Ένα πλαίσιο χαρτογράφησης των ειδών των δέντρων συνδυάζοντας υπερφασματικά δεδομένα και δεδομένα LIDAR
Από RemoteSensing Wiki
Τίτλος άρθρου: Ένα πλαίσιο χαρτογράφησης των ειδών των δέντρων συνδυάζοντας υπερφασματικά δεδομένα και δεδομένα LIDAR: ο ρόλος των επιλεγμένων ταξινομητών και του αισθητήρα σε τρεις χωρικές κλίμακες
Η γνώση της κατανομής των ειδών των δέντρων είναι σημαντική σε όλο τον κόσμο για την αειφόρο διαχείριση των δασών και την αξιολόγηση των πόρων. Η ακρίβεια και το περιεχόμενο της πληροφορίας των χαρτών που παράγονται με τη χρήση των εικόνων τηλεπισκόπισης ποικίλουν ανάλογα με την κλίμακα, τον αισθητήρα (οπτικός, LIDAR), τον αλγόριθμο ταξινόμησης, το σχεδιασμό επαλήθευσης και τις φυσικές συνθήκες, όπως είναι για παράδειγμα η ηλικία των δέντρων, η δομή του δάσους και η πυκνότητα. Οι φασματοσκοπικές εικόνες μειώνουν τις ανακρίβειες. Ωστόσο, η επίδραση με βάση την κλίμακα εξακολουθεί να έχει ακόμα μία ισχυρή επιρροή, η οποία δεν μπορεί να παραληφθεί.
Συλλογικά δεδομένα από δύο εναέριες απεικονίσεις (HyMAP) και μία διαστημική (Hyperion) απεικόνιση με μεγέθη των pixels 4,8 και 30m, αντίστοιχα ήταν διαθέσιμα για να εξετάσουν την επίδραση της κλίμακας πάνω από ένα κεντρικό ευρωπαϊκό δάσος. Το υπό εξέταση δάσος είναι ένα τυπικά διαχειρίσιμο δάσος με σχετικά ομοιογενείς συστάδες. Το μοντέλο της κανονικοποιημένης ψηφιακής επιφάνειας (Normalized Digital Surface Model ή NDSM) που προέρχεται από δεδομένα LIDAR, χρησιμοποιήθηκε επιπλέον για να εξετάσει την επίδραση του ύψους των πληροφοριών στη χαρτογράφηση των ειδών των δέντρων. Έξι διαφορετικά σύνολα των μεταβλητών πρόβλεψης (όπως είναι οι δείκτες βλάστησης) διερευνήθηκαν σε κάθε κλίμακα.
Για την κλίμακα, η ανάλυση των συνολικών τιμών της ακρίβειας και οι τιμές του k, έδειξαν ότι 8m χωρικής ανάλυση (που φτάνει τις τιμές του k πάνω από το 0,83) ξεπέρασε ελαφρώς τα αποτελέσματα που επιτεύχθηκαν στα 4m για την περιοχή μελέτης και για πέντε υπό εξέταση είδη δέντρων. Η εικόνα Hyperion με ανάλυση 30m παρήγαγε υγιή αποτελέσματα (τιμές του k πάνω από 0,70), τα οποία σε μερικές περιοχές της περιοχής υπό εξέταση ήταν συγκρίσιμες με εικόνες υψηλότερης χωρικής ανάλυσης κατά την ποιοτική αξιολόγηση των αποτελεσμάτων των χαρτών. Εξετάζοντας τα σύνολα των προβλεπόμενων δεδομένων εισαγωγής, οι ζώνες MNF απέδωσαν καλύτερα στις ακρίβειες 4 και 8m. Οι οπτικές ζώνες φάνηκαν να είναι καλύτερες για χωρική ακρίβεια 30m. Η ταξινόμηση με MNF παράγει καλύτερη οπτική εμφάνιση των ειδών των δέντρων σε σχέση με τους χάρτες αναφοράς. Με βάση την ανάλυση βγήκε το συμπέρασμα ότι δεν υπάρχει καμία σημαντική επίδραση του ύψους των πληροφοριών για τις ακρίβειες ταξινόμησης των ειδών των δέντρων για την περιοχή μελέτης. Επιπλέον, στις εξεταζόμενες περιπτώσεις δεν υπήρξε καμία καλύτερη επιλογή μεταξύ των δύο ταξινομητών στις κλίμακες και στις προβλέψεις τους. Επομένως, μπορεί να συναχθεί το συμπέρασμα ότι η χαρτογράφηση των ειδών των δέντρων από τη φασματοσκοπική απεικόνιση για τις δασικές περιοχές σε σύγκριση με μία περιοχή που βρίσκεται υπό εξέταση, είναι δυνατή με αξιόπιστες ακρίβειες, όχι μόνο από το σύνολο των αερομεταφερόμενων δεδομένων αλλά και από των διαστημικών της φασματοσκοπικής απεικόνισης.
