Nuove proposte per la Classificazione Pixel-oriented di
immagini multispettrali
Gianluca TRAMONTANA(*), Pier Luigi PORTA (**), Claudio BELLI (**) , Dario PAPALE (*)
(*) DISAFRI (Dipartimento di scienze dell’ambiente forestale e delle sue risorse), Università della Tuscia, [email protected]
(**) Terrasystem s.r.l, Via Pacinotti n.55 (VT), 0761250626 [email protected], [email protected]
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 bontà dei risultati ottenuti è influenzata da:
•similarità spettrale tra le classi da rappresentare;
•eterogeneità di alcune classi di uso del suolo (es. i terreni agrari).
Errori più frequenti:
•presenza di pixel isolati mal classificati;
•confusione tra oggetti spettralmente simili.
Obbiettivo
Contesto di questo lavoro: produzione di una cartografia tematica dei
noccioleti nel Nord della Turchia a mezzo di classificazione supervised pixeloriented di immagini multispettrali a media risoluzione (Landsat TM5).
Obbiettivo dell’elaborato: Migliorare l’accuratezza 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.
Materiali
L’area 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 dall’ente statunitense NGA (National GeospatialIntelligence Agency), ad una risoluzione spaziale di 90m;
•Immagini ad alta risoluzione disponibili sul portale on-line Google-Earth.
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 d’impianto, il numero di polloni per pianta, l’età 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 l’elaborazione qui presentata, (circa 2000 per tutta l’area).
Metodi
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 dell’area di interesse, nel sistema di riferimento UTM36n, datum WGS84;
•eliminazione dei pixel con valori anomali a mezzo dei codici binari Quality-check
forniti dal produttore.
Metodi
Elaborazione multitemporale.
Sono stati individuati tre periodi stagionali significativi, in cui il nocciolo
risultava separabile dalle altre classi di vegetazione in virtù del differente ritmo
fenologico.
Andamento dell'indice Ndvi per i siti a nocciolo ed i boschi di
latifoglie
10000
9000
8000
7000
Ndvi
6000
Boschi di latifoglie
5000
Noccioleti
4000
3000
2000
1000
0
0
100
200
300
400
giorni giuliani
Sono risultati significativi i periodi stagionali a partire dai giorni giuliani
65, 225 e 305, per una durata di circa 30-45 giorni.
Per ogni periodo individuato, è stata calcolata l’immagine media di tre anni
(2003-2005).
Metodi
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.
Distribuzione
boschi
in
relazione
alla
quota
Distribuzione
deidei
siti
a bosco
dilatifoglie
latifoglieinin
relazione
alla
pendenza
Distribuzione
dei
siti adinocciolo
relazione
alla
quota
0.60
0
20 0 0
0 -2
20 - 30 00
0 0
40 - 3 0
0
300
0- 5040
00
6040 0
0 -5
50 70 00
0- 0
60
80
0
600
-09
-07
00
10 7
0
00 0 0
-1-8
80 100 00
12 0
00 - 9
0
90 01-3 0
100
14
00
00
-1
50
0
Serie1
0.00
1
00
- 10100
fr(y|x)
fr(y|x)
fr(y|x)
0.60
0.45
0.40
0.50
0.35
0.50
0.40
0.30
0.25
0.40
0.30
0.20
0.15
0.30
0.20
0.10
0.05
0.10
0.20
0.00
0.00
0.10
0-5 05-10 10-15 15-20 20-25 25-30 30-35 35-40 40-45 45-50
quotaquota
(m)
pendenza
(°) (m)
Per ogni classe e fattore, sono state
elaborate, delle distribuzioni
campionarie empiriche, al fine di
individuare degli elementi legati
all’uso del suolo.
Metodi
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.
I fuzzy-set, così definiti, esprimono il grado di appartenenza di un’area ad una
classe, in relazione ad uno specifico criterio.
0.20
0.00
0.00
quota (m)
1150
0.20
950
0.40
1050
0.40
850
0.60
750
0.60
650
0.80
550
0.80
450
1.00
350
1.00
250
1.20
150
1.20
50
d (y|x)
Distribuzione dei noccioleti in funzione della quota
Distribuzioni
campionarie
Valori fuzzy
per x < 250


x  a
f ( x )  cos 2 1  
*

2
b  a 


per 250 < x < 350
f(x) = 1
per 350 < x < 1000
 x  c 
 
f ( x )  cos 2  
*


2
 d  c 
Metodi
Elaborazione Multicriteria-evaluation (MCE): i fuzzy-set.
Distribuzione dei boschi di latifoglie in relazione alla
pendenza
1.20
d(y|x)
1.00
Distribuzioni
campionarie
0.80
0.60
Valori fuzzy
0.40
0.20
0.00
2.5 7.5 12.5 17.5 22.5 27.5 32.5 37.5 42.5 47.5
pendenza (°)
 x  a  
f ( x)  cos 2 1  
* 

