Συγκριτική μελέτη τεχνικών εξαγωγής κάλυψης χρήσης γης από πολυφασματικά δεδομένα σε περιβάλλον ΓΠΣ

Abstract

Η παρούσα διπλωματική εργασία ανατέθηκε από το Εργαστήριο Τηλεπισκόπησης του τμήματος Αξιοποίησης Φυσικών Πόρων & Γεωργικής Μηχανικής, όπου και εκπονήθηκε μέσα στο πλαίσιο των προβλεπόμενων εκπαιδευτικών διαδικασιών που αφορούν στους τελειόφοιτους του μεταπτυχιακού προγράμματος σπουδών του Γεωπονικού Πανεπιστημίου Αθηνών. Σκοπός αυτής της διπλωματικής εργασίας είναι η διερεύνηση των δυνατοτήτων της ψηφιακής τηλεπισκόπησης μέσα από τις ραγδαίες επιστημονικές εξελίξεις και η δημιουργία χαρτών χρήσης/ κάλυψης γης μέσα από 3 διαφορετικές μεθόδους επιβλεπόμενης ταξινόμησης, ώστε να μελετηθούν και να αξιολογηθούν τα αποτελέσματά τους. Οι υπό σύγκριση μέθοδοι είναι oι παραμετρικοί αλγόριθμοι της Μέγιστης Πιθανοφάνειας και της Απόστασης Mahalanobis και o μη παραμετρικός των Νευρωνικών Δικτύων. Η χαρτογράφηση χρήσης κάλυψης γης χαρτών αποτελεί έναν από τους σημαντικότερους τομείς της τηλεπισκόπησης συνεπώς προκύπτει ιδιαίτερο ενδιαφέρον διερεύνησης των μεθόδων εξαγωγής της. Ως περιοχή μελέτης επιλέχθηκε μια αρκετά μεγάλη περιοχή στο ΝΑ τμήμα της νήσος Χίου έκτασης 32.416 Km2 που καλύπτεται από μια δορυφορική εικόνα πολύ υψηλής ανάλυσης WorldView-2. Η μέθοδος ταξινόμησης της Μέγιστης Πιθανοφάνειας χρησιμοποιείται ευρέως σε πολλές απομακρυσμένες εφαρμογές ανίχνευσης και μπορεί να θεωρηθεί ως μια από τις πιο αξιόπιστες τεχνικές και διέπεται της αρχής ότι τα εικονοστοιχεία ταξινομούνται στην κλάση με την υψηλότερη πιθανότητα ομοιογένειας. Η μέθοδος της απόστασης Mahalanobis χρησιμοποιεί τα στατιστικά στοιχεία κάθε φασματικής κατηγορίας για την υλοποίηση της ταξινόμησης. Η κύρια διαφοροποίηση της από άλλες παραμετρικές μεθόδους είναι ότι στην εξίσωσή της χρησιμοποιείται και ο πίνακας συμμεταβλητότητας. Η μέθοδος των Νευρωνικών Δικτύων βασίζουν την ορθή ταξινόμηση της εικόνας με βάση τις περιοχές εκπαίδευσης που εισάγονται στον αλγόριθμο χωρίς να είναι παράγοντας η κανονική κατανομή των εικονοστοιχείων. Αυτό έχει σαν αποτέλεσμα την μείωση των προβλημάτων που δημιουργούν τα εικονοστοιχεία που κατηγοριοποιούνται σε περισσότερο από μια κλάση. Σε αυτή τη μελέτη ερευνούνται οι παράμετροι αυτών των μεθόδων και τα αποτελέσματα αξιοπιστίας τους για την παραγωγή χαρτών χρήσης/κάλυψης γης. Τα πειραματικά αποτελέσματα της εργασίας αυτής έδειξαν ότι ο αλγόριθμος Νευρωνικών Δικτύων είχε συνολική ακρίβεια 94,38% και Συντελεστή Kappa 0,904 και αποδείχθηκε πιο αξιόπιστο από το αλγόριθμο Μέγιστης Πιθανοφάνειας με 93,36% και Συντελεστή Kappa 0,888, αντίστοιχα.