Εντοπισμός των κατεστραμμένων κτιρίων με χρήση δορυφορικών εικόνων υψηλής ανάλυσης στον σεισμό της Κεντρικής Τζάβα το 2006
Από RemoteSensing Wiki
Πηγή
Asian Association on Remote Sensing
Τίτλος κειμένου
Extraction of Damaged Buildings Using High-resolution Satellite Images in the 2006 Central Java Earthquake
Συγγραφείς
Kazuki Matsumoto, Tuong Thuy Vu, Fumio Yamazaki
Εισαγωγή
Η δυνατότητα εκτίμησης της έκτασης των καταστροφών σε σύντομο χρονικό διάστημα μετά από την τέλεση ενός φυσικού φαινομένου είναι εξαιρετικά σημαντική. Χάρη στην πρόοδο της τεχνολογίας της τηλεπισκόπησης, είναι πλέον δυνατή η λήψη δορυφορικών εικόνων υψηλής ανάλυσης από δέκτες όπως ο Quickbird και ο Ikonos αλλά και μεσαίας ανάλυσης αμέσως μετά την τέλεση ενός φυσικού φαινομένου. Έτσι, οι τηλεπισκοπικές εικόνες αποτελούν μια από τις πιο σημαντικές πηγές για την εκτίμηση καταστροφών σε ευρείες περιοχές. Στο παρελθόν έχει γίνει προσπάθεια, από αρκετές ερευνητικές ομάδες, οπτικής επιθεώρησης καταστροφών σε αστικές περιοχές μετά από σεισμό χρησιμοποιώντας εικόνες πρωθύστερες και μεταγενέστερες του φυσικού φαινομένου. Τα δεδομένα που χρησιμοποιήθηκαν ήταν δορυφορικές εικόνες Quickbird και Ikonos. Παρά το γεγονός πως η οπτική επιθεώρηση ζημιών παρέχει πολύ χρήσιμες πληροφορίες, έχει το μειονέκτημα πως είναι αρκετά χρονοβόρα. Έτσι, έχουν αναπτυχθεί μέθοδοι επεξεργασίας των εικόνων με σκοπό τη γρήγορη διεξαγωγή της επιθεώρησης των ζημιών. Η πιο τυπική μέθοδος είναι η ταξινόμηση των χρήσεων γης με βάση τα pixel της εικόνας που πραγματοποιείται με την τεχνική της ταξινόμησης μέγιστης πιθανοφάνειας. Εντούτοις, σε εικόνες υψηλής ανάλυσης, οι μέθοδοι που βασίζονται στα pixel ενδέχεται να παράξουν υψηλά επίπεδα θορύβου. Για να λυθεί το πρόβλημα αυτό έχουν αναπτυχθεί ταξινομήσεις που στηρίζονται στα αντικείμενα της εικόνας. Στο παρόν άρθρο γίνεται περαιτέρω διερεύνηση της χρησιμότητας των ταξινομήσεων βάσει αντικειμένων στον εντοπισμό ζημιών σε κτίρια, από υψηλής διαχωριστικής ικανότητας δορυφορικές εικόνες που ελήφθησαν πριν και μετά το σεισμό του 2006 στην Κεντρική Τζάβα της Ινδονησίας το 2006. Γίνεται εξαγωγή των κτιρίων από εικόνες με ταξινομήσεις βασιζόμενες στα pixel αλλά και στα αντικείμενα των εικόνων. Τα αποτελέσματα των δύο μεθόδων συγκρίνονται μεταξύ τους και με βάση τις διαφορές που παρατηρούνται στις περιοχές που έχουν κτίρια, ανιχνεύονται οι περιοχές που έχουν υποστεί ζημιές και τα αποτελέσματα συγκρίνονται με την οπτική
Δεδομένα
