Η εφαρμογή της τηλεπισκόπησης για την αναγνώριση και την μέτρηση σφραγισμένων περιοχών σε αστικά περιβάλλοντα
Από RemoteSensing Wiki
The application of remote sensing to identify and measure sealed areas in urban environments
ΣΥΓΓΡΑΦΕΙΣ: M. Kampouraki, G. A. Wood, T. Brewer
Πηγή: [1]
1. Παρουσίαση του προβλήματος
Ο χαρακτηρισμός της περιβαλλοντικής ποιότητας των αστικών τοπίων, όπως για παράδειγμα η πυκνότητα και η εξάπλωση του δομημένου περιβάλλοντος, η ποιότητα του κλίματος, η αναλογία πράσινων περιοχών και οι αδιαπέραστες επιφάνειες, είναι δείκτες – κλειδιά για την βιώσιμη ανάπτυξη. Οι αδιαπέραστες επιφάνειες αποτελούνται από οποιοδήποτε υλικό, φυσικό ή τεχνητό, το οποίο εμποδίζει την εισχώρηση νερού στα υποκείμενα στρώματα. Ως αποτέλεσμα, οι αδιαπέραστες επιφάνειες, όχι μόνο υποδεικνύουν την αστικοποίηση, αλλά αποτελούν βασικούς παράγοντες στις περιβαλλοντικές επιπτώσεις που αυτή θα έχει.
2. Σκοπός της εφαρμογής
Αρκετές μελέτες έχουν χρησιμοποιήσει δορυφορικές εικόνες για τη χαρτογράφηση αστικής κάλυψης και χρήσης γης, παράλληλα με τη μοντελοποίηση πράσινων περιοχών και την επιφανειακή στεγανότητα. Το τελευταίο διάστημα, η παρακολούθηση του ποσοστού των σφραγισμένων εδαφών σε αστικά περιβάλλοντα έχει ιδιαίτερο ενδιαφέρον, ως παράγοντας - κλειδί για τη βιώσιμη χρήση γης. Ο στόχος αυτής της έρευνας, είναι να προσδιορίσει μία κατάλληλη μεθοδολογία για να ταξινομεί σφραγισμένες εδαφικές και πράσινες επιφάνειες στα αστικά περιβάλλοντα με τη χρήση τηλεπισκοπικών δεδομένων. Η πρόθεση είναι η αξιολόγηση της πιθανότητας χαρτογράφησης σφραγισμένων εδαφών σε πόλεις του Ηνωμένου Βασιλείου με λεπτομέρεια και όχι σε οικοδομικά τετράγωνα. Η περιοχή μελέτης είναι η πόλη του Cambridge, στο Ηνωμένο Βασίλειο.
3. Μεθοδολογία
Δεκαοχτώ δείγματα (250x250m) επιλέχθηκαν στην τύχη από την περιοχή για να αποτελέσουν τη βάση για την ερμηνεία αεροφωτογραφιών. Ένας βασικός χάρτης παρήχθη, αναπτύσσοντας και εφαρμόζοντας μία ερμηνεία – κλειδί της επιλεγμένες αεροφωτογραφίας, η οποία περιλαμβάνει μια οπτική ταξινόμηση των δειγμάτων. Γι’ αυτό το σκοπό, το OS MasterMap [2] , το οποίο περιέχει βασικά πολύγωνα, τα οποία οριοθετούν την υποδομή του δικτύου μεταφορών, τα οικιστικά και εμπορικά κτίρια, χρησιμοποιήθηκε ως επικάλυψη της αεροφωτογραφίας του Cambridge. Σε κάθε τμήμα γης στα τοπογραφικά δεδομένα διατέθηκε ένα κομμάτι των παρακάτω καλύψεων γης : i) σφραγισμένες περιοχές, ii) βλάστηση, ii) δέντρα, iv) γυμνό έδαφος, v) νερό. Οι αναλογίες υπολογίστηκαν οπτικά και περιορίστηκαν σε ακρίβεια της τάξης του 25% (0, 25, 50, 75, 100). Οι σφραγισμένες περιοχές θεωρήθηκε ότι δημιουργούνται από τις κτιριακές υποδομές και όχι από την αποξήρανση ή τη συμπίεση του εδάφους. Οι δορυφορικές εικόνες