Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR
Από RemoteSensing Wiki
Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR
Πρωτότυπος τίτλος: Forest Road Detection Using LiDAR Data
Συγγραφείς: Zahra Azizi, Akbar Najafi, Saeed Sadeghian
Δημοσιεύθηκε: Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0
Σύνδεσμος πρωτότυπου κειμένου: [1]
Λέξεις-Κλειδιά: δασικός δρόμος, LiDAR, SVM, μέθοδος IDW
Εισαγωγή
Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).
Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.
Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα LiDAR (Light Detection and Ranging) αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης. Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου (DEM - Digital Elevation Model), και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων (DSM - Digital Surface Model), ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων (DTM - Digital Terrain Model). Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων (TIN - Triangulated Irregular Network) ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης (IDW - Inverse Distance Weighting).
Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης (SVM - Support Vector Machine) υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.
Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και DNTM (Digital Non Terrain Model). Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ταξινόμηση, καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ακρίβεια θέσης, καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.
Περιοχή μελέτης
Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.
Υλικά και Μέθοδοι
Πηγές δεδομένων
Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/τ.μ.. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.
Προεπεξεργασία & προετοιμασία των στρωμάτων
Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου Τ. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου σ είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR. Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):
First Pulse – Last Pulse > Τ (1)
T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)
DNTM = DSM – DTM (3)
Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων
Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου. Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια. Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive). Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).
Completeness = TP/ (TP + FN) (4)
Correctness = TP/ (TP + FP) (5)
Quality = TP/ (TP + FP + FN) (6)
Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα
Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου
Αποτελέσματα
Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης (RMSE- Root Mean Square Error) για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1). Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1). Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2). Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)
Συζήτηση & Συμβολή της Τηλεπισκόπησης
Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν. Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.
Συντομογραφίες
DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο
DNTM - Digital Non Terrain Model
DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας
DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους
GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών
IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης
LiDAR - Light Detection and Ranging
RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης
SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης
TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων
