Gianluca TRAMONTANA(. ), Pier Luigi PORTA (. ), Claudio BELLI (

Presentazione sul tema: "Gianluca TRAMONTANA(. ), Pier Luigi PORTA (. ), Claudio BELLI ("— Transcript della presentazione:

1 Nuove proposte per la Classificazione Pixel-oriented di immagini multispettrali
Gianluca TRAMONTANA(*), Pier Luigi PORTA (**), Claudio BELLI (**) , Dario PAPALE (*) (*) DISAFRI (Dipartimento di scienze dell’ambiente forestale e delle sue risorse), Università della Tuscia, (**) Terrasystem s.r.l, Via Pacinotti n.55 (VT),

2 Introduzione La classificazione supervised pixel-oriented di immagini multispettrali rappresenta un valido mezzo per la produzione di cartografie tematiche (es. distribuzione delle colture agrarie permanenti). La bontà dei risultati ottenuti è influenzata da: similarità spettrale tra le classi da rappresentare; eterogeneità di alcune classi di uso del suolo (es. i terreni agrari). Errori più frequenti: presenza di pixel isolati mal classificati; confusione tra oggetti spettralmente simili.

3 Obbiettivo Contesto di questo lavoro: produzione di una cartografia tematica dei noccioleti nel Nord della Turchia a mezzo di classificazione supervised pixel-oriented di immagini multispettrali a media risoluzione (Landsat TM5). Obbiettivo dell’elaborato: Migliorare l’accuratezza di classificazione, sulla base di elementi discriminanti individuati in: indici di vegetazione multitemporali; informazioni spaziali elaborate, a mezzo di un sistema di supporto decisionale Multicriteria evaluation (MCE), seguendo un approccio di tipo empirico.

4 Materiali L’area di studio: fascia al Nord della Turchia, compresa tra: 29.8° e 32.04° di longitudine est, 40.4° e 41.54° di latitudine Nord. Immagini utilizzate: LANDSAT TM 5 acquisite il 01/07/2005; indici di vegetazione NDVI, acquisiti dal satellite MODIS (prodotto Mod 13), tra gli anni , con una risoluzione spaziale di 250 m e temporale di 16 giorni; DEM realizzato dalla NASA e dall’ente statunitense NGA (National Geospatial-Intelligence Agency), ad una risoluzione spaziale di 90m; Immagini ad alta risoluzione disponibili sul portale on-line Google-Earth.

5 Metodi Raccolta dati: rilievo GPS dei siti a nocciolo ed ad altra classe di vegetazione, effettuato tra il 09/05/2006 ed il 30/05/2006. Per ogni sito sono state raccolte le seguenti informazioni: classe di uso del suolo, quota, pendenza, esposizione, copertura della vegetazione. Nel caso specifico dei noccioleti sono stati raccolti dati colturali quali: il sesto d’impianto, il numero di polloni per pianta, l’età della coltura etc; campionamento e fotointerpretazione di punti random sul portale Google-earth (in aree con alta risoluzione disponibile), per un totale di circa 1000 elementi campione per l’elaborazione qui presentata, (circa 2000 per tutta l’area).

6 Metodi Elaborazione preliminare delle immagini. Immagini Landsat:
ortoproiezione nel sistema di riferimento UTM-36n con Datum WGS84; correzione atmosferica con il metodo del Dark Object. Immagini Modis: ritaglio e georeferenziazione dell’area di interesse, nel sistema di riferimento UTM-36n, datum WGS84; eliminazione dei pixel con valori anomali a mezzo dei codici binari Quality-check forniti dal produttore.

7 Metodi Elaborazione multitemporale.
Sono stati individuati tre periodi stagionali significativi, in cui il nocciolo risultava separabile dalle altre classi di vegetazione in virtù del differente ritmo fenologico. Sono risultati significativi i periodi stagionali a partire dai giorni giuliani 65, 225 e 305, per una durata di circa giorni. Per ogni periodo individuato, è stata calcolata l’immagine media di tre anni ( ).

