Παρακολούθηση της Αστικής Κάλυψης Δέντρων με τη Χρήση Αντικειμενοστραφούς Ανάλυσης Εικόνας και Απομακρυσμένων Δεδομένων.

Από RemoteSensing Wiki

Έκδοση στις 00:34, 20 Φεβρουαρίου 2018 υπό τον/την Sofistab (Συζήτηση | Συνεισφορές/Προσθήκες)
('διαφορά') ←Παλιότερη αναθεώρηση | εμφάνιση της τρέχουσας αναθεώρησης ('διαφορά') | Νεώτερη αναθεώρηση→ ('διαφορά')
Μετάβαση σε: πλοήγηση, αναζήτηση

Παρακολούθηση της Αστικής Κάλυψης Δέντρων με τη Χρήση Αντικειμενοστραφούς Ανάλυσης Εικόνας και Απομακρυσμένων Δεδομένων.


Πρωτότυπος τίτλος: Monitoring Urban Tree Cover Using Object-Based Image Analysis and Public Domain Remotely Sensed Data

Συγγραφείς:L. Monika Moskal, Diane M. Styers and Meghan Halabisky

Σύνδεσμος πρωτότυπου κειμένου: [1]


ΠΕΡΙΛΗΨΗ

Τα δασικά αστικά οικοσυστήματα προσφέρουν μια μεγάλη σειρά κοινωνικών και οικολογικών υπηρεσιών, αλλά εξαιτίας της ετερογένειας των καλύψεων το χωρικό τους μέγεθος είναι δύσκολο να ποσοτικοποιηθεί και να παρακολουθηθεί. Οι παραδοσιακές μέθοδοι ταξινόμησης ανά πίξελ έχουν ήδη χρησιμοποιηθεί για την χαρτογράφηση αστικών καλύψεων, ωστόσο οι τεχνικές αυτές δεν είναι ευρέως κατάλληλες για τη μεταβλητότητα των τοπίων αυτών. Οι εικόνες Landsat έχουν ιστορικά χρησιμοποιηθεί για την κάλυψη ανά πίξελ (LULC), αλλά η χωρική ανάλυση περιορίζει τη δυνατότητα χαρτογράφησης μικρών αστικών χαρακτηριστικών. Σε τέτοιες περιπτώσεις, προτιμώνται τεχνικές υπερχωρικής ανάλυσης εικόνας όπως η εναέρια ή η δορυφορική κάλυψη με ανάλυση 1 μέτρου ή και λιγότερο. Η αντικειμενοστραφής ανάλυση εικόνας (OBIA) επιτρέπει την ενσωμάτωση επιπρόσθετων μεταβλητών όπως υφή, σχήμα, περιεχόμενο καθώς άλλων γνωστικών πληροφοριών με σκοπό τη βελτίωση των ταξινομήσεων. Στην παρούσα έρευνα, έχει δημιουργηθεί LULC ταξινόμηση σε μια πιλοτική περιοχή μελέτης στις HΠΑ (Seattle, WA), χρησιμοποιώντας τεχνικές OBIA και ελεύθερα διαθέσιμες εναέριες φωτογραφίες. Στη συνέχεια, αναλύθηκαν οι διαφορές στον τομέα της ακρίβειας ο οποίος μπορεί να επιτευχθεί με OBIA χρησιμοποιώντας πολυφασματική και πραγματικού χρώματος εικόνα. Τα αποτελέσματα συγκρίθηκαν με δορυφορικό OBIA LULC και συζητήθηκαν οι επιπτώσεις της τεχνικής ανά πίξελ έναντι της τεχνικής OBIA στα διάφορα χωρικά δείγματα. Ως αποτέλεσμα, προέκυψε ότι η προσέγγιση μέσω OBIA μπορεί να παράγει καλές και επαναλαμβανόμενες LULC ταξινομήσεις, κατάλληλες για την κάλυψη δέντρου στις αστικές περιοχές. Ένα επιπλέον σημαντικό εύρημα είναι ότι το φασματικό περιεχόμενο φαίνεται να είναι πιο σημαντικό από την χωρική λεπτομέρεια των υπερχωρικών δεδομένων στην τεχνική OBIA LULC.

