Klasyfikacja obszarów miejskich
Opracowanie metody klasyfikowania obszarów miejskich z wykorzystaniem wysokorozdzielczych obrazów satelitarnych nowej generacji
Grant nr 4 T12E 043 26 (G78)
Kierownik projektu: dr inż. Zbigniew Bochenek
Czas trwania: 18.03.2004 – 17.09.2006
Celem projektu było przebadanie różnych rozwiązań zmierzających do utworzenia optymalnej metody klasyfikowania obszarów miejskich z wykorzystaniem wysokorozdzielczych obrazów satelitarnych nowej generacji. Wykorzystano w tych badaniach dane obrazowe charakteryzujące się różną rozdzielczością przestrzenną i spektralną, pochodzące z trzech typów systemów satelitarnych służących do obrazowania powierzchni Ziemi: Landsat ETM+, Terra ASTER oraz QuickBird. Przebadano różne metody cyfrowej analizy i klasyfikacji wysokorozdzielczych zdjęć satelitarnych. Przedmiotem prac były następujące metody:
- metoda analizy spektralnego zmieszania
- metoda określania struktury obszarów miejskich za pomocą miar tekstury obiektów
- metoda kartowania obszarów miejskich za pomocą klasyfikacji obiektowej z wykorzystaniem wielorozdzielczej segmentacji oraz logiki rozmytej;
- metoda klasyfikacji za pomocą sieci neuronowych.
W efekcie wykonanych prac badawczych dokonano oceny użyteczności wyżej wymienionych metod z punktu widzenia dokładności i szczegółowości klasyfikacji pokrycia terenu na obszarach miejskich. W wyniku tych prac stwierdzono, iż najbardziej przydatną dla całościowego sklasyfikowania pokrycia terenu na wysokorozdzielczym obrazie satelitarnym jest metoda hybrydowa, łącząca w sobie elementy klasyfikacji obiektowej oraz wykorzystania sieci neuronowych. Zastosowanie elementów klasyfikacji obiektowej pozwala w procesie wielorozdzielczej segmentacji na wydzielenie obiektów jednorodnych pod względem zróżnicowania spektralnego oraz zmienności geometrycznej, optymalizując te cechy poprzez wybór odpowiednich parametrów służących do wykonania segmentacji – współczynnika skalowego oraz wskaźników kształtu i zwartości. Analiza obrazu metodą obiektową za pomocą oprogramowania eCognition umożliwia również określenie dla każdego obiektu wydzielonego w trakcie segmentacji wielu charakterystyk, zarówno spektralnych jak i pozaspektralnych, m.in. dotyczących kształtu i tekstury obiektów oraz relacji zachodzących pomiędzy poszczególnymi obiektami. Ta możliwość została wykorzystana do utworzenia metody hybrydowej. W procesie analizy obrazu metodą obiektową dla zespołu pól treningowych reprezentujących poszczególne klasy pokrycia terenu wyznaczono szereg parametrów, określających wielkość odbicia spektralnego, znormalizowany wskaźnik roślinności oraz miary tekstury obiektów. Tabela z wartościami tych parametrów stanowiła zestaw danych będących punktem wyjścia do realizacji drugiej części metody – analizy i klasyfikacji z wykorzystaniem sieci neuronowych. Dobór odpowiednich parametrów wejściowych oraz typów i sposobów uczenia sieci neuronowej pozwolił na osiągnięcie wysokiej jakości uczenia, walidacji i testowania sieci, a w efekcie uzyskanie dobrej dokładności klasyfikacji wykonanej za pomocą optymalnego typu sieci.
Analiza dokładności klasyfikacji, przeprowadzona za pomocą zespołu pól kontrolnych wykazała, iż obszary zabudowane w ramach aglomeracji miejskiej można podzielić na trzy kategorie gęstości zabudowy ze średnią precyzją rozpoznania 88 %. Również dla terenów zielonych występujących w ramach aglomeracji można wyróżnić trzy kategorie pokrycia terenu ze średnią dokładnością klasyfikacji 85 %. Wyniki uzyskane w niniejszej pracy wykazują, że metoda hybrydowej klasyfikacji wysokorozdzielczego obrazu satelitarnego, wykorzystująca elementy analizy obiektowej i sieci neuronowych, może być efektywnym narzędziem sporządzania map pokrycia terenu dla obszarów aglomeracji miejskich. Mapy sporządzane tą metodą mogą służyć planistom przestrzennym dla szybkiej, generalnej oceny struktury obszarów miejskich oraz określania zmian wywoływanych procesami urbanizacyjnymi w obrębie dużych aglomeracji.
Ryc. Klasyfikacja obiektowa typów zabudowy na obszarze Warszawy. Opracowanie: IGiK