Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird
Από RemoteSensing Wiki
Αντικειμενοστραφής ανάλυση και ανάλυση εικονοστοιχείων για χαρτογράφηση καλλιεργειών χρησιμοποιώντας εικόνες του δορυφόρου QuickBird
Πρωτότυπος τίτλος : Object- and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery
Συγγραφείς :Isabel Luisa Castillejo-Gonzalez, Francisca Lopez-Granados, Alfonso Garcia-Ferrer & others
Πηγή : Science Direct
1.Εισαγωγή
Η λεκάνη και το κλίμα της Μεσογείου ευνοούν τις γεωργικές πρακτικές οι οποίες οδηγούν στην υποβάθμιση του εδάφους. Οι αρνητικές επιπτώσεις και συνέπειες των παραδοσιακών συστημάτων καλλιέργειας στον γεωργικό τομέα αλλά και στο περιβάλλον είναι γνωστές και γίνονται προσπάθειες, μέσω επιχορηγήσεων της Ε.Ε., για να αντιστραφεί η κατάσταση αυτή.
Στην Νότια Ευρώπη η παρακολούθηση των συστημάτων καλλιέργειας από την Ε.Ε. γίνεται με επιτόπιους δειγματοληπτικούς ελέγχους σε έκταση που καλύπτει τουλάχιστον το 1% της υπό μελέτης περιοχής, μέθοδος χρονοβόρα και αρκετά δαπανηρή, η οποία δίνει αμφίβολα αποτελέσματα λόγω του μικρού μεγέθους των δειγμάτων. Τα προβλήματα αυτά μπορούν να αντιμετωπιστούν κάνοντας χρήση τηλεπισκοπικών δεδομένων για παρακολούθηση των συστημάτων καλλιέργειας και καθορισμό των υποψήφιων επιχορηγήσεων.
Ο περιορισμός που εισάγεται στην περίπτωση των τηλεπισκοπικών δεδομένων έχει να κάνει με την ακρίβεια αυτών. Δορυφορικές εικόνες με μέτρια χωρική ανάλυση (Landsat ΤΜ και SPOT) έχουν κριθεί ανεπαρκείς για τέτοιου είδους μελέτες, σε αντίθεση με εικόνες υψηλότερης χωρικής ανάλυσης, όπως για παράδειγμα αυτές των δορυφορικών συστημάτων IKONOS και QuickBird. Οι εταιρίες που διανέμουν εικόνες δορυφορικής παρατήρησης της γης προσφέρουν δύο διαφορετικά είδη εικόνων : μια παγχρωματική εικόνα υψηλής χωρικής ανάλυσης η οποία είναι απαραίτητη για τον καθορισμό των ορίων που καταλαμβάνει μια έκταση και τον προσδιορισμό των διαφορετικών χαρακτηριστικών του εδάφους, και μια πολυφασματική εικόνα χαμηλής χωρικής ανάλυσης η οποία διευκολύνει την διάκριση των διαφόρων τύπων καλύψεων γης. Η συγχώνευση αυτών των δύο διαφορετικών τύπων εικόνων έχει ως αποτέλεσμα την δημιουργία μιας εικόνας η οποία συνδυάζει την φασματική με την χωρική πληροφορία.(pan-sharpened image)
Αρκετές είναι οι τεχνικές ταξινόμησης – επιβλεπόμενης και μη - που υπάρχουν και έχουν χρησιμοποιηθεί κατά καιρούς σε μελέτες κατάταξης των χρήσεων γης, οι περισσότερες εκ των οποίων βασίζονται στις πληροφορίες που αντλούνται από κάθε pixel της εικόνας. Οι αλγόριθμοι κατάτμησης εισάγουν μια νέα τεχνική ταξινόμησης των δορυφορικών εικόνων στην οποία γειτονικά pixel ομαδοποιούνται με βάση κριτήρια ομοιογένειας και με τον τρόπο αυτό δημιουργούνται στην εικόνα αντικείμενα (objects) με βάση τα οποία γίνεται η ταξινόμηση της εικόνας. Αυτά τα αντικείμενα της εικόνας δεν χαρακτηρίζονται από μια ομοιόμορφη τιμής ανακλαστικότητας αλλά από ορισμένες κοινές ιδιότητες όπως το μέγεθος και το σχήμα των αντικειμένων.
