Városi környezet vizsgálata távérzékelési adatok osztályozásával Verőné Dr. Wojtaszek Małgorzata Óbudai Egyetem AMK Goeinformatika Intézet 20 éves a Térinformatika Tanszék 2014. december. 15
Felvetések Probléma felvetése Elvárásaink távérzékeléssel szemben A felvételek részletgazdasága a többletinformáció osztályozási nehézségeket jelenthet Képosztályozási technikák OBIA Szegmentálás, de milyen módszerrel Osztályozás Eredmények
Iparosodás, népességnövekedés. XIX. század gazdasági fejlődés 1800 és 1914 között megduplázódott az emberiség lélekszáma XIX. század elején a Föld lakóinak 2,4% városban élt jelenleg ez az arány meghaladja 50%-ot Az Európai Unió lakosságának 80%-a városi térségben él (EEA 2006) Magyarországon a népességnek 67% városlakó (KSH 2009)
Városökológia Következménye. beépített területek folyamatos növekedése, városok terjeszkedése a városi területhasználat változása mesterséges környezet keletkezése Székesfehérvár XIII. században és jelenleg (2011) A városi területek felszínborításának, használatának felmérése A városi beépítettség meghatározása Térbeli és időbeli változások vizsgálata Térbeli struktúrák meghatározása A városi területek antropogén terhelésének felmérése és értékelése A megváltozott ökológiai feltételek feltárása és azok hatásainak feltérképezése
A felvételek részletgazdasága Műholdas felvételek Geometriai felbontás < 1 m Légifelvételek néhány cm Pilóta nélküli eszközök (UAV) LIDAR 6-8 mérési pont/ m 2
Trendek a Föld megfigyelésében az adat mennyisége és minősége növekszik az adatok komplexitása növekszik növekvő igények a GIS-ben Vizuális interpretáció korlátai Adatok: mennyisége, minősége, összetettsége Automatizálás Resources Erőforrások
Osztályozás előtti döntések Spektrális kérdések Mesterséges anyagkeverékek: spektrális tulajdonságai, koruk, pozíciójuk a felszínen jelentősen eltérhet ugyanazon anyag esetében heterogén objektumok sokasága, spektrális eltérések egy kategórián belül) Természetes borítás Fogalmi kérdések Helyes kategóriák felállítása az osztályozás előtt Területhasználati (társadalmi célok) és felszínborítási (anyagok fizikai tulajdonságai) kategóriák elkülönítése
Az osztályozás előtti döntések A feladat nehézsége Osztályozás? NEM A tematikus kategóriákra jellemző tulajdonságok kiválasztása! Reprezentatív tanulóterületek kiválasztása! Leíró tulajdonságok előállítása Leíró tulajdonságok szelektálása Osztályozás jellemzők alapján
Kutatás célja A városi területek felszínborításának, használatának felmérése A városi beépítettség meghatározása Térbeli és időbeli változások vizsgálata Térbeli struktúrák meghatározása A városi területek antropogén terhelésének felmérése és értékelése A megváltozott ökológiai feltételek feltárása és azok hatásainak feltérképezése
Kutatás célja meglévő osztályozási módszerek használata osztályozási eljárás fejlesztése, amely eredményesen használható fel szuperfelbontású műholdas felvételek kiértékelésében Osztályozási eljárás Pixel alapú Input Szegmens alapú (spektrális elemzés) OBIA (több paraméteres) Output
Adatok Eredeti sávok, NDVI, NDWI,..
Történelmi források
Felszínborítás térképezése, OBIA Spektrális tulajdonságok Alak Méret Térbeli tényezők
Felületi szegmentálás kérdései Szegmentálni, de hogyan. input adatok.. eljárások paraméterek.. Szoftver: ecognitionion Developer, Idrisi, ENVI,..
Szegmentálás optimális eredménye Homogén, jól elkülönülő felszínek Viszonylag szabályos objektumok
Szegmentálási problémák Nagy felületen (pl. bevásárló központ, parkoló) kis kiterjedésű, körbezárt szegmensek előfordulása Több kategória összeolvadása egy szegmensen belüli (nagy kiterjedésű szegmensek esetén)
Ami a szegmentálás eredményét javíthatja Input adatok növelése több forrásból származó adatok integrálása (műholdas képek, LIDAR) eredeti sávok, PC, indexek (az adatok súlyozhatók) kataszteri és tematikus térképi adatok figyelembe vétele Spektrális adatok (eredeti sávok) Magassági adatok (LIDAR) Tematikus térképi adatok Spektrális adatokból levezetett értékek (PC, SAVI, NDVI, BNDVI ) Szegmentálás
Felszínborítási kategóriák városi környezetben Tematikus kategóriák a jelenleg használt felszínborítási és földhasználati kategóriák használt távérzékelési adatok geometriai felbontása
Az osztályozás folyamata A tematikus kategóriák jellemzőinek definiálása Magasság: átlag, szórás szegmensek Intenzitás: átlag, Épület Nem épület Indexek: NDVI, NDWI mesterséges Vegetáció Szomszédsági viszonyok út parkoló egyéb Méret Alak Fák Bokrok Füves terület
Épületek leválogatásának egyes lépései 1. Épületek leválogatása magasság alapján Probléma: vegetáció téves besorolása 2. Módosítás NDVI alapján Probléma: vegetációval fedett háztetők kihagyása Módosítás szomszédsági viszonyok alapján Probléma: kis területek Módosítás terület alapján
Osztályozási eredmény Osztályozás spektrális tulajdonságok és magassági adatok alapján Osztályozás spektrális tulajdonságok alapján
Beépítettség és változásainak térképezése (ecognition) osztályozás DtM RGB DDM GIS Cél: Beépítettség térképezése/ változások térképezése (kataszteri adatok és naprakész adatok Input Data légifelvételek (RGB + NIR) Hiperspektrális adatok DDM + DTM Tematlikus adatok Forrás: ecognition
Módszer Controlled with Rule Set Segmentation Classification Context Abstraction Result Input Raster Vector Point cloud Raster Vector Point cloud Report Adatok integrálása (raster, vector and point cloud data) OBIA Source: ecognition
Verőné Wojtaszek Malgorzata wojtaszek.malgorzata@amk.uni-obuda.hu