Χαρτογράφηση αναγέννησης βλάστησης μετά από πυρκαγιά με συνδυασμένη χρήση υπερφασματικών και πολυφασματικών δορυφορικών εικόνων
Από RemoteSensing Wiki
Αντικείμενο
Σκοπός της εργασίας αυτής είναι η χαρτογράφηση της αναγέννησης και της ανάκαμψης της βλάστησης μετά από δασική πυρκαγιά στη νήσο Θάσο με συνδυασμένη χρήση δορυφορικών εικόνων πολύ υψηλής χωρικής ανάλυσης (VHS) (Quickbird) και υπερφασματικών δορυφορικών εικόνων (EO-1 Hyperion), ενώ ακολουθεί ψηφιακή ανάλυση των εικόνων με υιοθέτηση αντικειμενοστραφών μεθόδων. Πιο συγκείμενα, η έρευνα επικεντρώθηκε πρώτον στο διαχωρισμό και τη χαρτογράφηση των τριών κυρίως κατηγοριών γης μετά από πυρκαγιά (δασική αναγέννηση, άλλη ανάκαμψη βλάστησης και άκαυτες περιοχές) εντός της περιμέτρου της πυρκαγιάς, και δεύτερον η διαφοροποίηση και η χαρτογράφηση των δύο κυρίως κατηγοριών δασικής αναγέννησης, της τραχείας πεύκης (Pinus Brutia) και της μαύρης πεύκης (Pinus Nigra).
Μεθοδολογία
Η μεθοδολογία που ακολουθήθηκε στο λογισμικό e-cognition χωρίζεται σε δύο κυρίως βήματα: την κατάτμηση των εικόνων σε 3 επίπεδα και στη συνέχεια την ταξινόμηση των κατατμημένων εικόνων. Οι κλάσεις ανά επίπεδο είναι: Επίπεδο 1: “brutia not burned”, “brutia regeneration”, “nigra not burned”, “nigra regeneration”, και “other vegetation” Επίπεδο 2: “brutia regeneration”, “brutia not burned”, “nigra regeneration”.”nigra not burned”, και ‘other vegetation’. Επίπεδο 3: “burned’ και “not burned”.
Τα τρία επίπεδα κατάτμησης πραγματοποιήθηκαν σε σχετική κλίμακα 9 (Hyperion), 10 (Quickbird) και 100 (Landsat TM) αντίστοιχα, ενώ τα σχετικά βάρη της φασματικής υπογραφής (color) και του σχήματος των αντικειμένων (shape) τέθηκαν 0,9 και 0,1 αντίστοιχα. Μετά την κατάτμηση, ακολούθησε η ταξινόμηση των αντικειμένων στα τρία αυτά επίπεδα χρησιμοποιώντας την Ασαφή Λογική (Fuzzy Logic). Στο πρώτο επίπεδο, τα αντικείμενα της εικόνας Hyperion ταξινομήθηκαν με τη μέθοδο του εγγύτερου γείτονα (Nearest Neighbour) ορίζοντας κατάλληλα αντικείμενα ως περιοχές εκπαίδευσης για κάθε κλάση. Στο δεύτερο και το τρίτο επίπεδο χρησιμοποιήθηκε η μέθοδος των συναρτήσεων συμμετοχής (membership functions). Πιο συγκεκριμένα στο τρίτο επίπεδο, τα αντικείμενα της εικόνας Landsat TM ταξινομήθηκαν σε δύο κατηγορίες (καμένη και μη καμένη έκταση) με βάση την τιμή του λόγου της μέσης τιμής του εγγύς υπέρυθρου καναλιού (NIR- Near Infrared) προς το άθροισμα των μέσων τιμών όλων των φασματικών καναλιών. Τα αντικείμενα χαρακτηρίζονται ως μη καμένη έκταση όταν η τιμή του παραπάνω λόγου υπερβαίνει την τιμή 0,075. Τέλος, στο δεύτερο επίπεδο τα αντικείμενα της εικόνας Quickbird ταξινομήθηκαν χρησιμοποιώντας πληροφορίες από τα άλλα δύο επίπεδα. Για παράδειγμα, τα αντικείμενα του δεύτερου επιπέδου χαρακτηρίστηκαν ως “brutia regeneration” αν ήταν υπo-αντικείμενα (sub-objects) της κλάσης “burned” του τρίτου επίπεδου και ταυτόχρονα υπεραντικείμενα (super-objects της κλάσης “brutia regeneration” του πρώτου επιπέδου.
Αποτελέσματα
Η διαδικασία είχε ως αποτέλεσμα το διαχωρισμό των κλάσεων με βάση τα κριτήρια και τους στόχους που προαναφέρθηκαν. Στις Εικόνες 1 και 2 αναπαρίστανται συνδυασμοί των κλάσεων ταξινόμησης στο δεύτερο επίπεδο. Παρατηρούνται κάποιες συγχύσεις μεταξύ των κλάσεων “P. brutia regeneration” και “P. nigra regeneration”, οι οποίες αποδίδονται στην έλλειψη στην απουσία εκτενών και πυκνών ομογενών περιοχών αναγεννημένου πευκοδάσους. Ωστόσο, η εκτίμηση της συνολικής ακρίβειας έδωσε πολύ θετικά αποτελέσματα αγγίζοντας το 83,7%, με δείκτη Kappa 0,79. Η ακρίβεια που επιτεύχθηκε είναι 8% υψηλότερη σε σύγκριση με προηγούμενη δουλειά, κατά την οποία είχαν χρησιμοποιηθεί αποκλειστικά εικόνες Hyperion για την χαρτογράφηση των ίδιων κλάσεων.
Συμπεράσματα
Συνολικά, η συνδυασμένη χρήση υπερφασματικών εικόνων και εικόνων πολύ υψηλής χωρικής ανάλυσης οδήγησε σε ακριβή κατάταξη της βλάστησης ακόμα και σε επίπεδο είδους. Αντίθετα, η αποκλειστική χρήση πολυφασματικών (multispectral) εικόνων μπορεί να παραγάγει ακριβείς ταξινομήσεις μόνο σε επίπεδο γένους, ενώ η αποκλειστική χρήση υπερφασματικών εικόνων μπορεί να παραγάγει ταξινομήσεις σε επίπεδο είδους αλλά με μικρότερη ακρίβεια. Τέλος, σημειώνεται ότι η χρήση αντικειμενοστραφών μεθόδων ταξινόμησης είναι πολύ αποτελεσματική για την συνδυαστική ανάλυση εικόνων διαφορετικής χωρικής και φασματικής ανάλυσης.
Πηγή: George H. Mitri, Ioannis Z. Gitas, Mapping post-fire forest regeneration and vegetation recovery using a combination of very high spatial resolution and hyperspectral satellite imagery, International Journal of Applied Earth Observation and Geoinformation, Volume 20, February 2013, Pages 60-66.