Στην παρούσα μελέτη εξετάζονται πέντε διαφορετικές τεχνικές επιβλεπόμενης ταξινόμησης οι οποίες εφαρμόζονται για εικόνες των οποίων η ανάλυση γίνεται χρησιμοποιώντας ως ελάχιστη μονάδα πληροφορίας (Minimum Information Unit) εικονοστιχεία(pixel-based), αντικείμενα(object-based), αλλά και συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based). Σκοπός είναι να διερευνηθεί η δυναμική της κάθε τεχνικής στην χαρτογράφηση συστημάτων καλλιέργειας και άλλων γεωργο-περιβαλλοντικών χαρακτηριστικών χρησιμοποιώντας δορυφορικές εικόνες του συστήματος QuickBird.
Επιπροσθέτως αξιολογείται η ακρίβεια των τεχνικών ταξινόμησης και των τρόπων με των οποίων γίνεται η ανάλυση των εικόνων χρησιμοποιώντας τόσο πολυφασματικές όσο και pan-sharpened(αποτέλεσμα συγχώνευσης παγχρωματικής εικόνας με πολυφασματική εικόνα) εικόνες για να διαπιστωθεί αν η αύξηση της χωρικής ανάλυσης οδηγεί σε καλύτερα αποτελέσματα ταξινόμησης.
2.Απόκτηση και προεπεξεργασία δεδομένων
Η περιοχή μελέτης βρίσκεται κοντά στην Montilla, επαρχία της Cordoba,Andalusia(βόρεια Ισπανία) και καταλαμβάνει έκταση 87.21km2. Η γεωργική έκταση που εξετάζεται είναι αντιπροσωπευτική της Ανδαλουσιανής ξηρής καλλιεργήσιμης έκτασης. Η περιοχή χωρίστηκε σε δέκα διαφορετικές χρήσεις γης και πραγματοποιήθηκαν επιτόπιοι έλεγχοι για τον προσδιορισμό αυτών και την επαλήθευση των διαδικασιών ταξινόμησης. Μια επιλεγμένη έκταση 130 στρεμμάτων από την εικόνα γεωαναφέρθηκε χρησιμοποιώντας την κατάλληλη τεχνολογία, εκ των οποίων τα 30 στρέμματα χρησιμοποιήθηκαν για την συλλογή δειγμάτων εκπαίδευσης(επιλέχθηκαν 110 δειγματοληπτικά σημεία, 50 μη συνεχόμενα pixel ανά δειγματοληπτικό σημείο). Από τα υπόλοιπα 100 στρέμματα επιλέχθηκαν 350 δείγματα(50 μη συνεχόμενα pixel ανά δείγμα) για την αξιολόγηση της ταξινόμησης.
Ψηφιακά δεδομένα του δορυφορικού συστήματος QuickBird αποκτήθηκαν για την περιοχή μελέτης, αποτελούμενα από μια παγχρωματική εικόνα χωρικής ανάλυσης 0,7m και μια πολυφασματική εικόνα 4 καναλιών(blue 450-520nm , green 520-600nm, red 630-690nm, NIR 760-900nm) χωρικής ανάλυσης 2,8m. Η ραδιομετρική ανάλυση ήταν 8 bit ενώ πραγματοποιήθηκαν ραδιομετρικές και γεωμετρικές διορθώσεις, και γεωαναφορά των εικόνων. Με σκοπό την δημιουργία μιας εικόνας υψηλής χωρικής και φασματικής ανάλυσης οι δύο εικόνες συγχωνεύθηκαν σε μια με την μέθοδο AWLP. Ως αποτέλεσμα προέκυψε μια πολυφασματική pan-sharpened εικόνα 4 καναλιών χωρικής ανάλυσης 0,7m, αρκετά καλής ποιότητας.
