Μελέτη της κάλυψης γης με βάση τους κανόνες γνώσης με τη χρήση υψηλής ανάλυσης εικόνων τηλεπισκόπησης

Από RemoteSensing Wiki

Έκδοση στις 22:19, 10 Μαΐου 2014 υπό τον/την Angelidou Maria (Συζήτηση | Συνεισφορές/Προσθήκες)
('διαφορά') ←Παλιότερη αναθεώρηση | εμφάνιση της τρέχουσας αναθεώρησης ('διαφορά') | Νεώτερη αναθεώρηση→ ('διαφορά')
Μετάβαση σε: πλοήγηση, αναζήτηση

Add Your Content Here


 Η εργασία αυτή ασχολείται με τους περιορισμούς της οπτικής ερμηνείας της υψηλής ανάλυσης εικόνων τηλεπισκόπησης και της αυτόματης ταξινόμησης εξαρτημένης πλήρως από την φασματικά δεδομένα του υπολογιστή.  Τα QuickBird δεδομένα τηλεπισκόπησης χρησιμοποιήθηκαν για την πειραματική μελέτη της ταξινόμησης των χρήσεων γης στη ζώνη μεταξύ αστικών και περιαστικών περιοχών στο Πεκίνο.  Τα αποτελέσματα δείχνουν ότι οι ελλείψεις των μεθόδων όπου μόνο φασματικά δεδομένα που χρησιμοποιούνται για την ταξινόμηση μπορούν να εξαλειφθούν, το πρόβλημα των παρόμοιων φασμάτων σε πολυφασματικές εικόνες μπορεί να λυθεί αποτελεσματικά για την ταξινόμηση από αντικείμενα του εδάφους, και σχετικά υψηλή ακρίβεια ταξινόμησης μπορεί να επιτευχθεί.
   Οι χρήσεις / κάλυψη γης είναι το πιο σημαντικό χαρακτηριστικό των τοπίων επί της επιφάνειας της γης, και έτσι έχει γίνει ένα σημαντικό μέρος των μελετών της παγκόσμιας αλλαγής. Προς το παρόν , η τεχνολογία της τηλεπισκόπησης είναι μία από τις πιο σημαντικές τεχνικές για την απόκτηση των δεδομένων χρήσεων/κάλυψης γης. Παλαιότερα, η οπτική κρίση ήταν η κύρια μέθοδος που χρησιμοποιούνταν για την εξαγωγή πληροφοριών από εικόνες τηλεπισκόπησης . Όμως η απόδοση της ήταν σχετικά χαμηλή. Ως εκ τούτου, η εξερεύνηση νέων μεθόδων απαιτείται, όπως για παράδειγμα η ανάπτυξη τεχνικών για εικόνες που σχετίζονται με την τεχνητή νοημοσύνη.

Eπεξεργασία και ανάλυση των δεδομένων

1. Συγχώνευση στοιχείων: Τα πειραματικά δεδομένα που χρησιμοποιήθηκαν ήταν QuickBird δορυφορικές εικόνες από τέσσερις φασματικές ζώνες που χρησιμοποιούνται για την πολυφασματική απεικόνιση και μία πανχρωματική ζώνη. Σημαντικό στοιχείο των μεθόδων συγχώνευσης είναι το λεγόμενο PCA, δηλαδή ένας πολυδιάστατος ορθογώνιος γραμμικός μετασχηματισμός βασισμένος σε ένα στατιστικό χαρακτηρισμό, ο οποίος χρησιμοποιείται κυρίως για τη συμπίεση δεδομένων και την ενίσχυση της εικόνας σε εφαρμογές τηλεπισκόπησης. Σε σύγκριση της μεθόδου αυτής φάνηκε η υπεροχή της έναντι άλλων αλγορίθμων. Έτσι, η μέθοδος PCA επιλέχτηκε για να συγχωνέυει QuickBird δεδομένα. Γεωμετρική διόρθωση των δορυφορικών εικόνων διεξήχθη πρώτα και , στη συνέχεια, ανάλυση των κύριων συνιστωσών ( PCA ), χρησιμοποιήθηκε για τη συγχώνευση των πολυφασματικών και παγχρωματικών δεδομένων. Έτσι, μια πολυφασματική εικόνα με ανάλυση 0,61 m θα μπορούσε να ληφθεί. Οι τέσσερις πολυφασματικές ζώνες στα δεδομένα QuickBird μετασχηματίστηκαν σε τέσσερα κύρια συστατικά της PCA . Η πρώτη κύρια περιείχε το συστατικό φασματικά δεδομένα που ήταν κοινές και για τις τέσσερις ζώνες . Η πρώτη κύρια συνιστώσα αντικαταστάθηκε στη συνέχεια από την QuickBird πανχρωματική ζώνη για να πραγματοποιήσει ένα PCA αντίστροφο μετασχηματισμό και να ολοκληρώσει τη συγχώνευση.