8 Metodi Elaborazione Multicriteria-evaluation (MCE): individuazione dei criteri. Per tutti i punti campione, sono stati determinati i valori dei seguenti fattori: quota, pendenza, distanza dal mare, ed indice di vegetazione NDVI, calcolato sulle bande spettrali Landsat. Per ogni classe e fattore, sono state elaborate, delle distribuzioni campionarie empiriche, al fine di individuare degli elementi legati all’uso del suolo.

9 Metodi Elaborazione Multicriteria-evaluation (MCE): i fuzzy-set.
Considerando singolarmente le varie classi, le immagini relative ai fattori legati alla distribuzione dei siti, sono state elaborate a mezzo di funzioni fuzzy. I fuzzy-set, così definiti, esprimono il grado di appartenenza di un’area ad una classe, in relazione ad uno specifico criterio. per x < 250 per 350 < x < 1000 per 250 < x < 350 f(x) = 1

10 Metodi Elaborazione Multicriteria-evaluation (MCE): i fuzzy-set.

11 Metodi Elaborazione Multicriteria-evaluation (MCE): i fuzzy-set.
Fattori utilizzati per la definizione dei fuzzy-set, relativamente alla varie classi di uso del suolo: Agrario: quota, pendenza, indice NDVI; Boschi di latifoglie: quota, pendenza, indice NDVI; Boschi di conifere: quota, pendenza, indice NDVI; Incolti: quota, pendenza, indice NDVI; Noccioleti: quota, indice NDVI; Pioppeti: pendenza. Aggregazione dei fuzzy-set. Singolarmente per ogni classe, è stata effettuata l’aggregazione dei fuzzy-set a mezzo di combinazione lineare ponderata (elaborazione Multicriterio Monobbiettivo). Funzioni fuzzy applicate

12 Metodi Prove di classificazione.
Sono state effettuate 4 differenti prove di classificazione: Classificazione di verosimiglianza sulle bande Landsat; Classificazione di verosimiglianza sulle bande Landsat ed indici di vegetazione NDVI (Modis) multitemporali; Classificazione di verosimiglianza sulle bande Landsat, indici di vegetazione multitemporali e immagini elaborate con gli algoritmi MCE; Classificazione soft con algoritmi Bayesiani, sulle bande Landsat ed indici di vegetazione multitemporali, utilizzando le immagini elaborate con il metodo MCE come immagini di probabilità a priori.

13 Indici di accuratezza per la classe Nocciolo: kia*= 0.78; kia**= 0.61
Risultati 1. Classificazione di verosimiglianza sulle bande multispettrali Landsat. Indici di accuratezza per la classe Nocciolo: kia*= 0.78; kia**= 0.61 accuratezza per l’utilizzatore* e per il produttore**

14 Indici di accuratezza per la classe Nocciolo: kia*= 0.81; kia**= 0.67
Risultati 2. Classificazione di verosimiglianza su base Landsat ed indici di Vegetazione NDVI multitemporali. Indici di accuratezza per la classe Nocciolo: kia*= 0.81; kia**= 0.67 accuratezza per l’utilizzatore* e per il produttore**

15 Indici di accuratezza per la classe Nocciolo: kia*= 0.88; kia**= 0.86
Risultati 3. Classificazione di verosimiglianza su base Landsat, indici NDVI multitemporali, ed immagini elaborate con algoritmi MCE. Indici di accuratezza per la classe Nocciolo: kia*= 0.88; kia**= 0.86 accuratezza per l’utilizzatore* e per il produttore**

16 Indici di accuratezza per la classe Nocciolo: kia*= 0.87; kia**= 0.86
Risultati 4. Classificatore soft Bayesiano. Indici di accuratezza per la classe Nocciolo: kia*= 0.87; kia**= 0.86 accuratezza per l’utilizzatore* e per il produttore**

