Taxonomy of Satellite Image and Validation Using Statistical Inference

Διερεύνηση Τεχνικών Τηλεπισκόπησης Και Ανάπτυξη Μεθοδολογίας Για Την Ακριβή Εκτίμηση Της Καύσιμης Ύλης Με Βάση Τη Βλάστηση Χρησιμοποιώντας Δύο Εποχικές Δορυφορικές Εικόνες Υψηλής Ανάλυσης

“…(2012) στο άρθρο ανασκόπησης της βιβλιογραφίας παρουσίασαν τον παρακάτω πίνακα (Πίνακας 2.1) σχετικά με τους πιο κοινά χρησιμοποιημένους αισθητήρες (οπτικούς και ραντάρ) για την παρατήρηση της Γης. Τα δορυφορικά δεδομένα αποτελούν δισδιάστατα δεδομένα εικόνας που αποκτώνται από αισθητήρες που βρίσκονται επάνω σε αεροσκάφη ή σε διαστημικές πλατφόρμες (Rajyalakshmi et al, 2016), και ανάμεσα στα σημαντικότερα χαρακτηριστικά τους είναι ότι είναι άμεσα διαθέσιμα σε ψηφιακή μορφή (Richards, 2013) και παρέχουν ποσοτικές και ποιοτικές πληροφορίες (Vaiphasa et al, 2011). Τα παραπάνω χαρακτηριστικά, καταστούν τα δεδομένα αυτά ως ένα πολύτιμο εργαλείο τόσο για τον εντοπισμό και προσδιορισμό των υλικών ή αντικειμένων της γήινης επιφάνειας, όσο και για την μέτρηση και αξιολόγηση των χωρικών και βιοφυσικών ιδιοτήτων ή χαρακτηριστικών τους (Jong & Meer, 2004;Richards & Jia, 2006).…”

“…Από την άλλη πλευρά, οι τεχνολογίες δορυφορικής τηλεπισκόπησης συλλέγουν χρονικά δεδομένα με τη μορφή εικόνων σε πραγματικό χρόνο και σε τακτά χρονικά διαστήματα (Richards & Jia, 2006;Wu & Li, 2009;Rajyalakshmi et al, 2016), παρέχοντας την δυνατότητα απόκτησης συνεχών και συνεπών μακροχρόνιων δεδομένων παρατήρησης της Γης, από την (Xie et al, 2008;Wang et al, 2010). Έτσι, η…”

“…Σχήμα 2.8 Συσσωρεύσεις σε φασματικό χώρο με τρεις φασματικές ζώνες (Ο φασματικός χώρος έχει τόσες διαστάσεις όσες και οι φασματικές ζώνες της εικόνας, όπου αντικείμενα με παρόμοια φασματικά χαρακτηριστικά ομαδοποιούνται δημιουργώντας συσσωρεύσεις με τη μορφή ενός υπέρστερεού σχήματος (χώρος με περισσότερες από τρεις διαστάσεις) από το κέντρο του οποίου μετρούνται οι αποστάσεις από τις φασματικές ζώνες, πηγή (Χατζόπουλος, 2012)) Η ταξινόμηση δορυφορικών εικόνων είναι μια ισχυρή τεχνική απόσπασης πληροφορίων μέσω της «ερμηνείας της εικόνας» (Jensen, 2007;Rajyalakshmi et al, 2016) (Aplin, 2004;Schowengerdt, 2007;Latham, 2010;Bharatkar & Patel, 2013). Τα εικονοστοιχεία δημιουργούν συσσωρεύσεις (clusters) στο φασματικό χώρο των δεδομένων (Σχήμα 2.8), και η ταξινόμηση εικόνας έχει ως στόχο να καθορίσει τη διαχωριστική επιφάνεια ανάμεσα στις συσσωρεύσεις που δημιουργούνται (Χατζόπουλος, 2012).…”

“…Ο ταξινομητής Μέγιστης Πιθανοφάνειας είναι ένας παραμετρικός ταξινομητής επιβλεπόμενης ταξινόμησης, που λειτουργεί με την χρήση των φασματικών χαρακτηριστικών των δειγμάτων εκπαίδευσης που στη συνέχεια προεκτείνει για την αναγνώριση της κατηγορίας όπου ανήκει κάθε εικονοστοιχείο (Richards & Jia, 2006;Lu & Weng, 2007;Castillejo-González et al, 2009). Ο αλγόριθμος χρησιμοποιεί τον κανόνα του Bayes και για αυτό είναι γνωστός και ως Μπεϋζιανός ταξινομητής και είναι μια στατιστική μέθοδος ταξινόμησης με την οποία τα εικονοστοιχεία ταξινομούνται ανάλογα με την ελάχιστα εσφαλμένη ή μέγιστη πιθανότητα να ανήκουν σε μια δεδομένη τάξη (Adams & Gillespie, 2006;Shalaby & Tateishi, 2007;Bharatkar & Patel, 2013;Rajyalakshmi et al, 2016 (Pal & Mather, 2004;Adams & Gillespie, 2006;Richards & Jia, 2006;Waske et al, 2009;Perumal & Bhaskaran, 2010;Gartzia et al, 2013). Κατά την ανάθεση κάθε εικονοστοιχείου σε μία από τις κατηγορίες, ο αλγόριθμος υποθέτει ότι οι τιμές κάθε κατηγορίας ακολουθούν κατανομή του Gauss ή κανονική κατανομή (Mirik & Ansley, 2012;Gartzia et al, 2013).…”

“…Στις τεχνικές ταξινόμησης ανά εικονοστοιχείο ή «σοφού» εικονοστοιχείου γίνεται η υπόθεση ότι μόνο ένας τύπος κάλυψης/χρήσης γης υπάρχει σε κάθε εικονοστοιχείο της εικόνας Rajyalakshmi et al, 2016). Κατά συνέπεια, η χρήση των συμβατικών «σκληρών» προσεγγίσεων ταξινόμησης (ένα εικονοστοιχείο μια κλάση) για την χαρτογράφηση από δεδομένα τηλεπισκόπησης θα οδηγήσει σε σφάλματα εάν υπάρχουν μικτά εικονοστοιχεία (Foody, 2004a).…”