3.Μεθοδολογία
Η δορυφορική εικόνα χωρίστηκε σε αντικείμενα με τον αλγόριθμο κατάτμησης FNEA(Fractal Net Evolution Approach). Η διαδικασία αυτή υποδιαιρεί μια εικόνα σε ομοιογενείς περιοχές πολλών pixel βασιζόμενη σε παραμέτρους που καθορίζονται από τον χρήστη. Χρησιμοποιείται για την δημιουργία αντικειμένων στην εικόνα με σκοπό την περαιτέρω ταξινόμηση της εικόνας.
Η εικόνα επεξεργάστηκε με έναν αλγόριθμο πολλαπλών αναλύσεων (multiresolution bottom-up region-merging algorithm), με βάση τον οποίο ανεξάρτητα pixel συγχωνεύονται σε μικρά αντικείμενα τα οποία μεταβάλλονται με τις διαδοχικές επαναλήψεις του αλγόριθμου ως ότου καταλήξουμε στα τελικά βέλτιστα παράγωγα της κατάτμησης, δηλαδή αντικείμενα εικόνας τα οποία εμφανίζουν πολύ μεγάλη ομοιογένεια. Το αποτέλεσμα της διαδικασίας κατάτμησης της εικόνας σε αντικείμενα επηρεάζεται από τις προδιαγραφές των προς επεξεργασία εικόνων αλλά και από άλλες παραμέτρους όπως η κλίμακα, το χρώμα και το μέγεθος που θέλουμε να έχουν τα τελικά αντικείμενα. Η προσέγγιση πολλαπλών αναλύσεων που χρησιμοποιήθηκε στην διαδικασία κατάτμησης της εικόνας επιτρέπει για διαφορετικές κλίμακες της κατάτμησης την ταυτόχρονη απεικόνιση πληροφοριών της εικόνας. Στην παρούσα μελέτη χρησιμοποιούνται δύο είδη πληροφοριών για τις εικόνες, τα φασματικά χαρακτηριστικά και τα χαρακτηριστικά υφής αυτών. Για να περιγράψουμε τα αντικείμενα της εικόνας με βάση τις φασματικές τους ιδιότητες χρησιμοποιείται η μέση φασματική τιμή του αντικειμένου σε κάθε κανάλι, ενώ για να εντοπίσουμε τις διαφορές των αντικειμένων σε χαμηλότερα επίπεδα χρησιμοποιούνται τιμές ομοιογένειας, αντίθεσης και εντροπίας. Η μέση φασματική τιμή είναι η βασική παράμετρος που χρησιμοποιήθηκε για την ταξινόμηση, ενώ διαφορετικές ταξινομήσεις βασίστηκαν σε συνδυασμούς της μέσης τιμής με διαφορετικές παραμέτρους υφής. Προέκυψαν λοιπόν, για κάθε ένα από τα 4 πολυφασματικά ή pansharpened κανάλια, 4 αντικειμενοστραφή χαρακτηριστικά, δημιουργώντας με αυτόν τον τρόπο 16 κανάλια για πολυφασματικές ή pansharpened εικόνες.
Πέντε τεχνικές επιβλεπόμενης ταξινόμησης εξετάστηκαν στην παρούσα μελέτη, ο αλγόριθμος παραλληλεπιπέδου(P), ο αλγόριθμος ελαχίστων αποστάσεων(MD), ο Mahalanobis Classifier Distance(MC), ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) και ο Spectral Angle Mapper(SAM). Στην ανάλυση εικονοστοιχείων(pixel-based) τα 4 πολυφασματικά κανάλια (blue,red,green,NIR) χρησιμοποιούνται για την ταξινόμηση των πολυφασματικών ή pan-sharpened εικόνων. Αντίστοιχα για την ταξινόμηση στην αντικειμενοστραφή (object-based) ανάλυση χρησιμοποιούνται τα 16 κανάλια που περιγράψαμε πως προκύπτουν παραπάνω, ενώ στην pixel+object-based χρησιμοποιούνται και τα 20 κανάλια (4 πολυφασματικά και 16 που προκύπτουν από την κατάτμηση της εικόνας).