17 Risultati Classificatore soft Bayesiano
Classificazione di verosimiglianza sulle bande Landsat Tm5 Classificazione di verosimiglianza con indici Ndvi multitemporali Classificazione di verosimiglianza con algoritmi MCE ed NDVI multitemporali Classificatore soft Bayesiano

18 Risultati Confronto tra le classificazioni mediante gli indici di accuratezza kia. Massima verosimiglianza su base Landsat con indici Ndvi multitemporali Massima verosimiglianza con immagini landsat, indici Ndvi multitemporali, ed immagini elaborate con il MCE. Classificatore Bayesiano Classe kia* kia** Noccioleti 0.78 0.61 0.81 0.67 0.88 0.86 0.87 Latifoglie 0.64 0.57 0.7 0.59 0.83 0.8 Conifere 0.75 0.84 0.77 Incolti 0.25 0.47 0.43 0.72 0.98 0.93 1 Agrario 0.58 0.22 0.54 0.94 0.95 Frutteti Pioppeti 0.06 0.27 0.13 Prati 0.16 0.14 0.32 Urbano Suoli Nudi 0.96 Corpi idrici 0.91 0.45 Overall kappa 0.65 accuratezza per l’utilizzatore* e per il produttore**

19 Risultati Noccioleti Boschi di latifoglie Boschi di Conifere Incolti
Terreni agrari Prati Frutteti Pioppeti Urbano Corpi Idrici Legenda Immagine tratta da Google Earth Classificazione su base Landsat Classificazione con indici NDVI multitemporali Classificazione con immagini elaborate al Mce e indici Ndvi multitemporali Classificatore Bayesiano

20 Risultati Legenda Noccioleti Boschi di latifoglie Boschi di Conifere
Incolti Terreni agrari Prati Frutteti Pioppeti Urbano Corpi Idrici Legenda Immagine tratta da Google Earth Classificazione su base Landsat Classificazione con indici NDVI multitemporali Classificazione con immagini elaborate al Mce e indici Ndvi multitemporali Classificatore Bayesiano

21 Conclusioni L’elaborazione qui proposta si presenta come un’alternativa semplice ed efficace per il miglioramento delle classificazioni pixel-oriented di immagini multispettrali (sia per quanto riguarda gli errori di omissione che di commissione) finalizzate alla produzione di cartografie tematiche su vasti comprensori ed a bassi rapporti di scala. L’elaborazione multitemporale ha rappresentato lo strumento migliore al fine di massimizzare la distinzione su base spettrale di classi di vegetazione tra loro simili (es. boschi di latifoglie e noccioleti) in virtù del ritmo fenologico. Gli algoritmi MCE hanno consentito di: introdurre e utilizzare informazioni ancillari, legate ai tematismi classificati in maniera specifica e differenziata, compensando l’eterogeneità spettrale tipica di alcune classi (es. terreni agrari); integrare informazioni sia di carattere empirico che analitico. E’ evidente una consistente riduzione dei pixel isolati mal-classificati, probabilmente legata all’introduzione di un’informazione relativa alla continuità spaziale delle classi.

22 Conclusioni Possibili sviluppi:
Le immagini classificate con l’ausilio del sistema di supporto decisionale risultano molto generalizzate. Ciò potrebbe esser dovuto al ridotto numero di criteri adottati. Tale caratteristica va tenuta presente quando si decida di utilizzare questo metodo. Ai fini dell’individuazione delle aree potenziali, risulta sempre necessaria una conoscenza della realtà a terra, finalizzata anche alla digitalizzazione di maschere booleane e/o fuzzy. Possibili sviluppi: sulla base periodi individuati nelle serie storiche degli indici Ndvi Mod 13, inserire nel classificatore bande multitemporali ad una maggiore risoluzione (es. immagini Landsat); migliorare il sistema di supporto decisionale, individuando altri criteri in fattori vari, legati alla biologia della coltura (es. mappe climatiche), agronomici (es. mappe dei suoli), o antropici (es. la distanza dai centri urbani e/o di lavorazione).

23 Grazie a tutti per la cortese e paziente attenzione!