ΕΙΣΑΓΩΓΗ

Τα αστικά τοπία αποτελούν ένα μοναδικό συνδυασμό φυσικού και χτισμένου περιβάλλοντος. Το φυσικό σύστημα με τις οικολογικές του υπηρεσίες αποτελεί βασικό κλειδί στην υποδομή μιας πόλης. Για παράδειγμα, το αστικό δέντρο κάλυψης μιας πόλης μπορεί να θεωρηθεί και ως τοπικό σύστημα διαχείρισης του βρόχινου νερού, με πολλά πλεονεκτήματα (φιλτράρισμα ρύπανσης, ελάττωση πλημμύρας, κλπ). Ωστόσο η δυνατότητα ποσοτικοποίησης και παρακολούθησης αυτών των υπηρεσιών εξαρτάται από τις εκτιμήσεις του δέντρου κάλυψης, το οποίο μπορεί ταυτόχρονα να χρησιμοποιηθεί για τη βελτιστοποίηση της υγείας και αντοχής του οικοσυστήματος. Αυτές οι επιπτώσεις συνήθως επιτυγχάνονται με χωρικές μεθόδους κυρίως σε ιδιωτικά χωρικά συστήματα. Επιπλέον, ελάχιστες πόλεις έχουν επαρκή προσωπικό ή οικονομικούς πόρους, στοιχεία απαραίτητα για την επίτευξη σχεδιασμού και διαχείρισης στόχων σχετικών με τις επιπτώσεις των αστικών δασών. Οι απομακρυσμένες ανιχνεύσιμες μέθοδοι μπορούν να αποδώσουν ένα σύνολο δεδομένων που μπορεί να χρησιμοποιηθεί ως δείγμα μελέτης και αυτό μπορεί να υλοποιηθεί με σύντομο και οικονομικό τρόπο, αποδίδοντας ταυτόχρονα χρήσιμες πληροφορίες και για δύσβατες περιοχές. Με τον τρόπο αυτό, υπάρχουν τα μέσα μέτρησης και παρακολούθησης, κατά τη διάρκεια του χρόνου, πολύπλοκων αστικών περιοχών σε συνδυασμό με τη δυναμικότητα των οικολογιών τους μέσω, για παράδειγμα, των χωρικών μετρήσεων. Έτσι, οι μελέτες κάλυψης δέντρου και οι μετρήσεις των δασικών δομών είναι χρήσιμες στο να βοηθήσουν μια πόλη να ποσοτικοποιήσει την τωρινή κάλυψη δέντρου, επιβλέποντας και τις περιοχές με κέρδος ή ζημία κάλυψης, παρακολουθώντας τις τάσεις με το πέρασμα του χρόνου. Τα δεδομένα αυτά μπορούν να χρησιμοποιηθούν στην ίδρυση προστατευτικών δομών, συμβάλλοντας στη διαχείριση του οικοσυστήματος στις αστικές περιοχές και εντοπίζοντας περιοχές που απαιτούν δεντροφυτεύσεις. Οι ταξινομήσεις LULC (Land use/land cover) συχνά χρησιμοποιούνται στην οπτικοποίηση αστικών περιοχών και στην ποσοτικοποίηση διαφόρων χαρακτηριστικών του περιβάλλοντος. Η έννοια Land cover αναφέρεται στα φυσικά και μη αντικείμενα που επικαλύπτουν μια χωρική επιφάνεια, ενώ η έννοια Land use αναφέρεται στις ανθρώπινες χρήσεις της επιφάνειας. Οι τεχνικές της απομακρυσμένης ανίχνευσης δεδομένων, εντοπίζουν χαρακτηριστικά της επιφάνειας της Γης, αλλά απαιτείται ειδικός για την εξαγωγή συμπερασμάτων σχετικά με σχήμα, υφή, δομή, περιεχόμενο κλπ, ώστε να προκύψουν συμπεράσματα για τη χρήση από την κάλυψη. Οι ταξινομήσεις συνήθως χρησιμοποιούν το ιεραρχικό σύστημα Anderson (Πίνακας 1), με κλάσεις LULC σε επίπεδα Ι και ΙΙ ακόμα και ΙΙΙ ή περισσότερο. Η χρήση και κάλυψη γης πρέπει να αποδοθεί με μεγάλη λεπτομέρεια ώστε να είναι εφικτή η χρήση της για το σχεδιασμό πόλεων και τη διαχείριση αστικών περιοχών.

