εικόνα. Οι χάρτες εκτίμησης για τις διάφορες χρήσεις γης δίνουν χρηματική αξία στις καταστροφές.

8. Σημαντικά αποτελέσματα και αξιολόγηση μεθόδων: Τα αποτελέσματα της εφαρμογής ήρθαν σε συμφωνία με τα δεδομένα πεδίου όμως η θέση και το σχήμα των αντικειμένων ποικίλουν αρκετά. Παρόλα αυτά μπορούμε να υπολογίσουμε τις καταστροφές. Η ταξινόμηση εικόνων υψηλής διακριτικής ικανότητας με το eCognition έχει το πλεονέκτημα ότι προσφέρει έναν μεγάλο αριθμό χαρακτηριστικών για τον προσδιορισμό μίας κλάσης. Εκτός των φασματικών χαρακτηριστικών, τα χωρικά χαρακτηριστικά όπως το εμβαδόν, το μήκος και το πλάτος των αντικειμένων κάνει τη διαφορά. Επίσης χρήσιμη είναι η δυνατότητα που δίνεται να χρησιμοποιηθούν χαρακτηριστικά χωρικών σχέσεων όπως π.χ. σχέσεις γειτνίασης. Τέλος οι τάξεις της ταξινόμησης καθορίζονται με πολύ κατανοητό και λογικό τρόπο.

ΠΡΩΤΟΤΥΠΟ ΑΡΘΡΟ

IKONOS imagery classified with Definiens eCognition for a flood damage assessment DEFINIENS The Image Intelligence Company

Προσωπικά εργαλεία