Χαρτογράφηση χρήσεων/κάλυψης γης σε ελληνικό χώρο με χρήση υπερφασματικών δεδομένων τηλεπισκόπησης και τεχνικών χωρικής ανάλυσης γεωγραφικών πληροφοριακών συστημάτων

Abstract

Το αστικό πράσινο αποτελεί ένα ιδιαίτερα σημαντικό στοιχείο του περιβάλλοντος αντιπροσωπεύοντας έναν καίριας σημασίας παράγοντα στις αλληλεπιδράσεις του ανθρώπου με το περιβάλλον στο οποίο ζει. Οποιαδήποτε πληροφορία για την χωρική κατανομή της αστικής βλάστησης είναι ιδιαιτέρως χρήσιμη για έναν αειφόρο αστικό σχεδιασμό και μια ορθή περιβαλλοντική διαχείριση καθώς και για τη μελέτη ενός μεγάλου εύρους περιβαλλοντικών και μη θεμάτων. Τα πρόσφατα τεχνολογικά επιτεύγματα στους δορυφορικούς αισθητήρες συνετέλεσαν και στην ανάπτυξη των υπερφασματικών συστημάτων ανίχνευσης τα οποία έχουν την ικανότητα να συλλέξουν φασματική πληροφορία σε ένα μεγάλο εύρος διακριτών φασματικών ζωνών καταγραφής εικόνων στο ορατό και στο υπέρυθρο φάσμα. Με αυτό τον τρόπο ενισχύθηκε σημαντικά η δυνατότητα του ανθρώπου να μπορεί να προσδιορίζει με ακρίβεια διαφορετικούς στόχους στην επιφάνεια της Γης. Τέτοια δορυφορικά δεδομένα συνδυασμένα με Γεωγραφικά πληροφοριακά συστήματα (ΓΠΣ) χρησιμοποιούνται σε διάφορα πεδία έρευνας συμπεριλαμβανομένης και της χαρτογράφησης της αστικής βλάστησης. Η παρούσα μελέτη στοχεύει στην αξιολόγηση της δυνατότητας χρήσης υπερφασματικών

δεδομένων από τον υπερφασματικό αισθητήρα Hyperion για την χαρτογράφηση του αστικού πράσινου στη πόλη της Αθήνας. Ο αισθητήρας Hyperion είναι από τους ελάχιστους δορυφορικούς υπερφασματικούς αισθητήρες που βρίσκονται αυτή τη στιγμή σε τροχιά και είναι σε θέση να συλλέξει φασματικά δεδομένα σε 242 φασματικά κανάλια από το ορατό έως το υπέρυθρο του ηλεκτρομαγνητικού φάσματος με χωρική ανάλυση 30 μέτρων. Ειδικότερα, στη παρούσα εργασία, έγινε συγκριτική μελέτη των αποτελεσμάτων χαρτογράφησης της περιοχής μελέτης δύο αλγορίθμων επιβλεπόμενης ταξινόμησης και πιο συγκεκριμένα της Μηχανής Υποστήριξης Διανυσμάτων (Support Vector Machine) και του Χαρτογράφου Φασματικής Γωνίας (Spectral Angle Mapper). Για την εκτέλεση της εργασίας χρησιμοποιήθηκε μια δορυφορική εικόνα του αισθητήρα Hyperion με ημερομηνία 27/08/2009 ενώ για τον έλεγχο της ακρίβειας της ταξινόμησης από την εφαρμογή της κάθε τεχνικής ταξινόμησης, χρησιμοποιήθηκε η εικόνα της ίδιας ημερομηνίας η οποία παρέχεται δωρεάν από το Google Earth. Η ανάλυση των δεδομένων καθώς και η αξιολόγηση των αποτελεσμάτων έγινε χρησιμοποιώντας τα εξειδικευμένα λογισμικά επεξεργασίας ψηφιακών χωρικών δεδομένων ENVI 4.7 και ArcGis 10. Δεδομένα από τον Δήμο Ιλίου χρησιμοποιήθηκαν για την επαλήθευση των αποτελεσμάτων ταξινόμησης των δύο αλγόριθμων και εξετάστηκε η ταύτισή τους με πραγματικά δεδομένα πρασίνου. Η συνολική ακρίβεια (overall accuracy) ταξινόμησης της υπερφασματικής εικόνας ισούται με 86,53% για τον SVMSs αλγόριθμο και 75,13% για τον Σελίδα 5

SAM αλγόριθμο. Τέλος στην επαλήθευση των αποτελεσμάτων αυτών στον Δήμο Ιλίου προέκυψαν ικανοποιητικά ποσοστά σύμπτωσης με τα πραγματικά δεδομένα πρασίνου του δήμου τα οποία όμως χρειάζονται περαιτέρω βελτίωση. Συμπερασματικά τα υπερφασματικά δορυφορικά δεδομένα έχουν ήδη ανοίξει μια νέα εποχή στη χαρτογράφηση γης και ιδιαίτερα στην χαρτογράφηση αστικών περιοχών υπερτερώντας έναντι των πολυφασματικών δεδομένων. Ωστόσο περαιτέρω έρευνα είναι απαραίτητη με τη χρήση διαφορετικών τεχνικών ταξινόμησης οι οποίες θα αντιμετωπίζουν αποτελεσματικά τον μεγάλο όγκο φασματικής πληροφορίας που λαμβάνεται από τα υπερφασματικά δεδομένα

Vegetation represents a crucial factor in urban systems and plays a significant role in human-environment interactions. Open green spaces in modern cities provide to human beings a suitable environment to live and work. Information on its spatial distribution is very useful in practical terms for many reasons. For example, it can assist to sustainable urban planning and resourceful environmental management and to also studying a range of issues in environmental sciences. Recent technological advancements in remote sensors technology have resulted to the development of hyperspectral sensing systems, which collect spectral information in a large number of discrete, narrow spectral bands. This enhances dramatically our ability to accurately identify different targets on the Earth’s surface. Such data, often combined with Geographical Information Systems (GIS), are widely used in a wide range of applications, including urban vegetation cover mapping. In this context, the present study explores the use of Hyperion hyperspectral imagery in obtaining urban vegetation cartography for the city of Athens, the capital of Greece. Hyperion is one of the few satellite hyperspectral sensors currently in orbit, colleting spectral data in 242 spectral bands from visible to middle-infrared regions of electromagnetic spectrum and at a spatial resolution of 30 meters. In particular, the combined use of Hyperion with the Support Vector Machines (SVMSs) and the Spectral Angle Mapper (SAM) in deriving maps of urban cover distribution was evaluated herein. For the study implementation, a single Hyperion hyperspectral imagery acquired on 27/08/2009 over Athens was used. Validation of the derived maps was performed using Google Earth imagery of the same acquisition date. Accuracy assessment was performed using ENVI 4.7 and ArcGis 10 software platforms. Information on the spatial distribution of green vegetation derived from Hlion municipality was used together with the error matrix analysis to validate the results of the two algorithms in terms of their ability to map the extend of urban green areas. An overall accuracy of 86,53% and 75,13% was reported in the thematic maps derived from the SVMSs and SAM algorithms implementation respectively. In addition, the comparisons of the derived green urban areas from the two algorithms against those from the Ilion municipality returned satisfactory results. Yet, results suggested that there is a lot of potential for further enhancement from the perspective of algorithm development for the retrievals of those parameters exists. Conclusively, hyperspectral data seems to be effective in urban vegetation classification. Yet, further research is needed with the inclusion of more classification techniques which are able to confront the vast amount of spectral information