Możliwości wykorzystania klasyfikacji obiektowej w monitoringu krajobrazu

Transkrypt

1 Możliwości wykorzystania klasyfikacji obiektowej w monitoringu krajobrazu Przemysław Gędziorowski Instytut Technologiczno-Przyrodniczy

2 Plan wystąpienia Miejsce fotointerpretacji w monitoringu krajobrazu. Materiał źródłowy. Fotointerpretacja prowadzona metodą manualną. Klasyfikacja obiektowa automatyzacja procesu fotointerpretacji. LIDAR możliwości usprawnienia klasyfikacji obiektowej. Propozycje wykorzystania klasyfikacji obiektowej w monitoringu krajobrazu. 2

3 Znaczenie fotointerpretacji w monitoringu krajobrazu 3

4 Znaczenie fotointerpretacji w monitoringu krajobrazu Użytki rolne w tym: grunty orne, łąki i pastwiska, śródpolne enklawy łąk i pastwisk, mokradła użytkowane, sady). Nieużytki (m.in. odłogi oraz łąki i pastwiska wyłączone z użytkowania). Zadrzewienia i zakrzewienia. Lasy. Wody (jeziora, zbiorniki sztuczne; stawy; starorzecza, potorfowe z wodą; śródpolne oczka wodne; rzeki, rowy). Tereny zabudowane i zurbanizowane. Tereny różne. Ostoje dzikiej przyrody niewymienione w innych kategoriach elementy krajobrazu rolniczego nieużytkowane rolniczo stanowiące ostoje przyrody, występujące poza lasami. 4

5 Ortofotomapy materiał źródłowy fotointerpretacji Skala: co najmniej 1: Zróżnicowanie zasobu: Długi okres powstawania zdjęć. Aspekt fenologiczny, warunki atmosferyczne - przejrzystość powietrza, zachmurzenie, warunki hydrologiczne, zabiegi agrotechniczne. Rozdzielczość spektralna: RGB + CIR. 5

6 Klasyfikacja manualna Warsztat pracy. Ortofotomapa RGB + NIR. Mapa topograficzna 1: Warstwy GIS z polami podstawowymi oraz danymi atrybutowymi. 6

7 Warstwa GIS

8 Klasyfikacja manualna Zalety: Percepcja wzrokowa jako podstawowe narzędzie Łatwość łączenia informacji z różnych źródeł. Większa niż w przypadku metod automatycznych elastyczność na niejednorodność warunków odfotografowania. Daje najlepsze efekty ze wszystkich metod klasyfikacji. Wady: Czasochłonność Czynnik ludzki 8

9 Problemy fotointerpretacji manualnej w monitoringu krajobrazu Wyznaczanie pojedynczych drzew i zakrzewień. Wydzielanie niewielkich (punktowych) zbiorników wodnych (poniżej 0,1 ha) zwłaszcza starorzeczy, które na zdjęciu trudno czasami odróżnić od właściwego koryta. Systematyczne i powtarzalne prowadzenie granic wydzieleń w krajobrazie o skomplikowanej strukturze np. mozaikowej użytków. Wyznaczenie bądź korekta granic cieków, zwłaszcza zasłoniętych przez wyższe piętra roślinności. Odróżnienie nieużytkowanych łąk i pastwisk od odłogów. 9

10 Klasyfikacja obiektowa Klasyfikacja OBIEKTOWA stanowi metodę automatycznej interpretacji obrazów rastrowych. Rolą operatora jest tutaj nie przeglądanie ortofotomap, a takie skomponowanie procedury przetwarzania, które doprowadzi do sklasyfikowania analizowanego obrazu. 10

11 Segmentacja 11

12 Klasyfikatory Cechy rozpoznawcze: - Wizualne, jak wartość kanałów spektralnych. - Kształt, np. rozwinięcie linii granicznej. - Tekstura obrazu, tj. przestrzenne uporządkowanie elementów obrazu w określony wzór. - Kontekst sytuacyjny, relacja z innymi obiektami, np. długość wspólnej linii granicznej. 12

13 Metoda progowania Wszystkie obiekty, których średnia wartość w kanale czerwonym zawiera się w przedziale pomiędzy 112 a 183 zostają zaklasyfikowane jako grunty bez roślinności. 13