Ο ισχυρός σεισμός μεγέθους 6,3 βαθμών της κλίμακας ρίχτερ στην Κεντρική Τζάβα της Ινδονησίας στις 27 Μαΐου 2006 είχε ως συνέπεια τον θάνατο και τον τραυματισμό δεκάδων χιλιάδων ανθρώπων. Επιπλέον εκατοντάδες χιλιάδες σπίτια κατέρρευσαν ή υπέστησαν σοβαρές ζημιές. Οι εικόνες που λαμβάνονται από τον δέκτη Quickbird, έχουν υψηλή διαχωριστική ικανότητα της τάξης των 0,6m στις παγχρωματικές εικόνες και των 2,4m στις πολυφασματικές. Τα κανάλια που διατίθενται είναι τέσσερα: μπλε, πράσινο, κόκκινο, εγγύς υπέρυθρο. Ένα μήνα μετά το σεισμό, ο Quickbird έλαβε μια καθαρή εικόνα της πληγείσας περιοχής. Για την ίδια περιοχή αγοράστηκε και μια εικόνα πριν το σεισμό και συγκεκριμένα στις 11 Ιουλίου 2003. Αρχικά δημιουργήθηκαν pan-sharpened εικόνες με ανάλυση 0,6m συνδυάζοντας παγχρωματικές και πολυφασματικές εικόνες. Στη συνέχεια, έγινε γεωαναφορά των εικόνων πριν και μετά το σεισμικό γεγονός με χρήση RST μετασχηματισμού και της μέθοδο του εγγύτερου γείτονα. Η διαδικασία αυτή είναι αρκετά σημαντική καθώς η αφαίρεση πραγματοποιείται πάνω στα αποτελέσματα των δύο εικόνων.
Εντοπισμός περιοχών που βρίσκονται κτίρια
Ταξινόμηση με βάση τα pixel της εικόνας
Αρχικά διεξήχθη μια συμβατική ταξινόμηση βάσει των pixel της εικόνας με τη μέθοδο της μέγιστης πιθανοφάνειας. Οι περιοχές εκπαίδευσης της ταξινόμησης για την εικόνα πριν το σεισμό ήταν οι εξής: μαύρη οροφή, γκρίζα οροφή, κόκκινη οροφή και άσπρη οροφή κτιρίων, δρόμοι, έδαφος, βλάστηση και σκιά. Στην εικόνα μετά το σεισμό δεν συμπεριελήφθησαν οι περιοχές εκπαίδευσης των κτιρίων άσπρης οροφής και του εδάφους καθώς είναι πολύ δύσκολη η ανίχνευση τους και συγχέονται με τα συντρίμμια που προστέθηκαν ως περιοχή εκπαίδευσης. Τα αποτελέσματα με τις περιοχές που ανιχνεύθηκαν κτίρια φαίνονται στις εικόνες 2 και 3.
Ταξινόμηση με βάση τα αντικείμενα της εικόνας
Η ταξινόμηση έγινε με βάση το λογισμικό e-cognition. Αρχικά έγινε κατάτμηση της εικόνας για να δημιουργηθούν τα «αντικείμενα» στηριζόμενη σε 5 παραμέτρους: επίπεδο, συνεκτικότητα, στιλπνότητα, σχήμα και κλίμακα. Η πιο σημαντική είναι η παράμετρος κλίμακας που καθορίζει το μέγεθος του αντικειμένου. Ξεκινώντας από τα pixel, η κατάτμηση τρέχει τη συγχώνευση μεταξύ δύο αντικειμένων και ολοκληρώνεται όταν δημιουργηθεί μια καινούργια κατάσταση. Η κατάσταση αυτή εξαρτάται από τις παραμέτρους που έχουν τεθεί. Στη συνέχεια επιλέχθηκαν οι περιοχές εκπαίδευσης όπως ακριβώς έγινε και την ταξινόμηση βάσει των pixel της εικόνας. Ως δείκτες της ταξινόμησης χρησιμοποιήθηκαν οι μέσες τιμές των αντικειμένων στα 4 κανάλια του δέκτη Quickbird και η μέθοδος που επιλέχθηκε ήταν αυτή του εγγύτερου γείτονα. Τα αποτελέσματα φαίνονται στις εικόνες 2 και 3. Η σύγκριση των αποτελεσμάτων των δύο ταξινομήσεων με την επιτόπια οπτική επιθεώρηση, κατέδειξε υψηλά επίπεδα θορύβου στην ταξινόμηση βάσει των pixel. Κατά συνέπεια, συμπεραίνεται πως σε αυτή την ανάλυση και σε αυτά τα μεγέθη αντικειμένων, η ταξινόμηση που βασίζεται στα αντικείμενα προσφέρει καλύτερα αποτελέσματα. Εντούτοις, κάποιοι δρόμοι και σκιές ταξινομήθηκαν λάθος στις κλάσεις των κτιρίων εξαιτίας των παρόμοιων φασματικών υπογραφών.
