nuove proposte per la classificazione pixel-oriented di immagini multispettrali gianluca...

Download Nuove proposte per la Classificazione Pixel-oriented di immagini multispettrali Gianluca TRAMONTANA(*), Pier Luigi PORTA (**), Claudio BELLI (**), Dario

Post on 01-May-2015

214 views

Category:

Documents

2 download

Embed Size (px)

TRANSCRIPT

  • Slide 1
  • Nuove proposte per la Classificazione Pixel-oriented di immagini multispettrali Gianluca TRAMONTANA(*), Pier Luigi PORTA (**), Claudio BELLI (**), Dario PAPALE (*) (*) DISAFRI (Dipartimento di scienze dellambiente forestale e delle sue risorse), Universit della Tuscia, darpap@unitus.it (**) Terrasystem s.r.l, Via Pacinotti n.55 (VT), 0761250626 info@terrasystem.it, c.belli@terrasystem.it
  • Slide 2
  • Introduzione La classificazione supervised pixel-oriented di immagini multispettrali rappresenta un valido mezzo per la produzione di cartografie tematiche (es. distribuzione delle colture agrarie permanenti). La bont dei risultati ottenuti influenzata da: similarit spettrale tra le classi da rappresentare; eterogeneit di alcune classi di uso del suolo (es. i terreni agrari). Errori pi frequenti: presenza di pixel isolati mal classificati; confusione tra oggetti spettralmente simili.
  • Slide 3
  • Obbiettivo dellelaborato: Migliorare laccuratezza di classificazione, sulla base di elementi discriminanti individuati in: indici di vegetazione multitemporali; informazioni spaziali elaborate, a mezzo di un sistema di supporto decisionale Multicriteria evaluation (MCE), seguendo un approccio di tipo empirico. Contesto di questo lavoro: produzione di una cartografia tematica dei noccioleti nel Nord della Turchia a mezzo di classificazione supervised pixel- oriented di immagini multispettrali a media risoluzione (Landsat TM5). Obbiettivo
  • Slide 4
  • Materiali Larea di studio: fascia al Nord della Turchia, compresa tra: 29.8 e 32.04 di longitudine est, 40.4 e 41.54 di latitudine Nord. Immagini utilizzate: LANDSAT TM 5 acquisite il 01/07/2005; indici di vegetazione NDVI, acquisiti dal satellite MODIS (prodotto Mod 13), tra gli anni 2003-2005, con una risoluzione spaziale di 250 m e temporale di 16 giorni; DEM realizzato dalla NASA e dallente statunitense NGA (National Geospatial- Intelligence Agency), ad una risoluzione spaziale di 90m; Immagini ad alta risoluzione disponibili sul portale on-line Google-Earth.
  • Slide 5
  • Metodi Raccolta dati: rilievo GPS dei siti a nocciolo ed ad altra classe di vegetazione, effettuato tra il 09/05/2006 ed il 30/05/2006. Per ogni sito sono state raccolte le seguenti informazioni: classe di uso del suolo, quota, pendenza, esposizione, copertura della vegetazione. Nel caso specifico dei noccioleti sono stati raccolti dati colturali quali: il sesto dimpianto, il numero di polloni per pianta, let della coltura etc; campionamento e fotointerpretazione di punti random sul portale Google-earth (in aree con alta risoluzione disponibile), per un totale di circa 1000 elementi campione per lelaborazione qui presentata, (circa 2000 per tutta larea).
  • Slide 6
  • Elaborazione preliminare delle immagini. Immagini Landsat: ortoproiezione nel sistema di riferimento UTM-36n con Datum WGS84; correzione atmosferica con il metodo del Dark Object. Immagini Modis: ritaglio e georeferenziazione dellarea di interesse, nel sistema di riferimento UTM- 36n, datum WGS84; eliminazione dei pixel con valori anomali a mezzo dei codici binari Quality-check forniti dal produttore. Metodi
  • Slide 7
  • Elaborazione multitemporale. Sono stati individuati tre periodi stagionali significativi, in cui il nocciolo risultava separabile dalle altre classi di vegetazione in virt del differente ritmo fenologico. Sono risultati significativi i periodi stagionali a partire dai giorni giuliani 65, 225 e 305, per una durata di circa 30-45 giorni. Metodi Per ogni periodo individuato, stata calcolata limmagine media di tre anni (2003-2005).
  • Slide 8
  • Elaborazione Multicriteria-evaluation (MCE): individuazione dei criteri. Per tutti i punti campione, sono stati determinati i valori dei seguenti fattori: quota, pendenza, distanza dal mare, ed indice di vegetazione NDVI, calcolato sulle bande spettrali Landsat. Metodi Per ogni classe e fattore, sono state elaborate, delle distribuzioni campionarie empiriche, al fine di individuare degli elementi legati alluso del suolo.
  • Slide 9
  • Elaborazione Multicriteria-evaluation (MCE): i fuzzy-set. Considerando singolarmente le varie classi, le immagini relative ai fattori legati alla distribuzione dei siti, sono state elaborate a mezzo di funzioni fuzzy. Metodi per x < 250 per 350 < x < 1000 per 250 < x < 350 f(x) = 1 I fuzzy-set, cos definiti, esprimono il grado di appartenenza di unarea ad una classe, in relazione ad uno specifico criterio.
  • Slide 10
  • Metodi Elaborazione Multicriteria-evaluation (MCE): i fuzzy-set.