4.Αποτελέσματα
Προκειμένου να αξιολογηθούν οι διάφοροι αλγόριθμοι ταξινόμησης χρησιμοποιήθηκαν ο συντελεστής ακρίβειας και ο συντελεστής Κ. Τα αποτελέσματα έδειξαν ότι η καλύτερη ταξινόμηση επετεύχθη με τον αλγόριθμο μεγίστης πιθανοφάνειας(ML) στην περίπτωση όπου ως ελάχιστη μονάδα πληροφορίας(MIU) χρησιμοποιήθηκε συνδυασμός εικονοστοιχείων και αντικειμένων (pixel+object-based ανάλυση) σε pan-sharpened εικόνα. Η ακρίβεια της ταξινόμησης σε αυτή την περίπτωση ήταν 94,5% με συντελεστή Κ ίσο με 0,94. Στην αντίπερα όχθη, χειρότερα αποτελέσματα, με ακρίβεια ταξινόμησης μόλις 37,7%, έδωσε η ταξινόμηση παραλληλεπιπέδου(P) σε pan-sharpened εικόνα και ελάχιστη μονάδα πληροφορίας(MIU) το pixel(pixel-based ανάλυση).
Σε γενικές γραμμές, καλύτερα αποτελέσματα ταξινόμησης έδωσαν οι μέθοδοι όπου η ανάλυση της εικόνας γίνεται με βάση αντικείμενα(object-based, αντικειμενοστραφής ανάλυση) ή συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση), ενώ όταν ως ελάχιστη μονάδα πληροφορίας χρησιμοποιήθηκαν τα εικονοστοιχεία τα αποτελέσματα των ταξινομήσεων δεν ήταν ικανοποιητικά.
Στην αντικειμενοστραφή μέθοδο ανάλυσης της εικόνας, οι 4 από τους 5 αλγόριθμους ταξινόμησης, εξαιρουμένου του αλγορίθμου παραλληλεπιπέδου(P), πέτυχαν ακρίβεια μεγαλύτερη από 85% για την πολυφασματική εικόνα. Σε αυτή την μέθοδο ανάλυσης, μόνο ο αλγόριθμος μεγίστης πιθανοφάνειας(ML) είχε καλύτερα αποτελέσματα όσον αφορά την ακρίβεια ταξινόμησης στην pan-sharpened από ότι στην πολυφασματική εικόνα, ενώ όλοι οι υπόλοιποι αλγόριθμοι ταξινόμησης είχαν αντίθετη συμπεριφορά. Το ίδιο φαινόμενο παρατηρήθηκε και όταν η ανάλυση της εικόνας έγινε με βάση τον συνδυασμό εικονοστοιχείων και αντικειμένων(pixel+object-based ανάλυση).
Στην εικόνα 2 φαίνονται τα αποτελέσματα της εφαρμογής των διαφόρων αλγορίθμων ταξινόμησης σε πολυφασματικές και pan-sharpened εικόνες της περιοχής μελέτης, για διάφορες τεχνικές ανάλυσης εικόνων
Το τελικό συμπέρασμα που προκύπτει για την χρησιμότητα των δορυφορικών εικόνων του QuickBirdείναι ότι η pan-sharpened εικόνα βελτιώνει ελάχιστα την ακρίβεια της ταξινόμησης, περίπου κατά 4% για τον ακριβέστερο αλγόριθμο ταξινόμησης, ενώ ο τρόπος απόκτησης της(συγχώνευση πολυχρωματικών και πολυφασματικών εικόνων) είναι ιδιαίτερα πολύπλοκος. Απαιτείται αξιολόγηση του οφέλους που θα προκύψει από την χρησιμοποίηση μιας τέτοιας εικόνας, ανάλογα με την υπό μελέτη εφαρμογή.