Πίνακας 1. To σύστημα ιεραρχικής ταξινόμησης του Anderson, καταδεικνύοντας παραδείγματα επιπέδου Ι-ΙΙΙ για αστικές και δασικές εκτάσεις. Μόνο οι κλάσεις σε κόκκινο και πράσινο έχουν επεκταθεί περισσότερο στις ιεραρχίες.

Το 2006, στην πόλη του Seattle, με βάση την Περιβαλλοντική Αντζέντα Δράσης, αποφασίστηκε αύξηση στην αστική κάλυψη δέντρου από 18% σε 30% μέσα στα επόμενα 30 έτη. Ο φιλόδοξος αυτός στόχος, αναμένεται να αποδώσει τις διαφορές και τις επιπτώσεις αυτών ανάμεσα στην τωρινή και μελλοντική κάλυψη, αυξάνοντας ταυτόχρονα τις αστικές δασικές εκτάσεις. Για τους λόγους αυτούς, το 2007, υλοποιήθηκε μια ανεξάρτητη μελέτη κάλυψης δέντρου με απομακρυσμένα ανιχνεύσιμα δεδομένα από την NCDC (Native Communities Development Corporation), με υψηλής ανάλυσης χωρικά ή υπερχωρικά δεδομένα, για παράδειγμα εικόνες δορυφόρου QuickBird αναφέρθηκαν σε ποσοστό 22.9%. Ανάλογα προγράμματα παρακολούθησης είναι απαραίτητα και σε άλλες περιοχές που ενδιαφέρονται να διατηρήσουν ή να αυξήσουν την κάλυψη δέντρου. Με τέτοια προγράμματα, είναι εφικτό να εντοπιστεί η κάλυψη δέντρου στο παρελθόν, στο παρόν αλλά και στο πόση θα είναι μελλοντικά ώστε να είναι επιτεύξιμοι οι στόχοι του προγράμματος. Οι παραδοσιακές μέθοδοι ταξινόμησης ανά πίξελ, χρησιμοποιούν Landsat δορυφόρου εικόνα για να αποδώσουν LULC χάρτες (π.χ. 2001 National Land Cover Database) αποδίδοντας ατομικά πίξελ σε συγκεκριμένη κλάση βασισμένα σε μια μοναδική φασματική υπογραφή. Τέτοιου τύπου δεδομένα (περιλαμβάνουν Landsat, AVHRR και MODIS), έχουν μεγαλύτερες φασματικές επεκτάσεις (Landsat) και προσωρινές επεκτάσεις (AVHRR, MODIS) σε σχέση με τον υπερχωρικό δορυφόρο (QuickBird, IKONOS) και της εναέριας φωτογράφησης (US National Agricultural Imagery Program—NAIP). Έτσι, αυτού του τύπου δεδομένα έχουν διαδραματίσει ήδη βασικό ρόλο σε μικρές αλλά και μεγαλύτερες εκτάσεις. Ωστόσο η χωρική ανάλυση της εικόνας Landsat (30 m) περιορίζει τη δυνατότητα αναγνώρισης και χαρτογράφησης σημαντικών χαρακτηριστικών. Ειδικά, στις ετερογενείς καλύψεις των αστικών περιοχών, οι κλίμακες ανάλυσης αποτελούν μιας ειδική πρόκληση. Είναι πλέον γενικά παραδεκτό ότι η μέτρια ανάλυση εικόνας δεν είναι κατάλληλη για LULC χαρτογράφηση ετερογενών αστικών περιοχών. Μια σχετικά νέα μέθοδος ταξινόμησης, η