  • Slide 11
  • Metodi Fattori utilizzati per la definizione dei fuzzy-set, relativamente alla varie classi di uso del suolo: Agrario: quota, pendenza, indice NDVI; Boschi di latifoglie: quota, pendenza, indice NDVI; Boschi di conifere: quota, pendenza, indice NDVI; Incolti: quota, pendenza, indice NDVI; Noccioleti: quota, indice NDVI; Pioppeti: pendenza. Funzioni fuzzy applicate Elaborazione Multicriteria-evaluation (MCE): i fuzzy-set. Aggregazione dei fuzzy-set. Singolarmente per ogni classe, stata effettuata laggregazione dei fuzzy-set a mezzo di combinazione lineare ponderata (elaborazione Multicriterio Monobbiettivo).
  • Slide 12
  • Metodi Sono state effettuate 4 differenti prove di classificazione: 1.Classificazione di verosimiglianza sulle bande Landsat; 2.Classificazione di verosimiglianza sulle bande Landsat ed indici di vegetazione NDVI (Modis) multitemporali; 3.Classificazione di verosimiglianza sulle bande Landsat, indici di vegetazione multitemporali e immagini elaborate con gli algoritmi MCE; 4.Classificazione soft con algoritmi Bayesiani, sulle bande Landsat ed indici di vegetazione multitemporali, utilizzando le immagini elaborate con il metodo MCE come immagini di probabilit a priori. Prove di classificazione.
  • Slide 13
  • Risultati 1. Classificazione di verosimiglianza sulle bande multispettrali Landsat. Indici di accuratezza per la classe Nocciolo: kia*= 0.78; kia**= 0.61 accuratezza per lutilizzatore* e per il produttore**
  • Slide 14
  • Risultati 2. Classificazione di verosimiglianza su base Landsat ed indici di Vegetazione NDVI multitemporali. Indici di accuratezza per la classe Nocciolo: kia*= 0.81; kia**= 0.67 accuratezza per lutilizzatore* e per il produttore**
  • Slide 15
  • Risultati 3. Classificazione di verosimiglianza su base Landsat, indici NDVI multitemporali, ed immagini elaborate con algoritmi MCE. Indici di accuratezza per la classe Nocciolo: kia*= 0.88; kia**= 0.86 accuratezza per lutilizzatore* e per il produttore**
  • Slide 16
  • Risultati 4. Classificatore soft Bayesiano. Indici di accuratezza per la classe Nocciolo: kia*= 0.87; kia**= 0.86 accuratezza per lutilizzatore* e per il produttore**
  • Slide 17
  • Risultati Classificatore soft Bayesiano Classificazione di verosimiglianza con algoritmi MCE ed NDVI multitemporali Classificazione di verosimiglianza con indici Ndvi multitemporali Classificazione di verosimiglianza sulle bande Landsat Tm5
  • Slide 18
  • Massima verosimiglianza su base Landsat Massima verosimiglianza con indici Ndvi multitemporali Massima verosimiglianza con immagini landsat, indici Ndvi multitemporali, ed immagini elaborate con il MCE. Classificatore Bayesiano Classe kia*kia**kia*kia**kia*kia**kia*kia** Noccioleti0.780.610.810.670.880.860.870.86 Latifoglie0.640.570.70.590.860.780.830.8 Conifere0.610.780.590.780.750.840.770.8 Incolti0.250.470.430.720.980.9310.86 Agrario0.580.220.540.430.80.940.570.95 Frutteti000011 0 Pioppeti0.060.270.060.131111 Prati0.060.160.140.321110.95 Urbano Suoli Nudi 0.860.940.830.940.98 0.960.94 Corpi idrici10.911 1110.45 Overall kappa 0.590.650.880.81 Risultati accuratezza per lutilizzatore* e per il produttore** Confronto tra le classificazioni mediante gli indici di accuratezza kia.
  • Slide 19
  • Classificazione con indici NDVI multitemporali Risultati Immagine tratta da Google Earth Classificazione su base Landsat Classificazione con immagini elaborate al Mce e indici Ndvi multitemporali Classificatore Bayesiano Noccioleti Boschi di latifoglie Boschi di Conifere Incolti Terreni agrari Prati Frutteti Pioppeti Urbano Corpi Idrici Legenda
  • Slide 20
  • Immagine tratta da Google Earth Classificazione su base Landsat Classificazione con indici NDVI multitemporali Classificazione con immagini elaborate al Mce e indici Ndvi multitemporali Classificatore Bayesiano Risultati Noccioleti Boschi di latifoglie Boschi di Conifere Incolti Terreni agrari Prati Frutteti Pioppeti Urbano Corpi Idrici Legenda
  • Slide 21
  • Conclusioni Lelaborazione qui proposta si presenta come unalternativa semplice ed efficace per il miglioramento delle classificazioni pixel-oriented di immagini multispettrali (sia per quanto riguarda gli errori di omissione che di commissione) finalizzate alla produzione di cartografie tematiche su vasti comprensori ed a bassi rapporti di scala. Gli algoritmi MCE hanno consentito di: a)introdurre e utilizzare informazioni ancillari, legate ai tematismi classificati in maniera specifica e differenziata, compensando leterogeneit spettrale tipica di alcune classi (es. terreni agrari); b)integrare informazioni sia di carattere empirico che analitico. E evidente una consistente riduzione dei pixel isolati mal-classificati, probabilmente legata allintroduzione di uninformazione relativa alla continuit spaziale delle classi. Lelaborazione multitemporale ha rap