Μη Επιβλεπόμενη Ταξινόμηση Φασματικών δεδομένων Landsat TM
Από RemoteSensing Wiki
Μη Επιβλεπόμενη Ταξινόμηση Φασματικών δεδομένων Landsat TM
Unsupervised Classification of Spectrally Landsat TM data
Completed by Valentina Constantinescu valcon34@pacbell.net and Rohitesh Richardrohitesh70@hotmail.com May 2010[3]
Περίληψη
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 Καλιφόρνιας. Στη συνέχεια έγινε η επιλογή ενός υποσυνόλου της αρχικής εικόνας που περιλαμβάνει μόνο την περιοχή μελέτης.
Μέθοδος που χρησιμοποιήθηκε
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. Η μη επιβλεπόμενη ταξινόμηση είναι μια μέθοδος κατά την οποία ο υπολογιστής αναζητά φυσικές ομάδες παρόμοιων pixel που ονομάζονται συσπειρώσεις (Jensen 231). Στο ERDAS η μη επιβλεπόμενη ταξινόμηση εκτελείται χρησιμοποιώντας έναν αλγόριθμο που ονομάζεται Iterative Self-Organizing Data Analysis Technique (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. 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. 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. Ο ακόλουθος πίνακας εμφανίζει τις τάξεις κάλυψης εδάφους που ήταν σε θέση να διακριθούν.
Προβλήματα που συναντήθηκαν
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. 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.
Συμπεράσματα
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.