αντικειμενοστραφής ανάλυση εικόνας (OBIA), ή αλλιώς ανάλυση χαρακτηριστικών, φαίνεται ότι αποδίδει καλύτερα σε υπερχωρικά ή εναέρια δεδομένα εικόνων καθώς και σε LiDAR, αποδίδοντας επιπλέον μεταβλητές όπως σχήμα, υφή, κλπ με σκοπό την ταξινόμηση των χαρακτηριστικών των εικόνων. Το αποτέλεσμα είναι η βελτίωση της ακρίβειας των αποτελεσμάτων, επιτρέποντας τη χαρτογράφηση ακόμα και πολύ μικρών αστικών χαρακτηριστικών όπως ώριμα δέντρα, μικρές ομάδες θάμνων κλπ. Επιπλέον, έχει δειχτεί ότι οι προσεγγίσεις μέσω ταξινόμησης ανά πίξελ, αν και κατάλληλες για Landsat εικόνες, τις υπερβαίνει η τεχνική OBIA σε αστικές, προαστικές, αγροτικές περιοχές ειδικά στις περιπτώσεις όπου η κάλυψη δέντρου είναι περίπλοκη και ετερογενής. Επιπλέον βασικό στοιχείο της τεχνικής OBIA, είναι ότι μπορεί να χρησιμοποιηθεί σε ελεύθερα προσβάσιμες υπερχωρικές NAIP εικόνες, κάτι που είναι σχετικά περιορισμένο στον αριθμό των διαθέσιμων φασμάτων. Οι εικόνες NAIP έχουν εθνική επέκταση, προσφέρουν επαναληπτικότητα, επιτρέπουν χωρικές και φασματικές συγκρίσεις και μπορούν να ταξινομηθούν στο να προσφέρουν λεπτομερείς LULC χαρτογραφήσεις για αστικό σχεδιασμό,διαχείριση και επιστημονική έρευνα. Η τεχνική OBIA σε NAIP εικόνες έχει χρησιμοποιηθεί και σε άλλες εφαρμογές, ειδικά στην ανίχνευση υγρότοπων, αλλά η χρησιμότητά της στην χαρτογράφηση αστικής κάλυψης δέντρου δεν έχει ακόμα διερευνηθεί. Αυτός είναι και ο σκοπός της παρούσας έρευνας. Ειδική προσοχή δίνεται στην ανάπτυξη μεθόδου η οποία όχι μόνο αποφαίνεται για το πλήθος ή την έκταση της κάλυψης δέντρου, αλλά προσφέρει και την χωρική τοποθέτηση αυτής. Η παρούσα έρευνα, στοχεύει στην ανάπτυξη ενός επαναλμβανόμενου αλγορίθμου με ικανότητα προσαρμογής σε εικόνες άλλων χωρικών ή φασματικών αναλύσεων επιτρέποντας την ενοποίηση και άλλων πηγών δεδομένων. Ως επιμέρους στόχοι είναι (1) η δημιουργία ευέλικτου αλγορίθμου, (2) ο έλεγχος της απόδοσης του αλγορίθμου σε εικόνες διαφορετικών χωρικών και φασματικών αναλύσεων, (3) η πρόσβαση στην ακρίβεια και στις επιπλοκές της κάλυψης δέντρου μέσω των ταξινομήσεων που προκύπτουν, στοχεύοντας στην ανάπτυξη μιας ακριβούς επαναλαμβανόμενης μεθόδου για μελλοντικές εικόνες και σε άλλες τοποθεσίες.

ΜΕΘΟΔΟΙ

Εικόνα 1. Παραδείγματα αδιάβροχων επιφανειών εδάφους.