ταξινομήθηκαν ως περιοχές βλάστησης ή μη βλάστησης, καθώς αυτό θεωρήθηκε ένα αποδεκτό υποκατάστατο για την μη σφραγισμένες και σφραγισμένες περιοχές αντίστοιχα. Η χρήση συνδυασμών καναλιών από το ερυθρό και εγγύς υπέρυθρο μήκος κύματος, παρέχει την καλύτερη δυνατότητα διαχωρισμού της βλάστησης. Το πιο χαρακτηριστικό παράδειγμα είναι ο δείκτης NDVI (Normalized Difference Vegetation Index) που υπολογίζεται ως εξής : NDVI = (Κ4-Κ3)/(Κ4+Κ3), όπου Κ4 είναι το εγγύς υπέρυθρο κανάλι και Κ3 το ερυθρό κανάλι. Η ταξινόμηση με βάση τον δείκτη αυτό αποτελείται από τρία στάδια : i) ορισμός ενός τυπολογίου κάλυψης γης, ii) «εκπαίδευση», δηλαδή την αντιστοίχιση pixels από περιοχές με γνωστές χρήσεις γης με την πραγματική ταξινόμηση που γίνεται, iii) αξιολόγηση της ακρίβειας. Το τυπολόγιο καλύψεων γης εξήχθη από τις κατηγορίες χρήσεων γης που παρατηρούνται στην υψηλής ευκρίνειας αεροφωτογραφία και ανάλογα κατανέμονται στις τάξεις σφραγισμένων ή μη σφραγισμένων περιοχών. Όσον αφορά στην εκπαίδευση, η αεροφωτογραφία του Cambridge χρησιμοποιήθηκε για να επιλεγούν τα pixels εκπαίδευσης σε φωτογραφίες QuickBird [3] και για τη δημιουργία τάξεων για την επιβλεπόμενη ταξινόμηση χρησιμοποιήθηκε το λογισμικό ERDAS Imagine [4]. Η εικόνα του NDVI ταξινομήθηκε με επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας. Στην συνέχεια έγινε αναταξινόμηση σύμφωνα με το δυαδικό σύστημα σφραγισμένων και μη περιοχών και εξήχθη στο GIS για να γίνει η επικάλυψη με τα δεδομένα του OS MasterMap. Τέλος, η ακρίβεια της ταξινόμησης αξιολογήθηκε με σύγκριση με τους βασικούς χάρτες που δημιουργήθηκαν από την οπτική ερμηνεία των αεροφωτογραφιών για τα δεκαοχτώ δείγματα, όπως περιγράφηκε παραπάνω.
4. Αποτελέσματα και σχολιασμός
Τα αποτελέσματα των δύο μεθόδων ταξινόμησης αναλύθηκαν με την προσέγγιση του συνδυαστικού πίνακα. Ένας τέτοιος πίνακας αντιπαραβάλλει την συχνότητα των συνδυασμών κλάσεων(0, 25, 50, 75, 100% σφραγισμένη περιοχή) στην ψηφιακή ταξινόμηση με την αντίστοιχη έρευνα δειγμάτων από την ταξινόμηση στην αεροφωτογραφία. Ο διαγώνιος άξονας αντιπροσωπεύει τη συμφωνία μεταξύ των δύο μεθόδων. Η συνολική χαρτογραφική ακρίβεια υπολογίστηκε περίπου στο 75%. Η σχετικά χαμηλή αυτή τιμή οφείλεται στη χονδροειδή ακρίβεια της αεροφωτογραφικής ερμηνείας και στη χρήση μεθόδων ταξινόμησης βασισμένων σε pixels. Η μεθοδολογία που περιγράφηκε, είναι τα πρώτα αποτελέσματα μίας συνεχόμενης έρευνας. Στο μέλλον, αντικειμενοστρεφή προγράμματα ανάλυσης (eCognition) θα διερευνηθούν, ώστε να παρέχουν μια αντικειμενική προσέγγιση της οπτικής ερμηνείας και να βελτιώσουν την αποτελεσματικότητα και την ακρίβεια. Το eCognition αναμένεται επίσης να χρησιμοποιείται ως ο βασικός ταξινομητής της ανάλυσης των δορυφορικών δεδομένων.