Εντοπισμός περιοχών με κατεστραμμένα κτίρια
Στην παρούσα εργασία, ανιχνεύθηκαν οι περιοχές με κτίρια που έχουν υποστεί ζημιές με την ταξινόμηση βάσει των αντικειμένων στην εικόνα πριν τον σεισμό αλλά και σε αυτήν μετά το σεισμό. Έγινε αφαίρεση των κτιρίων που ανιχνεύθηκαν στην μετασεισμική εικόνα σε σχέση με την προσεισμική και το υπόλοιπο θεωρήθηκε ότι αποτελεί τα κτίρια που έχουν καταρρεύσει. Άλλες πιθανές αιτίες διαφορών ανάμεσα στις 2 ταξινομημένες εικόνες, είναι η ύπαρξη βλάστησης και σκιάς στην μετασεισμική εικόνα ή η μεταφορά κάποιων κτιρίων στο διάστημα των τριών χρόνων μεταξύ των δύο εικόνων. Η δεύτερη περίπτωση δεν λήφθηκε υπόψη καθώς θεωρήθηκε ότι η απουσία κτιρίων αποτελεί κατά βάση αποτέλεσμα του σεισμικού φαινομένου. Τα τελικά αποτελέσματα για τις περιοχές των οποίων τα κτίρια έχουν υποστεί ζημιές φαίνεται στις εικόνες 6 και 7. Συγκρίνοντας τα αποτελέσματα της μεθόδου που περιγράφηκε με αυτά της οπτικής παρατήρησης, καταγράφεται ένα λογικό επίπεδο ακρίβειας. Παρατηρείται όμως και πληθώρα λαθών και παραλείψεων. Η τελική ακρίβεια αξιολογήθηκε χρησιμοποιώντας τις έννοιες της ακρίβειας παραγωγού και της ακρίβειας χρήστη ως 67,4% και 51,5% αντίστοιχα για το σύνολο της περιοχής μελέτης.
Συμπεράσματα
Συνολικά, η έρευνα κατέδειξε πως η χρήση μεθόδου ταξινόμησης με βάση τα αντικείμενα της εικόνας είναι καταλληλότερη για τις εικόνες υψηλής διαχωριστικής ικανότητας όπως αυτές των δεκτών Quickbird και Ikonos. Ωστόσο, παρατηρούνται αρκετά λάθη κατά την ταξινόμηση των χαρακτηριστικών της εικόνας, καθιστώντας απαραίτητη κάποια περαιτέρω επεξεργασία. Το τελικό αποτέλεσμα ήταν αρκετά ακριβές συγκρινόμενο με την οπτική επιθεώρηση. Η προσπάθεια όμως εγκαθίδρυσης μιας γενικότερης μεθόδου ανίχνευσης ζημιών σε κτίρια στο μέλλον, απαιτεί μεγαλύτερη έρευνα παραμέτρων για τα διάφορα αστικά και επαρχιακά περιβάλλοντα.