Περιοχή Μελέτης:Δημιουργήθηκε ένας αλγόριθμος OBIA για μια μικρή περιοχή με αποκλίσεις στο Seeatle, WA των ΗΠΑ. H μοναδικότητα της περιοχής σχετίζεται με μια πλούσια κάλυψη δέντρου που κυρίως οφείλεται στο έδαφος και στο μικροκλίμα, ως αποτέλεσμα της τοπογραφίας αλλά και της ανθρώπινης δραστηριότητας. Η επιλογή της περιοχής μελέτης (η οποία από εδώ και πέρα θα αποκαλείται ως κοιλάδα Rainier) σχετίζεται με το γεγονός ότι θεωρείται ως μια από τις περιοχές με τις μεγαλύτερες πολιτισμικές αποκλίσεις στις ΗΠΑ, με πλήθος κοινωνικών και οικονομικών χαρακτηριστικών που ενδέχεται να επηρεάζουν την αστική κάλυψη δέντρου.

Πίνακας 2. Περίληψη του συνόλου δεδομένων.

Σύνολο Δεδομένων: Χρησιμοποιήθηκαν δύο τύποι απομακρυσμένης ανίχνευσης δεδομένων για την ταξινόμηση με την τεχνική ΟΒΙΑ, στην παρούσα έρευνα και επιπλέον συγκρίθηκαν τα αποτελέσματα με ανεξάρτητη μελέτη η οποία δημιουργήθηκε για την πόλη του Seattle με την ΟΒΙΑ τεχνική. Επίσης χρησιμοποιήθηκε η 2001 National Land Cover Database (NLCD), με ανάλυση (30 m) % κάλυψη από το κάθε πίξελ με εικόνες Landsat δορυφόρου, παραγόμενες από την Αμερικανική Γεωλογική έρευνα (καθώς τα δεδομένα του 2006 δεν ήταν διαθέσιμα, κατά την περίοδο της έρευνας). Το σύστημα αναφοράς που χρησιμοποιήθηκε ήταν NAD 1983/UTM Zone 10N, με σκοπό τον εντοπισμό μικρών χαρακτηριστικών για την παραγωγή λεπτομερούς ταξινόμησης. Τα δεδομένα, οι ημερομηνίες, οι πηγές, οι περιγραφές και οι χρήσεις αυτών παρατίθενται περιληπτικά στον πίνακα 2.

Εικόνα 2. Παραδείγματα από κατατμήσεις της εικόνας αντιπροσωπευτικές των περιγραφόμενων LULC κλάσεων. Τα πολύγωνα κυανού χρώματος δείχνουν παράδειγμα της κλάσης LULC οριοθετημένα από την ΟΒΙΑ κατάτμηση.

Τα βασικά βήματα της μεθόδου περιελάμβαναν (1) βασική κατάτμηση με χρήση επιπέδων, (2) επιπλέον κατάτμηση με βάση τη βασική κατάτμηση και χρήση επιμέρους στοιχείων (πχ.υφή) και χωρικά, φασματικά χαρακτηριστικά της εικόνας, (3) ταξινόμηση χρησιμοποιώντας χαρακτηριστικά που προέκυψαν από την εικόνα. Αν και δεν είναι απλό να δοθεί πλήρη περιγραφή των αλγορίθμων, υπήρξαν διάφορα στοιχεία χρήσιμα κατά τη δημιουργία τους. Οι κλάσεις φαίνονται στην εικόνα 2 και σκοπός ήταν η παραγωγή κλάσεων κατάλληλων για μελλοντική μοντελοποίηση και εφαρμογές.

Ταξινομήσεις Land Use/Land Cover: Αναπτύχθηκαν LULC ταξινομήσεις χρησιμοποιώντας δεδομένα με διαφορετικές χωρικές και φασματικές αναλύσεις. Με χρήση Definiens 8.0 δημιουργήθηκαν αλγόριθμοι ταξινόμησης ειδικά για κάθε ημερομηνία της εκάστοτε εικόνας.

