Αξιολόγηση της προστιθέμενης αξίας του Sentinel – 2 για τον εντοπισμό χτισμένων περιοχών

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση

Αξιολόγηση της προστιθέμενης αξίας του Sentinel – 2 για τον εντοπισμό χτισμένων περιοχών


Πρωτότυπος τίτλος: Assessment of the Added – Value of Sentinel – 2 for Detecting Built-up Areas

Συγγραφείς: Martino Pesaresi, Christina Corbane, Andreea Julea, Aneta J. Florczyk,Vasileios Syrris and Pierre Soille

Δημοσιεύθηκε: Remote Sensing, 2016, 8, 299

Η ανάγκη για ακριβείς, αξιόπιστες και έγκαιρες εκτιμήσεις της κάλυψης της γης του κόσμου σε επαρκώς λεπτομερείς χωροταξικές και θεματικές αποφάσεις υπογραμμίζεται από τις εθνικές και περιφερειακές αρχές τα διεθνή προγράμματα και την ερευνητική κοινότητα της παγκόσμιας αλλαγής. Συνεπώς, η μελέτη των ανθρωπογενών αλλαγών και η διαθεσιμότητα μεθοδολογιών και δεδομένων είναι αναγκαίες για την αειφόρο αστική ανάπτυξη σε παγκόσμια κλίμακα. Δορυφορικά δεδομένα ελεύθερα διαθέσιμα στο διαδίκτυο διευκολύνουν αυτή τη μελέτη. Ο πιο πρόσφατος δορυφόρος είναι ο Sentinel – 2, ο οποίος εκτοξεύθηκε τον Ιούνιο του 2015 και αποτελείται από 13 κανάλια με χωρική διακριτική ικανότητα τα 10 μέτρα. Σε συνδυασμό με τα δεδομένα ραντάρ του Sentinel – 1, προσφέρουν στο χρήστη εικόνες όσο το δυνατό με λιγότερα σύννεφα σε ιδανική κλίμακα για να μελετήσει τα ανάλογα φαινόμενα που εκτυλίσσονται στο χώρο.

Πρόσφατα αναπτύχθηκε μία νέα μέθοδος για την επιβλεπόμενη ταξινόμηση των δορυφορικών εικόνων με βάση τη συμβολική ανάλυση (Symbolic Learning) και την ανάλυση σχέσης (Association analysis). Αυτή η νέα προσέγγιση απέδειξε ότι είναι ικανή να επιλύσει το ζήτημα της παγκόσμιας επεξεργασίας δεδομένων πολλαπλών αισθητήρων και πολλαπλών χρονικών δεδομένων μεγάλης κλίμακας με σκοπό τη χαρτογράφηση του παγκόσμιου περιβάλλοντος σε διάστημα 40 ετών, ήδη χρησιμοποιήθηκε με επιτυχία στις εικόνες Landsat για τα έτη 1975, 1990, 2000 και 2014. Οι προκαταρκτικές δοκιμές της μεθόδου επιβεβαίωσαν την υψηλότερη ποιότητα των πληροφοριών σχετικά με τις κατοικημένες περιοχές που παραδόθηκαν από το Landsat-Global Layer Human Settlement Layer (Landsat-GHSL) σε σύγκριση με άλλα διαθέσιμα σφαιρικά στρώματα πληροφοριών. Στο GHSL, η κατηγορία των κατοικημένων περιοχών ορίζεται ως η ένωση όλων των χωρικών μονάδων που συλλέγονται από τον συγκεκριμένο αισθητήρα και περιέχουν ένα κτίριο ή μέρος αυτού.


Eικόνα 1:Η συμβολική εκμάθηση μηχανής (Symbolic Machine Learning) προσέγγιση για την ταξινόμηση των τηλεπισκοπικών δεδομένων


Σύνδεσμος πρωτότυπου κειμένου: [1]