SPIDER SPatial Information Extraction for Local and Regional DEcision Making using VHR Remotely Sensed Data

Transcriptie

1 Het gebruik van zeer-hoge-resolutie satellietbeelden voor regionale en lokale overheden Tim Van de Voorde William De Genst Frank Canters SPIDER SPatial Information Extraction for Local and Regional DEcision Making using VHR Remotely Sensed Data Onderzoeken hoe AO technologie het beslissingsproces van lokale en regionale overheden kan ondersteunen Nadruk op (rand)stedelijke omgevingen Verbeteren van ruimtelijke informatie-extractie technieken Nuttige AO applicaties identificeren bij doelgroep Donderdag 22 april 2004 FLAGIS studiedag Nieuwe technologie in aardobservatie Centrum voor Cartografie en Geo-informatiekunde, Vrije Universiteit Brussel Gefinancierd door Federaal Wetenschapsbeleid 2 Centrum voor Cartografie en Geoinformatiekunde (VUB) Laboratorium voor Bosbeheer en Ruimtelijke Informatietechnieken (UG) SURFACES (ULg) Vakgroep Geografie (UG) IGEAT (ULB) Technisch luik: Geometrische aspecten Beeldclassificatie Multi-resolutie strategieën voor kosten-efficiënte informatie-extractie Thematisch luik: Identificatie van gebruikersbehoeften Synthese bestaande applicaties Toetsing van geografische informatiebehoeften Applicatie-ontwikkeling Definitie nuttige toepassingen Ontwikkeling prototypen 3 4 Classificatie van bodembedekking Multispectrale classificatie (Quickbird, verschillende benaderingen) Hyperspectrale classificatie (CASI) Post-classificatie technieken Enquete behoeften van lokale en regionale overheden Selectie van wolkenvrije testzones Studiegebied: 5 test zones geselecteerd in een Quickbird beeld (23 Augustus, 2002) 7 betrouwbaarheid zones Complete orthorectificatie van de testzones met DSM, afgeleid uit luchtfoto s en GPS databank 5 6

2 7 Door de beperkte spectrale resolutie van ZHR beelden (R,G,B,IR) kunnen slechts een beperkt aantal klassen in kaart gebracht worden Vergelijking van diverse classificatiestrategieën Alternatieve classificatiemethoden Maximum-likelihood classificatie (ML) Neuraal netwerk classificatie (NN) Object-georienteerde classificatie (ecognition) Diverse combinaties van classificatievariabelen originele kanalen (R, G, B, IR,PAN) textuurvariabelen Informatie op segment-niveau Exhaustieve validatie 8 Problemen met pixel-gebaseerde classificaties Overgangszone tussen bomen en gras wordt landbouwgewassen Schaduwen van bomen verstoppen bodembedekking Per-pixel classificatie met neurale netwerken (Neuralware s Predict) Beste resultaat met alle spectrale informatie plus variantie (PCC van 83%) 9 Reflecterende oppervlakken en spiegeling worden glas Overgang tussen weg en vegetatie wordt naakte bodem Zout-en-peper effect bemoeilijkt herkenning objecten 10 Problemen met pixel-gebaseerde classificaties Post-classificatie benaderingen Een per-pixel classificatie heeft een hogere ruimtelijke complexiteit in vergelijking met een visuele interpretatie Oplossen van problemen in de classificatieresultaten Verwijderen van schaduw Visuele interpretatie : 276 regio s Per-pixel classificatie: 5692 regio s Reduceren van structurele clutter Identificeren van classificatiefouten en verfijning van classificatieresultaten op basis van Kennisgebaseerde regels Additionele informatiebronnen (DSM) 11 12

3 13 Licht in de duisternis Mogelijke oplossing: een neuraal netwerk trainen om schaduwpixels te herclasseren Trainingdata afkomstig van overlay schaduwpixels uit classificatie met visuele interpretatie en extra informatie uit de oorspronkelijke classificatie Shadow-NN : 67% van de geherclasseerde schaduwpixels worden correct toegewezen Post-classificatie regels Kennis-gebaseerde regels die werken op regio s van pixels die tot eenzelfde klasse behoren Structurele filter die fragmentatie reduceert door regio s kleiner dan een bepaalde oppervlakte-drempel aan buurregio toe te wijzen PCC op onafhankelijke validatieset : 83% PCC op onafhankelijke validatieset : 89% 14 Spectrale resolutie van VHR beelden is te beperkt Sommige bodembedekkingstypes kunnen niet onderscheiden worden: bvb. asfalt versus beton CASI campagne, september beeld in hyperspectrale modus vlieghoogte 970 m resolutie 1.34 m 48 kanalen! LAND COVER CLASS LAND COVER CLASS grey grey slate and tile reflecting metal surface surface light metal roofing dark metal light roofing dark roofing grey gravel vegetation grass concrete shrub and tree asphalt road moss light road material shadow shadow vegetation red red tile shadow non vegetation surface exposed red tile not exposed red tile red gravel Versnijding met DSM en post-classificatie CASI-beeld (Sterre, Gent): 48 banden ML-classificatie, 7 banden (DBFE) 17 DSM: identificatie van gebouwen Versnijden ML-classificatie met DSM Post-classificatie (kennis-gebaseerde regels en structurele filtering) 18

4 19 Versnijding met DSM en post-classificatie ZHR data geven fijn ruimtelijk detail, maar beperkte bedekking voor hoge kostprijs Data met lagere resolutie (bvb. Landsat) is veel goedkoper en heeft grotere bedekking, maar minder ruimtelijk detail Kunnen we de voordelen van beide sensoren combineren? Resultaat post-classificatie (herleid naar 1 niveau) Sterke reductie van schaduw en clutter ML-classificatie, 7 banden (DBFE) Hogere nauwkeurigheid t.o.v. ML-classificatie 20 Pixels van beelden met lagere resolutie bestaan vaak (meestal) niet uit slechts 1 bodembedekkingstype, ze zijn gemengd In een traditionele ( harde ) classificatie wordt een pixel nochtans aan 1 enkele klasse toegewezen (bvb. gras ) Zachte classificatietechnieken, zoals bvb.een NN, maken het mogelijk 1 pixel aan meerdere klassen toe te wijzen (bvb. 50% gras, 40% beton en 10% bomen) Landsat ETM+ Gent Trainingsdata: NN maakt link tussen spectrale waarden ETM+ en klasseproporties afkomstig van (post)classificatie Quickbird beeld B B C D 21 Quickbird Gent 22 Behoeften van de eindgebruikers Voorbeeld van toepassing: proportie van ondoorlaatbare oppervlakte per ETM+ pixel Enquête en interviews bij 45 gebruikers van geografische data 4 niveaus: Vlaanderen, Brussel, Wallonië en federaal Lokale, provinciale, regionale en nationale overheden, inter-communale organisaties Nadruk op in-diepte bevragingen i.p.v. groot aantal respondenten Op basis van huidige en toekomstige databehoeften, nuttige producten gebaseerd op AO informatie definiëren Toepassen van ontwikkelde technieken in concrete applicaties in samenwerking met eindgebruikers 23 24

5 25 Overzicht Classificatie van bodembedekking Multispectrale classificatie (Quickbird, verschillende benaderingen) Hyperspectrale classificatie (CASI) Post-classificatie technieken Enquete behoeften van lokale en regionale overheden Vragen