ΑΠΟΤΕΛΕΣΜΑΤΑ

Εικόνα 3. Δειγματικά σημεία βασισμένα (α) σε ΟΒΙΑ, LULC ταξινομήσεις με NAIP εικόνες, (β) σε NLCD% κάλυψη

Από τα 100 NLCD δείγματα σημείων μόνο τα δύο δεν εμπίπτουν στην ταξινόμηση κάλυψης δέντρου. Με περαιτέρω μελέτη, βρέθηκε ότι τα δύο αυτά σημεία βρίσκονται σε κατάσταση σφάλματος. Επιπλέον, 72 από τα 100 σημεία δεν εμπίπτουν στην NLCD κλάση κάλυψης. Αυτό οφείλεται στο γεγονός ότι τα δεδομένα NLCD δεν πιάνουν τα μικρά δέντρα κάλυψης της περιοχής μελέτης. Αντίστοιχα, 28 δείγματα σημείων ταιριάζουν με το NLCD % επίπεδο κάλυψης. Επιπλέον, υπάρχει η υποψία ότι ίσως έχει υπερεκτιμηθεί η ταξινόμηση και αυτό οφείλεται σε σκιάσεις στα υπεχωρικά δεδομένα οι οποίες ταξινομούνται λανθασμένα ως δέντρα, με την προσέγγιση ΟΒΙΑ. Η μη δυνατότητα αναγνώρισης και των μικρότερων δέντρων κάλυψης, είναι δυνατό να οδηγήσει σε λάθος στρατηγικές διαχείρισης.

ΣΥΜΠΕΡΑΣΜΑΤΑ

Αναλογικά και με προηγούμενες έρευνες με εφαρμογή ΟΒΙΑ σε αστικά χωρικά χαρακτηριστικά, καταδεικνύεται ότι η τεχνική ΟΒΙΑ μπορεί να δημιουργήσει καλές και επαναλαμβανόμενες LULC ταξινομήσεις, κατάλληλες για μελέτες κάλυψης δέντρου σε αστικές περιοχές. Η έρευνα αποδεικνύει μεγαλύτερη ακρίβεια σε ετερογενείς δασικές περιοχές σε σχέση με ταξινομήσεις όπως NLCD. Αυτό πιθανόν να σχετίζεται με τις μεθόδους και την ανάλυση των δεδομένων. Θεωρούμε ότι είναι σημαντική η περαιτέρω διερεύνηση χειρισμών φασματικών και χωρικών αναλύσεων. Οι ταξινομήσεις Land cover που απορρέουν από υπερχωρικά δεδομένα, αποδίδουν πληροφορία με ακρίβεια και συνοχή και σε συνάφεια με άλλα υψηλής ανάλυσης GIS σύνολα δεδομένων, όπως τα πακέτα δεδομένων. Αυτό είναι σημαντικό εάν τα δεδομένα χρησιμοποιηθούν για τη βιώσιμη διαχείριση ή ως εργαλείο υποστήριξης αποφάσεων σε τοπικό επίπεδο. Οι ταξινομήσεις LULC βασισμένες σε ΟΒΙΑ είναι αρκετά λεπτομερείς ώστε να υποστηρίζουν την ανάλυση πακέτου. Επιπλέον μεγάλο εύρος λογισμικών, συμβατών με την προσέγγιση ΟΒΙΑ είναι διαθέσιμο, ωστόσο η περαιτέρω μελέτη για την ανεύρεση ανοιχτών λογισμικών θα ήταν χρήσιμη. Αν και η ανάλυση ΟΒΙΑ, απαιτεί μεγάλο πλήθος δεδομένων και ισχυρές επεξεργαστικές δυνατότητες, υπάρχουν αρκετοί τρόποι επίλυσης της οικονομικής πλευράς του ζητήματος. Για παράδειγμα, η προσέγγιση μέσω κοινοπραξιών θα μπορούσε να επωφεληθεί από τις οικονομίες κλίμακας και να χαμηλώσει τα κόστη παραγωγής με αντίγραφα του αλγορίθμου με εκτεταμένες δυνατότητες. Οι συμμαχίες στην αναζήτηση των δεδομένων μπορούν να συμβάλλουν στην αξιοποίηση της ετερογένειας των δεδομένων, όπου πιθανόν να είναι εφικτό να αναμιχθούν το κοινό και οι πολίτες.

Προσωπικά εργαλεία