 b  a  2 
Metodi
Elaborazione Multicriteria-evaluation (MCE): i fuzzy-set.
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.
Aggregazione dei fuzzy-set.
Singolarmente per ogni classe, è
stata effettuata l’aggregazione
dei fuzzy-set a mezzo di
combinazione lineare ponderata
(elaborazione Multicriterio
Monobbiettivo).
Funzioni fuzzy applicate
Metodi
Prove di classificazione.
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 probabilità a priori.
Risultati
1. Classificazione di verosimiglianza sulle bande multispettrali Landsat.
Indici di accuratezza per la classe
Nocciolo:
kia*= 0.78; kia**= 0.61
accuratezza per l’utilizzatore* e per il produttore**
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 l’utilizzatore* e per il produttore**
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 l’utilizzatore* e per il produttore**
Risultati
4. Classificatore soft Bayesiano.
Indici di accuratezza per la classe
Nocciolo:
kia*= 0.87; kia**= 0.86
accuratezza per l’utilizzatore* e per il produttore**
Risultati
Classificazione di verosimiglianza
bande Landsat Tm5
sulle
Classificazione di verosimiglianza con
algoritmi MCE ed NDVI multitemporali
Classificazione di verosimiglianza con indici
Ndvi multitemporali
Classificatore soft Bayesiano
Risultati
Confronto tra le classificazioni mediante gli indici di accuratezza kia.
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
kia* kia**
kia*
kia**
kia*
kia**
kia* kia**
Noccioleti 0.78 0.61
0.81
0.67
0.88
0.86
0.87 0.86
Classe
Latifoglie
Conifere
Incolti
Agrario
Frutteti
Pioppeti
Prati
Urbano Suoli
Nudi
Corpi idrici
0.64
0.61
0.25
0.58
0
0.06
0.06
0.57
0.78
0.47
0.22
0
0.27
0.16
0.7
0.59
0.43
0.54
0
0.06
0.14
0.59
0.78
0.72
0.43
0
0.13
0.32
0.86
0.75
0.98
0.8
1
1
1
0.78
0.84
0.93
0.94
1
1
1
0.83
0.77
1
0.57
1
1
0.8
0.8
0.86
0.95
0
1
0.95
0.86
0.94
0.83
0.94
0.98
0.98
0.96
0.94
1
0.91
1
0.91
1
1
1
0.45
Overall
kappa
0.59
Overall
kappa
0.65
Overall kappa
0.88
accuratezza per l’utilizzatore* e per il produttore**
Overall
kappa
0.81
Risultati
Immagine tratta da Google Earth Classificazione su base Landsat
Classificazione
con
NDVI multitemporali
indici
Classificazione con immagini
elaborate al Mce e indici Ndvi
multitemporali
Legenda
Noccioleti
Boschi di latifoglie
Boschi di Conifere
Incolti
Terreni agrari
Prati
Frutteti
Pioppeti
Urbano
Corpi Idrici
Classificatore Bayesiano
Risultati
Immagine tratta da Google Earth Classificazione su base Landsat
Classificazione con indici NDVI
multitemporali
Legenda
Noccioleti
Boschi di latifoglie
Boschi di Conifere
Incolti
Terreni agrari
Prati
Frutteti
Pioppeti
Urbano
Corpi Idrici
Classificazione con immagini Classificatore Bayesiano
elaborate al Mce e indici Ndvi
multitemporali
Conclusioni
L’elaborazione qui proposta si presenta come un’alternativa 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.
L’elaborazione multitemporale ha rappresentato lo strumento migliore al fine di
massimizzare la distinzione su base spettrale di classi di vegetazione tra loro simili (es.
boschi di latifoglie e noccioleti) in virtù del ritmo fenologico.
Gli algoritmi MCE hanno consentito di:
a) introdurre e utilizzare informazioni ancillari, legate ai tematismi classificati in maniera
specifica e differenziata, compensando l’eterogeneità 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
all’introduzione di un’informazione relativa alla continuità spaziale delle classi.
Conclusioni
Le immagini classificate con l’ausilio del sistema di supporto decisionale risultano molto
generalizzate. Ciò potrebbe esser dovuto al ridotto numero di criteri adottati. Tale
caratteristica va tenuta presente quando si decida di utilizzare questo metodo.
Ai fini dell’individuazione delle aree potenziali, risulta sempre necessaria una conoscenza
della realtà a terra, finalizzata anche alla digitalizzazione di maschere booleane e/o fuzzy.
Possibili sviluppi:
•sulla base periodi individuati nelle serie storiche degli indici Ndvi Mod 13, inserire nel
classificatore bande multitemporali ad una maggiore risoluzione (es. immagini Landsat);
•migliorare il sistema di supporto decisionale, individuando altri criteri in fattori vari, legati
alla biologia della coltura (es. mappe climatiche), agronomici (es. mappe dei suoli), o
antropici (es. la distanza dai centri urbani e/o di lavorazione).
Grazie a tutti per la cortese e paziente
attenzione!
Scarica

Presentazione Powerpoint