ΜΕΘΟΔΟΙ ΔΙΑΧΡΟΝΙΚΗΣ ΑΝΑΛΥΣΗΣ ΑΛΛΑΓΩΝ ΤΩΝ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΤΗΣ ΕΠΙΦΑΝΕΙΑΣ ΤΗΣ ΓΗΣ ΜΕΣΩ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ: Μέθοδοι ΕτΑ (Εντοπισμού της Αλλαγής)

Από RemoteSensing Wiki

Έκδοση στις 12:49, 15 Φεβρουαρίου 2021 υπό τον/την Maria Fotopoulou (Συζήτηση | Συνεισφορές/Προσθήκες)
Μετάβαση σε: πλοήγηση, αναζήτηση

Αξιολόγηση της μορφολογίας ποταμών και οικοτόπων με την χρήση μη επανδρωμένων εναέριων μηχανημάτων στο Μεσογειακό περιβάλλον

ΠΡΩΤΟΤΥΠΟΣ ΤΙΤΛΟΣ : Ερευνητική εργασία/ ΜΕΘΟΔΟΙ ΔΙΑΧΡΟΝΙΚΗΣ ΑΝΑΛΥΣΗΣ ΑΛΛΑΓΩΝ ΤΩΝ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΤΗΣ ΕΠΙΦΑΝΕΙΑΣ ΤΗΣ ΓΗΣ ΜΕΣΩ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ

ΣΥΓΓΡΑΦΕΙΣ : ΧΑΤΖΟΠΟΥΛΟΣ-ΒΟΥΖΟΓΛΑΝΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ, ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ Α.Π.Θ.: Σ. ΣΤΥΛΙΑΝΙΔΗΣ


ΠΗΓΗ : [1] ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ : τηλεπισκόπηση, μέθοδοι Ετα, αλλαγές


ΕΙΣΑΓΩΓΗ

Ο ΕτΑ μπορεί να θεωρηθεί ως μια διαδικασία που καλύπτει πολλά συνδεδεμένα και επικαλυπτόμενα βήματα: την προ επεξεργασία, την εξαγωγή της αλλαγής (ΕΞΑ), τον ορισμό ορίων (thresholding), το χαρακτηρισμό της αλλαγής και τον έλεγχο της ακρίβειας (Hecheltjen et al. 2014). Παρουσιάζοντας τις κυριότερες μεθόδους μπορεί να γίνει μια κατηγοριοποίηση σε: 1. Μέθοδους που εξάγουν πληροφορία για την ένταση και την πιθανότητα της αλλαγής, όπως η αφαίρεση ή η αναλογία εικόνων, με μικρή όμως δυνατότητα ΧτΑ. 2. Μέθοδοι που παράγουν εικόνες με πληροφορία για το είδος της αλλαγής. 3. Μέθοδοι που επιστρέφουν χάρτες χαρακτηρισμένης αλλαγής χωρίς επιπλέον επεξεργασία, όπως η PCC κα ο ΕτΑ με SVM. Οι μέθοδοι αυτές ομαδοποιούνται σε έξι κατηγορίες: 1) Άλγεβρα, 2) Μετατροπή, 3)Ταξινόμηση, 4) Προηγμένα μοντέλα, 5) Τεχνικές Συστημάτων Γεωγραφικών Πληροφοριών (ΣΓΠ) και 6) Οπτική ανάλυση (Lu et al. 2004). Παρακάτω θα γίνει μια σύντομη αναφορά στις μεθόδους.


ΑΛΓΕΒΡΑ

Η κατηγορία αυτή περιλαμβάνει αλγόριθμους με κοινά χαρακτηριστικά που συνήθως είναι απλοί, αλλά δεν παρέχουν πλήρεις πίνακες πληροφορίας για τις αλλαγές (ΧτΑ). Ένα μειονέκτημα της κατηγορίας είναι η δυσκολία στην επιλογή των κατάλληλων ορίων για τον εντοπισμό των μεταβαλλόμενων περιοχών, ενώ τα αποτελέσματα είναι δυαδικής μορφής (αλλαγή/όχι αλλαγή). Οι δύο κρίσιμες πτυχές που επηρεάζουν τα αποτελέσματα του ΕτΑ είναι η επιλογή των κατάλληλων καναλιών ή δεικτών βλάστησης και η επιλογή των κατάλληλων ορίων (Lu et al. 2004, Hussain et al. 2013). Αφαίρεση εικόνων (Image differencing): Η πρώτη χρονικά εικόνα αφαιρείται από τη δεύτερη σχετικά γεωαναφερμένη, εικονοστοιχείο προς εικονοστοιχείο και καταλήγει σε απόλυτες τιμές και σε μία τρίτη εικόνα. Αφαίρεση δεικτών βλάστησης (Vegetation index differencing): Η παραγωγή των δεικτών γίνεται ξεχωριστά για κάθε εικόνα και στη συνέχεια αφαιρείται η μεταγενέστερη από την προγενέστερη εικόνα. Δίνεται μεγαλύτερη έμφαση στις διαφορές στα φασματικά χαρακτηριστικά των διαφόρων αντικειμένων μειώνοντας την επίδραση του τοπίου και του φωτισμού. Παλινδρόμηση εικόνας (Image regression): Η μέθοδος παλινδρόμησης της εικόνας στηρίζεται στην υπόθεση ότι η μεταγενέστερη εικόνα είναι γραμμική συνάρτηση της προγενέστερης και πλεονεκτεί στη μείωση των επιπτώσεων της ατμόσφαιρας, του αισθητήρα και των περιβαλλοντικών διαφοροποιήσεων. Αναλογία εικόνας (Image ratioing): Υπολογίζει το λόγο δύο γεωαναφερμένων διαχρονικών εικόνων, κανάλι προς κανάλι. Μειώνει τις επιπτώσεις της γωνίας ανάκλασης της ηλιακής ακτινοβολίας, της σκιάς και του τοπίου, έτσι οι περιοχές που δεν παρατηρήθηκε αλλαγή έχουν τιμή το ένα, ενώ σε αυτές που εντοπίστηκαν αλλαγές έχουν είτε πολύ υψηλές τιμές, είτε τιμές κοντά στο μηδέν. Ανάλυση διανυσματικής αλλαγής (Change vector analysis-CVA): Η CVA είναι μια εννοιολογική επέκταση της αφαίρεσης εικόνων και είναι χρήσιμη όταν α) δεν υπάρχει συγκεκριμένη αλλαγή ενδιαφέροντος, β) χρειάζεται να προηγηθεί εξαγωγή των αλλαγών πριν την επιλογή της πιθανής ή κατάλληλης αλλαγής ενδιαφέροντος, γ) η αλλαγή ενδιαφέροντος είναι γνωστή αλλά δεν είναι γνωστές οι βέλτιστες φασματικές ιδιότητες για την αξιόπιστη ανίχνευσή της. Αφαίρεση υποβάθρου/φόντου (Background subtraction): Το φόντο των περιοχών που δεν αλλάζουν παρουσιάζει μια πιο απαλή μεταβολή στην κλίμακα του γκρι. Εφαρμόζοντας ένα χαμηλοπερατό φίλτρο (low-pass filter) δημιουργείται μια παραλλαγή της αρχικής εικόνας με στόχο την καλύτερη προσέγγιση των διακυμάνσεων στο φόντο της εικόνας.


ΜΕΘΟΔΟΙ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ

Κάποιες μέθοδοι χρησιμοποιούν τον μετασχηματισμό των δεδομένων σε πολυδιάστατα στοιχεία. Το πλεονέκτημα αυτών των μεθόδων είναι η μείωση του πλεονασμού της πληροφορίας μεταξύ καναλιών και η έμφαση σε διαφορετικά στοιχεία των παραγόμενων εικόνων. Ανάλυση κύριων συνιστωσών (Principal Component Analysis - PCA): Στηρίζεται στην υπόθεση ύπαρξης μεγάλης συσχέτισης μεταξύ των διαχρονικών εικόνων και ότι η πληροφορία της αλλαγής μπορεί να φανεί στα παραγόμενα δεδομένα. Υπάρχουν δύο τρόποι εφαρμογής της PCA: 1) δημιουργία αρχείου «στοίβας» (stack) με δύο ή περισσότερες διαχρονικές εικόνες και εφαρμογή PCA για τον ΕτΑ, και 2) εφαρμογή PCA ξεχωριστά στις εικόνες και στη συνέχεια αφαίρεση της μεταγενέστερης από την προγενέστερη. Tasselled cap (TC): Η αρχή αυτής της μεθόδου είναι παρόμοια με της PCA, όμως αυτή δεν είναι εξαρτώμενη από την εικόνα και η εφαρμογή του ΕτΑ βασίζεται σε τρία στοιχεία: την φωτεινότητα, την υγρασία και το ποσοστό πρασίνου στην εικόνα. Μετασχηματιμός ορθογωνιοποίησης Gramm-Schmidt (GS): Η μέθοδος GS ορθογωνιοποιεί τα φασματικά διανύσματα που λαμβάνονται απευθείας από τις εικόνες, και όπως και η TC, παράγει τρία σταθερά αποτελέσματα. Άλλες μέθοδοι μετασχηματισμού: Έχουν αναπτυχθεί και διάφορες άλλες μέθοδοι μετασχηματισμού, όπως η X2 (Chi2) (Ridd & Liu 1998), η Ελαχιστοποίηση του Θορύβου (Minimum Noise Fraction - MNF) (Gianinetto & Villa 2007) και ο Ταχύς Μετασχηματισμός Fourier (Fast Fourier Transform - FFT),κ.ά.


ΜΕΘΟΔΟΙ ΒΑΣΙΣΜΕΝΕΣ ΣΕ ΤΑΞΙΝΟΜΗΣΗ

Το μεγαλύτερο πλεονέκτημα αυτών των μεθόδων είναι η δυνατότητα παραγωγής πινάκων με πληροφορία αλλαγής (ΧτΑ) και η μείωση των επιπτώσεων των ατμοσφαιρικών και περιβαλλοντικών διαφορών μεταξύ των διαχρονικών εικόνων. Ωστόσο, ειδικά για παλιές ημερομηνίες, η ποιότητα των εικόνων δεν είναθ αρκετά καλή. Σύγκριση ταξινομημένων εικόνων (Post Classification Comparison – PCC): Πρόκειται ίσως για την παλαιότερη χρησιμοποιημένη μέθοδο ΕτΑ (Jensen et al. 1987). Σε αυτή τη μέθοδο γίνεται ταξινόμηση της κάθε εικόνας ξεχωριστά παράγοντας θεματικούς χάρτες και στη συνέχεια γίνεται σύγκρισή τους εικονοστοιχείο ανά εικονοστοιχείο. Όμως, έχει την τάση να παράγει περισσότερα σφάλματα. Υβριδική μέθοδος ΕτΑ: Αλλιώς: «περιορισμένη από την αλλαγή PCC». Σύμφωνα με αυτή τη μέθοδο συγκεντρώνονται και ταξινομούνται τα διαχρονικά δεδομένα καταλήγει στην ταξινόμηση των μεταβλημένων περιοχών ξανά χρησιμοποιώντας τις περιγραφές των κλάσεων των μη μεταβλημένων περιοχών. Μεγιστοποίηση της προσδοκίας (expectation-maximization - EM): Η μέθοδος ΕΜ χρησιμοποιεί έναν αλγόριθμο μεγιστοποίησης της προσδοκίας (ΕΜ) για την εκτίμηση των εκ των προτέρων (a priori) πιθανοτήτων των κοινών κλάσεων (joint classes)μεταξύ δύο χρονικών στιγμών Μη επιβλεπόμενος ΕτΑ: Επιλέγει φασματικά παρόμοιες ομάδες εικονοστοιχείων και τα τοποθετεί σε πρωτογενή clusters (συσπειρώσεις) για την προγενέστερη εικόνα και επαναλαμβάνει τη διαδικασία για την μεταγενέστερη εικόνα. Τεχνητά νευρωνικά δίκτυα (Artificial Neural Networks – ANN): Χρησιμοποιεί τα φασματικά δεδομένα της περιόδου αλλαγής και έναν αλγόριθμο ανάστροφης διάδοσης (backpropagation algorithm) για την εκπαίδευση του πολυεπίπεδου νευρωνικού δικτύου. Η ΑΝΝ είναι μια μη-παραμετρική επιβλεπόμενη μέθοδος με μειονεκτήματα εξαιτίας, περιπλοκότητας στο σχεδιασμού. Μηχανή διανυσμάτων υποστήριξης (Support Vector Machine – SVM): Η SVM είναι μια επιβλεπόμενη, μη παραμετρική μέθοδος που δεν βασίζεται σε υποθέσεις για την κατανομή των δεδομένων. Μπορεί να λειτουργήσει με σχετικά λίγα δεδομένα εκπαίδευσης και παρουσιάζει ακρίβεια. Ασαφής ΕτΑ (Fuzzy change detection): Ο ασαφής ΕτΑ ασχολείται με την ασάφεια που έγκειται στον χαρακτηρισμό των κλάσεων και στηρίζεται στην υπόθεση ότι τα όρια μεταξύ των διάφορων κλάσεων και φαινομένων είναι διφορούμενα και ότι υπάρχει ετερογένεια στο εσωτερικό των κλάσεων λόγω φυσικών διαφορών. Αλγόριθμος συνεχούς παρακολούθησης διατάραξης δασών (Continuous Monitoring of Forest Disturbance Algorithm/CMFDA): Νέα μέθοδος, που εκμεταλλεύεται την πορεία της φασματικής υπογραφής κάθε εικονοστοιχείου (την «ιστορία» του), την οποία χρησιμοποιεί για τον προσδιορισμό διαχρονικών κλάσεων. Έτσι, κάθε πιθανή ημερομηνία μιας εικόνας, είναι δυνητικά μια νέα εικόνα.


ΑΝΕΠΤΥΓΜΕΝΑ ΜΟΝΤΕΛΑ

Τα ανεπτυγμένα μοντέλα ΕτΑ περιλαμβάνουν το μοντέλο ανάκλασης Li-Strahler, μοντέλα φασματικού μίγματος και μοντέλα εκτίμησης βιοφυσικών παραμέτρων (π.χ. βιομάζα, κάλυψη κόμης – canopy κτλ.). Σε αυτές τις μεθόδους, οι τιμές ανάκλασης της εικόνας συχνά μετατρέπονται σε φυσικές παραμέτρους ή κλάσματα μέσω γραμμικών ή μη-γραμμικών μοντέλων. Οι μετασχηματισμένες παράμετροι είναι πιο εύκολες στην ερμηνεία και πιο χρήσιμες για την εξαγωγή πληροφορίας βλάστησης σε σχέση με τις φασματικές υπογραφές. Τα μειονεκτήματά τους είναι η χρονοβόρα και δύσκολη διαδικασία της ανάπτυξης κατάλληλων μοντέλων για την μετατροπή των τιμών ανάκλασης της εικόνας σε βιοφυσικές παραμέτρους (Lu et al. 2004). Τέτοια μοντέλα είναι: Το μοντέλο ανάκλασης Li-Strahler, που χρησιμοποιείται για τον υπολογισμό της έκτασης της κόμης κωνοφόρων για δύο εικόνες ξεχωριστά, με σκοπό τη σύγκρισή τους και την εξαγωγή αποτελεσμάτων ΕτΑ. Η Διαχρονική ανάλυση φασματικού μίγματος (Multitemporal spectral mixture analysis –SMA), που είναι ευαίσθητη και σε αλλαγές μέσα στην ίδια κλάση, όπως σε περιπτώσεις υποβάθμισης δασών. Και η μέθοδος βιοφυσικών παραμέτρων, η οποία στηρίζεται στην ανάπτυξη ενός μοντέλου εκτίμησης βιοφυσικών παραμέτρων (π.χ. βιομάζα) για την περιοχή μελέτης, μέσω του συνδυασμού μετρήσεων πεδίου και τηλεπισκοπικών δεδομένων.

ΣΥΣΤΗΜΑΤΑ ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ (ΣΓΠ)

Η κατηγορία μεθόδων ΕτΑ με χρήση ΣΓΠ περιλαμβάνει μεθόδους που συνδυάζουν τηλεπισκόπηση και ΣΓΠ, ή μόνο ΣΓΠ. Το πλεονέκτημα στη χρήση ΣΓΠ είναι η δυνατότητα συνδυασμού διαφόρων ειδών δεδομένων σε εφαρμογές ΕτΑ. Γίνεται συνδυασμός εικόνων με δεδομένα ΣΓΠ, όπως πολύγωνα επικαλύψεων διαφόρων χαρτών, και στη συνέχεια τα αποτελέσματα εισάγονται σε περιβάλλον ΣΓΠ για περαιτέρω ανάλυση. Με αυτόν τον τρόπο, είναι δυνατή η εισαγωγή βοηθητικών δεδομένων στη διαδικασία.Σε άλλη περίπτωση γίνεται συνδυασμός χαρτογραφικών δεδομένων διαφόρων ημερομηνιών, που περιέχουν τοπογραφική και γεωγραφική πληροφορία. Ο ΕτΑ ποσοτικών στοιχείων γίνεται με τη χρήση εργαλείων επικάλυψης και μασκών δυαδικής πληροφορίας (binary masks). Όμως και στις δύο περιπτώσεις, Η πληθώρα δεδομένων σημαίνει και πληθώρα ακριβειών, αναλύσεων και μορφών, που συχνά επηρεάζουν το αποτέλεσμα.


ΟΠΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ

Η οπτική ανάλυση περιλαμβάνει την οπτική ερμηνεία διαχρονικών εικόνων και τη χειροκίνητη ψηφιοποίηση των μεταβλημένων περιοχών. Αυτή η μέθοδος εξαρτάται άμεσα από την εμπειρία και τη γνώση του ερευνητή. Η υφή, το σχήμα, το μέγεθος και τα μοτίβα των εικόνων αποτελούν στοιχεία «κλειδιά» για την ταυτοποίηση αλλαγών στις καλύψεις/χρήσεις γης μέσω της οπτικής ερμηνείας, ενώ δεν χρησιμοποιούνται στον ψηφιακό ΕτΑ καθώς είναι δύσκολη η αναγνώριση και η εξαγωγή τους. Το μειονέκτημα αυτής της μεθόδου είναι ο μεγάλος χρόνος εφαρμογής της για μεγάλες περιοχές μελέτης και η δυσκολία στην έγκαιρη ενημέρωση των αποτελεσμάτων του ΕτΑ, αλλά και η δυσκολία παροχής λεπτομερούς πληροφορίας για την πορεία/τροχιά της αλλαγής. Τέτοιες μέθοδοι χρησιμοποιήθηκαν πριν το 1970 σε διάφορους τομείς, όπως η δασολογία, καθώς δεν υπήρχαν αρκετά δεδομένα και η υπολογιστική επιστήμη και τεχνολογία βρίσκονταν σε πρώιμο στάδιο (Lu et al. 2004).Πιο συγκεκριμένα, γίνεται προβολή ενός φασματικού καναλιού από την προγενέστερη εικόνα στο κόκκινο κανάλι, το ίδιο φασματικό κανάλι της μεταγενέστερης εικόνας στο πράσινο κανάλι και (εφόσον υπάρχει) το ίδιο φασματικό κανάλι της τελευταίας εικόνας στο μπλε κανάλι. Στη συνέχεια γίνεται οπτική ερμηνεία σύμφωνα με το συνδυασμό των χρωμάτων.