2. Ανάλυση των φασματικών χαρακτηριστικών: Η πειραματική περιοχή χωρίστηκε σε τύπους κάλυψης γης , δηλαδή τα κτίρια , οι δρόμοι , πρότυπο υδάτινων σωμάτων ( καμία ρύπανση και λίγα υδρόφυτων) ,μη συνηθισμένων υδάτινων σωμάτων ( μολυσμένο ή με ένα μεγάλο ποσοστό υδρόφυτων), δασικές εκτάσεις και χωράφια. Δειγματοληψία σε κλίμακα των γκρι διεξήχθη για όλα τα τυπικά αντικείμενα εδάφους που απαριθμούνται ανωτέρω , και στη συνέχεια ο μέγιστος, ο ελάχιστος και ο μέσος υπολογίστηκαν, έτσι ώστε καμπύλες φασματικής απόκρισης να μπορούσαν να υπολογιστούν.

3. Ανάλυση των χαρακτηριστικών υφής: Υφή ορίζεται ως η χωρική διακύμανση σε γκρι αξία , και είναι ανεξάρτητη από το χρώμα ή τη φωτεινότητα. Χρησιμοποιείται για να περιγράψει την οπτική ομοιογένεια των εικόνων , και είναι μια κοινή εγγενής ιδιότητα όλων επίγειων αντικειμένων .Η υφή περιγράφεται κυρίως από ιστογράμματα , το γκρι επίπεδο μήτρα συν-εμφάνισης , τοπικές στατιστικές και χαρακτηριστικά του φάσματος συχνοτήτων . Επειδή η ανάλυση υφής κάνει χρήση της ίδιας ζώνης , διεξήχθη κύρια συστατική ανάλυση των πολυφασματικών εικόνων. Η πρώτη κύρια συνιστώσα είναι αντιπροσωπευτική των περισσότερων από τις πληροφορίες σχετικά με αντικείμενα ,καθώς υλοποιεί την οριακή υφή πληροφοριών και τα βασικά χαρακτηριστικά του χρώματος .Η εργασία που περιγράφεται στο παρόν έγγραφο , χρησιμοποιεί τέσσερις στατιστικούς δείκτες πληροφοριών υφής , την αντίθεση ( CON ) , την εντροπία ( ENT ) , τη γωνιακή δεύτερη στιγμής ( ASM ) και ομοιογένειας ( HOMO ). Τα αποτελέσματα της ανάλυσης δείχνονται στον Πίνακα 1 .

4. Ανάλυση των χαρακτηριστικών σχήματος: Διαμορφώνουν πληροφορίες σχετικά με τα αντικείμενα εδάφους, τα οποία είναι ένα από τα κύρια χαρακτηριστικά των εικόνων τηλεπισκόπησης , αποτελούν σημαντικό βοήθημα για την εξαγωγή πληροφοριών σχετικά με αντικείμενα του εδάφους . Οι μέθοδοι για την ανακάλυψη πληροφοριών σχήματος για τα επίγεια αντικείμενα περιλαμβάνουν μεθόδους που βασίζονται σε περίμετρο και περιοχή , στην περιοχή μόνη της , και στον λόγο περιμέτρου της ζώνης. Διαπιστώθηκε ότι τα σχήματα των σκιών ήταν κατακερματισμένα σε σχεδόν ορθογώνια σχήματα , τα ποτάμια ήταν γραμμικά ,οι λίμνες ήταν σχεδόν κυκλικές και οι τομείς των υδατικών ήταν περισσότεροι από εκείνους των σκιών , στην περιοχή που μελετήθηκαν.

Θέσπιση κανόνων και την ταξινόμηση της γνώσης

Α. Κανόνες γνώσης

1. Δασικές εκτάσεις και χωράφια: Επειδή έχουν φασματικά χαρακτηριστικά που σχετίζονται με τη βλάστηση, οι τιμές ανακλαστικότητας δασικής και γεωργικής γης στην εγγύς υπέρυθρο ζώνη είναι σημαντικές περισσότερο από ότι εκείνες στην κόκκινη ζώνη. Με τη χρήση του δείκτη λόγου βλάστησης RVI= ζώνη 4/band 3, η τιμή κατωφλίου μπορεί να καθοριστεί, έτσι ώστε και οι δύο από αυτούς τους τύπους της γης να μπορούν να εξαχθούν από τις εικόνες. Κανόνας 1: RVI> 1.7 Κανόνας 2: 200 <ζώνη 4 <600 Κανόνας 3: ζώνη 4> 600

2. Πρότυπο υδατικών: Οι κανόνες 4 και 5 κατωτέρω ιδρύθηκαν για να εξάγονται πληροφορίες σχετικά με τη βασική υδάτινη μάζα, αλλά τα αποτελέσματα που εξάγονται έχουν αναμεμειγμένες και κάποιες πληροφορίες κτιρίων μαζί τους. Ο κανόνας 6 καθορίστηκε έτσι ώστε να αποσπάσει πληροφορίες για οργανισμούς τυποποίησης νερό. Οι κανόνες αυτοί είναι:

        Κανόνας 4: RVI < 1.
        Κανόνας 5: ζώνη 2  ζώνη 4 > 180.
        Κανόνας 6: HOMO > 140 and ENT < 120 and CON < 30.


3. Μη συνηθισμένες φορείς και τις σκιές του νερού: Σκιές και μη συνηθισμένα υδατικά συστήματα που έχουν ρυπανθεί ή όπου πολλ;a υδρόφυτα μεγαλώνουν έχουν χαμηλές φασματικές τιμές σε όλες τις ζώνες , και υπάρχει μια σημαντική διαφορά μεταξύ των πράσινων και κόκκινων ζωνών . Έτσι δημιουργήθηκαν οι κανόνες 7 και 8.Με την εξέταση πληροφοριών σχήματος για τις σκιές και μη συνηθισμένα υδατικά συστήματα , πληροφορίες σχετικά με τα ποτάμια και τις μεγάλες λίμνες μπορούν να εξαχθούν σύμφωνα με τον κανόνα9. Χρησιμοποιώντας ένα δείκτη σχήματος k = p (a / p) (όπου ρ και α είναι η περίμετρος και η περιοχή , αντίστοιχα) , οι σκιές και τα μη συνηθισμένα υδατικά συστήματα που έχουν ρυπανθεί ή όπου πολλά των υδρόφυτων μεγαλώνουν μπορούν να διαφοροποιηθούν ανάλογα με τον κανόνα 10. Οι κανόνες αυτοί είναι οι εξής: Κανόνας 7 : ζώνη 4 < 200 και της ζώνης 3 < 180 . Κανόνας 8 : ζώνη 2 ; ζώνη 3 > 150 . Κανόνας 9 : περιοχή > 11.000 . Κανόνας 10 : k > 0.27 .

4. Κτίρια και δρόμοι:Έχει δειχθεί ότι τα παραπάνω αντικείμενα εδάφους μπορεί να εξαλειφθούν εντελώς απλά κάνοντας χρήση της φασματικής πληροφορίας. Έτσι , εάν οι κανόνες 1 , 4 , 5 , 7 και 8 ακυρώνονται στην βάση δεδομένων της γνώσης , μικτές εικόνες που περιέχουν μόνο τα κτίρια και τους δρόμους μπορούν να ληφθούν. Σύμφωνα με τα αποτελέσματα της ανάλυσης για χαρακτηριστικά υφής στον Πίνακα 1 , οι δείκτες υφή μπορεί να χρησιμοποιηθούν για περαιτέρω διαφοροποίηση μεταξύ των κτιρίων και των δρόμων. Κανόνας 11 ιδρύθηκε για το σκοπό αυτό. Οι κηλίδες μη οδικών αναμιγνύεται στο εκχύλιση ταυτόχρονα. Με τη χρήση ενός δείκτη στρογγυλότητας c = p2 / α ( για να περιγράψει το βαθμό που το σχήμα ενός αντικειμένου μπορεί να προσεγγιστεί από έναν κύκλο ),ο κανόνας 12 χρησιμοποιήθηκε για να εξαλείψει τα περισσότερα από τα σχεδόν κυκλικά σημεία μη οδικών που ήταν πάρα πολύ μεγάλα ή πολύ μικρά. Οι κανόνες αυτοί είναι οι εξής: Κανόνας 11 : HOMO > 90 και CON < 70 και ASM < 70 . Κανόνας 12 : c > 70 .


Β. Επεξεργασία μετά την ταξινόμηση

Όταν η ταξινόμηση των εικόνων με pixel πραγματοποιηθεί, τα δεδομένα μετά την ταξινόμηση εμφανίζουν συχνά κάποιους λεγόμενους αλάτι-πιπέρι θορύβους λόγω της επιρροής της εγγενούς εναλλαξιμότητα των φασμάτων. Αφού εκτελεστεί η ταξινόμηση, ανάλυση συστάδων  χρησιμοποιείται για να πραγματοποιήσει διαγραφή τύπου και τύπου ενοποίηση, και μια 

εικόνα ταξινόμησης λαμβάνεται τελικά.

Γ. Αξιολόγηση της ακρίβειας:

Από ένα σύνολο 600 δειγμάτων για την παρούσα μελέτη βγήκαν τα εξής συμπεράσματα: τα ποσοστά ακρίβειας έφταναν το 80-90%, πράγμα που σημαίνει οτι η ταξινόμηση ήταν αποτελεσματική και έχει πρακτική εφαρμογή.

ΣΥΜΠΕΡΑΣΜΑΤΑ:

1. Πολλά αντικείμενα του εδάφους με παρόμοια φάσματα δεν μπορούν να διαφοροποιηθούν ακριβώς βάσει των φασματικών πληροφοριών. Ωστόσο, η κατάταξη με τη χρησιμοποίηση υφής και το χαρακτηριστικό σχήμα ως βοήθημα μπορεί να λύσει αποτελεσματικά τα προβλήματα της διαφοροποίησης των μειγμάτων όπως τα διαφορετικά αντικείμενα με παρόμοια φάσματα », και η ακρίβεια εκχύλισης αντικείμενου να αυξηθεί. 2. Κύριο συστατικό μετασχηματισμού ήταν μια αποτελεσματική μέθοδος για την εκτέλεση της συγχώνευσης του παγχρωματικού QuickBird και πολυφασματικών δεδομένων, όταν οι κανόνες της γνώσης ήταν να χρησιμοποιηθούν για να ταξινομήσουν τις εικόνες. Στις εικόνες μετά την συγχώνευση, δεν ήταν μόνο τα φασματικά χαρακτηριστικά σημαντικά, αλλά και η γεωμετρική δομή και η πληροφορία υφής εμπλουτίστηκε. Ως εκ τούτου, η φασματική και χωρική πληροφορία στις εικόνες θα μπορούσε να εξαχθεί πλήρως και στη συνέχεια το σύνολο των πληροφοριών θα μπορούσε να εφαρμοστεί πλήρως σε μια κατάταξη μελέτης. 3. Η μέθοδος ταξινόμησης αυτή μπορεί αποτελεσματικά να αυξήσει την ακρίβεια ταξινόμησης των αντικειμένων εδάφους και θα μπορούσε να προσφέρει θεωρητικές βάσεις και προσεγγίσεις για την αυτοανοσοποίηση της κάλυψης της γης. Η μέθοδος αναμένεται να είναι εφαρμόσιμη σε ένα ευρύ φάσμα υψηλής χωρικής ανάλυσης και αίσθησης εικόνες από διαφορετικές πηγές δεδομένων, με καλές προοπτικές για τη μελέτη της κάλυψης της γης σε ένα ευρύ φάσμα καταστάσεων και την εξαγωγή λεπτομερών πληροφοριών για ανάλυση.

Προσωπικά εργαλεία