14 Algorytm 14

15 Przykłady analiz z wykorzystaniem klasyfikacji obiektowej Zastosowanie klasyfikacji obiektowej na potrzeby aktualizacji mapy użytkowania terenu Wielkiej Brytanii (2011) Celem opracowania było skartowanie użytkowania terenu z wyróżnieniem 23 klas takich jak: zadrzewienia: iglaste, liściaste, tereny trawiaste: kwaśne, nawapienne, siedliska górskie, tereny podmokłe, bagna i inne 99.5% wyróżnionych jednostek podstawowych zostało sklasyfikowanych metodami automatycznymi Minimalna jednostka mapowania 0,5 ha Wykorzystano zobrazowania satelitów Landsat, SPOT, IRS, wielkość piksela : m Uzyskano dokładność klasyfikacji na poziomie 83 % 15

16 Przykłady analiz z wykorzystaniem klasyfikacji obiektowej Klasyfikacja pokrycia terenu metodą obiektową z wykorzystaniem zobrazowań satelitarnych RapidEye(Wężyk, 2012) Celem opracowania było przygotowanie aktualnej mapy pokrycia terenu na potrzeby studium uwarunkowań budowy nowej hydroelektrowni na środkowym odcinku Wisły Wykorzystano pięciokanałowe zobrazowania satelitarne RapidEyew 5-cio metrowej rozdzielczości przestrzennej, oraz numeryczny model terenu, Uzyskano 84 % poprawność wyników dla klasyfikacji z wyróżnieniem 29 klas takich jak: grunty orne z roślinnością i użytki zielone oraz grunty orne bez roślinności, sady, zadrzewienia / zakrzaczenia / zarośla, roślinność obszarów o charakterze wilgotnym, cieki i wody stojące i inne oraz 94 % poprawność wyników przy zagregowaniu klas do pięciu grup tematycznych: tereny zurbanizowane/infrastruktura, tereny rolnicze, lasy, wody oraz tzw. obszary inne 16

17 Przykłady analiz z wykorzystaniem klasyfikacji obiektowej Przebieg sukcesji krzewiastej w południowych obszarach stanu Nowy Meksyk w latach z wykorzystaniem klasyfikacji obiektowej (Object-Oriented Image Analysis for Mapping Shrub Encroachment from 1937 to 2003 in Southern New Mexico, Andrea S. Laliberte, 2004, New Mexico State University). Wykorzystano niejednorodny materiał spektralny (zdjęcia lotnicze, satelitarne - QuickBird), przy braku danych wysokościowych. Obszar badań zajmował 150 ha. Oceniono, że 87% wszystkich zarośli powyżej 2 m 2 średnicy zostało zidentyfikowanych. Autorzy zwracają uwagę, że mimo odnotowanych różnic właściwości materiału teledetekcyjnego, wartością jest tutaj właśnie obserwowana zmienność, stanowiąca rejestr zmian krajobrazowych. 17

18 Klasyfikacja obiektowa Zalety: Metoda automatyczna. Imituje sposób postrzegania obrazu rzeczywistego przez człowieka (HVS human visual system). Dokładność, systematyczność i powtarzalność wyników. 18

19 Klasyfikacja obiektowa Wady: Sztywne ustalenie reguł klasyfikacji w deterministycznej metodzie progowania. Duża wrażliwość na zmienność warunków sfotografowania. Trudność w formułowaniu reguł klasyfikacyjnych, np. odróżnienie cieni od zbiorników wodnych. Niższa niż w przypadku klasyfikacji manualnej dokładność wyników. 19

20 Potencjał w projekcie monitoringu Indywidualne podejście do poszczególnych arkuszy bądź grup arkuszy przy utrzymaniu generalnych założeń procedury Zastosowanie tekstury jako uniwersalnej cechy wskaźnikowej. Uszczegółowienie granic w procesie segmentacji. Rozróżnienie pomiędzy klasami odłogów od nieużytkowanych łąk i pastwisk. Wprowadzeniu do systemu modeli wysokościowych opracowanych w technologii skaningu laserowego. 20

21 Usprawnienie procedury za pomocą danych ze skaningu laserowego Skaning laserowy Numeryczny model terenu. Projekt ISOK: Skanowanie z gęstością 4 12 punktów na m 2. Dokładności wysokościowej pomiaru 0,1 0,15 m [średni błąd]. Rejestracja czterech odbić. Aktualna i spójna baza danych wysokościowych na obszarze całego kraju. 21