ΔΙ-ΧΡΟΝΙΚΕΣ ΑΝΑΛΥΣΕΙΣ ΚΑΙ ΑΝΑΛΥΣΕΙΣ ΧΡΟΝΟΣΕΙΡΑΣ – ΈΝΝΟΙΑ ΤΟΥ ΧΡΟΝΟΥ ΑΝΑΛΥΣΗΣ

Πληθώρα μελετών για τον ΕτΑ αναλύουν δύο χρονικά σημεία της περιοχής μελέτης τους (πριν και μετά) και θεωρούνται δι χρονικές (bi-temporal). Αυτό όμως τις καθιστά περιορισμένες, καθώς πολλές διαδικασίες που συμβαίνουν στο περιβάλλον δεν μπορούν να εντοπιστούν με μόνο δύο ημερομηνίες ως δεδομένα εισόδου για ανάλυση. Έτσι, αναπτύχθηκε η ανάλυση δεδομένων χρονοσειράς στην τηλεπισκόπηση, η οποία αποκαλύπτει περισσότερη πληροφορία για τη φύση των αλλαγών που συμβαίνουν (Hecheltjen et al. 2014).Υπάρχουν μόνο λίγα είδη κάλυψης γης που δεν αλλάζουν. Ακόμα και σχετικά σταθερές επιφάνειες, όπως οι ανθρώπινες κατασκευές (π.χ. σκεπές, δρόμοι κτλ.), παρουσιάζουν αλλαγές με το πέρασμα του χρόνου. Φαίνεται λοιπόν, ότι η αλλαγή είναι μια διαδικασία του χρόνου, και η καταλληλότητα των δεδομένων για τον ΕτΑ εξαρτάται σε μεγάλο βαθμό από την χρονική τους διάσταση (Hecheltjen et al. 2014). Οι δι-χρονικές μέθοδοι ΕτΑ μπορούν εντοπίσουν σταδιακές και απότομες αλλαγές καθώς και τις τάσεις του περιβάλλοντος, αλλά πιθανότατα δεν επαρκούν για την περιγραφή των διαχρονικών χαρακτηριστικών των περιβαλλοντικών διαδικασιών που διέπουν αυτά τα φαινόμενα.

ΠΑΡΑΔΕΙΓΜΑ

Για την μελέτη χρησιμοποιήθηκαν δύο εικόνες Landsat (κανάλια 1-5, 7) της Αλγερινής πρωτεύουσας για τις ημερομηνίες 1985 και 1996, οι οποίες διορθώθηκαν γεωμετρικά (σφάλμα RMS 0.2) και ατμοσφαιρικά με το λογισμικό ATCOR-2. Για την διαδικασία του ΕτΑ έγινε εφαρμογή και σύγκριση των μεθόδων SVM με λειτουργία πυρήνα (kernel) και ANN. Μετά από πειραματισμούς κατέληξαν ότι οι υψηλότερες ακρίβειες εμφανίζονται με χρήση πυρήνα μεγέθους 6 εικονοστοιχείων, ενώ τα αποτελέσματα της SVM είναι αρκετά καλύτερα από του ANN (97,58% έναντι 93,67%). Στην συνέχεια χρησιμοποιείται ένα σύστημα συνδυασμένων SVM, όπου διαπιστώνεται ότι ο συνδυασμός τριών SVM βελτιώνει το αποτέλεσμα κατά 1% στην συνολική ακρίβεια.

Εικόνα 1: Οι χάρτες αλλαγής που παράχθηκαν από τις διάφορες τεχνικές. Διαφορετικές προσεγγίσεις πυρήνα (kernel) (a)-(d) και το αποτέλεσμα της ΑΝΝ (e).
Προσωπικά εργαλεία