Υπερφασματικό:
Τα αερομεταφερόμενα δεδομένα του HyMAP (με ακρίβεια 4 και 8m) προέρχεται από το DLR, διορθωμένο από ατμοσφαιρικές επιδράσεις και γεωαναφερμένο. Συγκεκριμένα, διορθώνεται ατμοσφαιρικά για να λάβει το συντελεστή ανάκλασης της επιφάνειας, χρησιμοποιώντας το ατμοσφαιρικό πρότυπο διορθώσεων και μείωσης της ελαφριάς ομίχλης. Η γεωμετρική διόρθωση των εικόνων έγινε με βάση τα καταγεγραμμένα στοιχεία πορειών τοποθέτησης και πτήσης σε σχέση με ένα υφιστάμενο τυποποιημένο ψηφιακό πρότυπο εκτάσεων (DEM).
LiDAR:
Για την επεξεργασία των σημείων με σύννεφα για να παραχθεί ένα nDSM, χρησιμοποιήθηκε το πακέτο λογισμικού TreesVis. Το nDSM υπολογίστηκε με την αφαίρεση ενός ψηφιακού προτύπου επιφάνειας (DSM) και εδάφους (DTM). Και τα δύο προήλθαν από τα αρχικά δεδομένα των σημείων με σύννεφα, χρησιμοποιώντας μία διαδικασία ενεργών συναρμολογήσεων της επιφάνειας που είναι βασισμένη σε έναν αλγόριθμο δύναμης.
Ο διαχωρισμός της φασματικής ανάκλασης και το ύψος του LiDAR για 5 δείγματα ειδών δέντρων, σε τρεις χωρικές αναλύσεις, παρουσιάζονται στην εικόνα 1.
Το πρόβλημα του προσδιορισμού των ειδών των δέντρων που χρησιμοποιεί τα στοιχεία τηλεπισκόπισης, είναι σύνθετο και περιλαμβάνει τέσσερα στοιχεία κλειδιά: τη χωρική και φασματική ανάλυση, τις εισαγόμενες προβλέψεις, τους ταξινομητές και τα χαρακτηριστικά των δασών. Ενώ η επίδραση της φασματικής ανάλυσης σχετικά με τους ταξινομητές έχει διερευνηθεί, ένα χάσμα γνώσης υπάρχει στην κατανόηση της αμοιβαίας αλληλεπίδρασης μεταξύ άλλων στοιχείων, όπως η χωρική ανάλυση και οι ταξινομητές.
Η διαδικασία χαρτογράφησης των ειδών των δέντρων παρατηρήθηκε συνεχώς για να είμαστε σε εξαρτώμενη κλίμακα. Με βάση τα αποτελέσματα της ακρίβειας της ταξινόμησης, συμπεράθηκε ότι η βέλτιστη χωρική ανάλυση για αυτή τη μελέτη είναι 8 m. Παρόλα αυτά, τα καλύτερα αποτελέσματα της εικόνας με μέγεθος pixel 4m παρήγαγε παρόμοιες ακρίβειες. Ο σταθερότερος ταξινομητής βρέθηκε σε χωρική ακρίβεια 8m, γεγονός που δείχνει ότι τα δείγματα δοκιμής αυτής της ακρίβειας δεν είναι ούτε πάρα πολύ ετερογενή (όπως στα 4m) ούτε πάρα πολύ ομοιογενή (όπως στα 30m). Επιπλέον, από την οπτική σύγκριση, παρατηρήθηκε ότι η διάκριση της σύνθεσης των ειδών μπορεί να απεικονιστεί καλύτερα σε 8m. Εν τούτοις τα αποτελέσματα που επιτεύχθηκαν από την ανάλυση των 30m ήταν εκπληκτικά υγιή και μπορεί να αναμένεται ότι με την εισαγωγή των επερχόμενων διαστημικών υπερφασματικών αισθητήρων με βελτιωμένο SNR, ακόμη καλύτερα αποτελέσματα μπορούν να επιτευχθούν. Επιπλέον, θα μπορούσε να ωφελήσει και να συνδυάσει αυτά τα νέα διαστημικά σύνολα με πληροφορίες LiDAR, οι οποίες απεικονίζουν και τη δασική δομή και δηλαδή έχουν μια αυξημένη δυνατότητα να βελτιώσουν τη διάκριση των ειδών έναντι των πληροφοριών που σχετίζονται με τα μέτρα των δασών ή την ηλικία. Εξετάζοντας, τα χρησιμοποιημένα στρώματα, συμπεραίνεται ότι το MNF παράγει καλύτερα αποτελέσματα για τα τρία σύνολα υπό εξέταση. Ο αρχικός συντελεστής ανάκλασης παρήγαγε τα ελαφρώς καλύτερα αποτελέσματα σε περίπτωση της εικόνας 30m. Μπορεί έτσι να υποτεθεί ένας ελαφρώς βελτιωμένος SNR, MNF θα είχε παράγει καλύτερα αποτελέσματα επίσης σε αυτή την κλίμακα.
Με βάση την παραπάνω ανάλυση, μπορούμε να καταλήξουμε στο συμπέρασμα ότι δεν υπάρχει κανένας σημαντικός αντίκτυπος υψηλών πληροφοριών για την ταξινόμηση των ειδών των δέντρων για την περιοχή μελέτης.