22 Propozycje zastosowania w monitoringu krajobrazu Wydzielenie grup zadrzewień oraz zadrzewień pojedynczych nieujętych w warstwie pola zagospodarowania PZ Klasy: lasy, zarośla, szpalery, pojedyncze zadrzewienia, nasadzenia; reprezentowane są w formie poligonowej, liniowej oraz punktowej. Zadrzewienia w warstwie pól zagospodarowania PZ. Automatyzacja wydzieleń drzewostanów z wykorzystaniem danych wysokościowych i klasyfikacji obiektowej. 22

23 Propozycje zastosowania w monitoringu krajobrazu Identyfikacja łąk z zadrzewieniami oraz nieużytków z zaawansowaną sukcesją Klasy: Łąki i pastwiska z zadrzewieniami, łąki i pastwiska wyłączone z użytkowania bądź sporadycznie użytkowane z zaawansowaną sukcesją. Stosunek powierzchni rzutu poziomego koron drzew i krzewów do wydzielenia wyższego rzędu np. działki ewidencyjnej. Ilość drzew/krzewów na metr kwadratowy. Stworzenie wskaźnika i wyznaczenie przedziału liczbowego charakteryzującego łąki z zadrzewieniami bądź nieużytki z sukcesją. 23

24 Przykład Klasyfikacja obiektowa dla wyznaczenia zakrzewień i zadrzewień na siedliskach łąkowych z wykorzystaniem LIDARu oraz zobrazowań lotniczych z bliską podczerwienią (An Object-Based Approach for Mapping Shrub and Tree Cover on Grassland Habitats by Use of LiDAR and CIR Orthoimages, 2013, Thomas Hellesen - Uniwersytet Kopenhaski, Leena Matikainen Fiński Instytut Geodezyjny) Podstawowym celem było wydzielenie trzech klas: zarośla i zadrzewienia, zabudowa, oraz grunt (włączając obszary z roślinnością orazbez,atakżewody). Na wyższym poziomie szczegółowości w obrębie klasy grunt wyróżniono następujące podklasy: grunt z roślinnością, grunt bez roślinności, wody. Rezultaty: Dla trzech podstawowych klas otrzymano: 96.7% poprawność wyników przy zastosowaniu danych spektralnych i lidar. 82.0% przy zastosowaniu tylko danych spektralnych. 24

25 Propozycje zastosowania w monitoringu krajobrazu Poprowadzenie bądź weryfikacja istniejących w warstwie PZ granic cieków Klasy: rzeki i inne cieki; rowy; reprezentowane są w formie poligonowej oraz liniowej. Rozbieżność między granicami cieków widocznymi na zobrazowaniach lotniczych a warstwą PZ. Automatyzacja wydzieleń cieków z wykorzystaniem danych wysokościowych i klasyfikacji obiektowej. 25

26 Propozycje zastosowania w monitoringu krajobrazu Identyfikacja piaszczystych namulisk w strefie przykorytowej Wskazanie namulisk na numerycznym modelu terenu oraz modelu pokrycia terenu poprzez występowanie płaskiego fragmentu gruntu w strefie przykorytowejbez pokrywy roślinnej. Dodatkową informacje uzyskać można poprzez analizę danych spektralnych obiekty o jasnym fototonie Identyfikacja wyrobisk po wydobywaniu kopalin Wskazanie na numerycznym modelu terenu oraz modelu pokrycia terenu poprzez występowanie zagłębień bądź hałd na powierzchni gruntu oraz brak pokrywy roślinnej 26

27 Działanie Zastosowanie Ocena szans NMT powodzenia* Uszczegółowienie granic NIE 2 Indywidualne podejście do poszczególnych arkuszy Nie dotyczy 2 Rozróżnienie odłogów od NIE 1 nieużytkowanych łąk Zastosowanie tekstury TAK 1 Wydzielenie zadrzewień TAK 3 Identyfikacja łąk z TAK 3 zadrzewieniami oraz sukcesją Poprowadzenie granic TAK 3 cieków Identyfikacja piaszczystych TAK 3 namulisk Identyfikacja wyrobisk TAK 3 *1 mała,2 średnia,3-duża

28 Podsumowanie Prowadzona drogą manualną fotointerpretacja mimo największej dokładności wyników ma szereg wad. Potencjał dla usprawnienia fotointerpretacji niesie ze sobą technologia klasyfikacji obiektowej. Możliwości klasyfikacji obiektowej wzrastają przy zastosowaniu danych wysokościowych pozyskanych technologią LIDAR. Mamy nadzieje na pozyskanie danych wysokościowych wykonanych w ramach projektu ISOK. 28

29 Dziękuję za uwagę