Transcript Identifikácia zmien

Identifikácia
zmien krajiny
Identifikácia zmien





identifikácia (detekcia) zmien je proces určovania
rozdielov v stave objektu alebo javu pozorovaním
v rôznych časových obdobiach
zmeny krajinnej pokrývky majú pravdepodobne
väčší globálny vplyv než klimatické zmeny
preto je dôležité ich presné monitorovanie
základným prepokladom identifikácie zmien
využitím údajov DPZ je existencia zmeny
v spektrálnej odozve zaznamenanej snímačom,
resp. fotogrametrickou kamerou
tieto zmeny sa prejavia na snímkach zmenami
charakteristík interpretačných znakov
Identifikácia zmien

pri identifikácii zmien potrebujeme odlíšiť
skutočné zmeny od zmien spôsobených
premennými mimo záujmu (napr.rozdielnou
výškou snímania)

zmeny krajinnej pokrývky:

kategorická zmena – konverzia
(napr. zmena lúky na zastavaný areál)

postupný prechod – modifikácia
(napr. postupné zarastanie lúky náletovými
drevinami)

od krátkodobých zmien až po dlhodobé javy
Identifikácia zmien
Metódy identifikácie zmien:
1. vizuálna interpretácia (aj počítačom podporovaná)
2. digitálne metódy identifikácie zmien
3. kombinácia oboch metód
Vizuálna interpretácia - v minulosti sa vykonávala na
svetelnej tabuli a bola jediným možným typom
polohovo registrovanej detekcie zmien
 v súčasnosti digitalizáciou na obrazovke
 dôležité je stanovenie MMU pre mapovanie zmien
(minimálna veľkosť areálu zmeny, minimálna
rozloha a šírka nových areálov)
Vizuálna interpretácia zmien
využívajú sa najmä:
retrospektívna analýza (backdating)
aktualizáca (updating)


princíp aktualizácie pochádza z oblasti
terminológie GIS
Vizuálna interpretácia zmien





hlavným cieľom aktualizácie je minimalizovať
riziko vzniku nepresností vo vytváranej vrstve
zmien
každý proces prekrytia (overlay) dvoch alebo
viacerých nezávisle generovaných vrstiev vedie
k fragmentácii, t.j. vzniku veľkého množstva
veľmi malých polygónov - tzv. zbytkových
polygónov (sliver polygons)
pri aktualizácii (retrospektívnej analýze) sa
modifikujú len hranice zmenených areálov
iný prístup - priama tvorba vrstvy zmien
minimalizuje sa čas tvorby novej vrstvy údajov
RGB zobrazenie


vizuálna interpretácia RGB zobrazenia snímok z 2
alebo 3 rôznych dátumov
 ČB snímky:
 objekty svetlé na
snímke 1994 a
tmavé na 1986 a
1973 budú
červené
(atď. podľa RGB)
 objekty svetlé
alebo tmavé na
všetkých troch
snímkach budú svetlé/tmavé
objekty svetlé na dvoch snímkach – v aditívne
zmiešaných farbách (napr. na 1994 a 1986 - žlté)
Digitálne metódy




založené na priamom porovnávaní digitálnych
obrazov
vyžadujú presnú polohovú registráciu snímok
(chyba by nemala presiahnuť veľkosť polovice
pixla)
spoločná rádiometrická odozva (minimalizícia
vplyvu uhla snímania, uhla dopadu slnečných
lúčov alebo atmosférických vplyvov)
snímky nasnímané rovnakým alebo podobným
typom senzora, s rovnakou snímkovou
geometriou, v rovnakom spektrálnom pásme a s
rovnakým geometrickým rozlíšením (v rovnakom
dennom čase a v rovnakom ročnom období)
Digitálne metódy





pri vizuálnej aj digitálnej detekcii zmien využitím
údajov DPZ majú vplyv aj environmentálne
faktory
atmosférické faktory – oblačnosť znemožňuje
identifikáciu zmien, hmla alebo riasy môžu
pozmeniť spektrálne hodnoty
vlhkosť pôdy – taktiež ovplyvňuje spektrálne
hodnoty
fenologické cykly – pri poľnohospodárskych
plodinách, ale aj pri raste urbanizovaných území
príliv a odliv – pri hodnotení zmien v pobrežných
oblastiach
Digitálne metódy
1.


2.


techniky zvýrazňovania zmien - lokalizujú zmeny a ich
veľkosť, ale neposkytujú informácie o charaktere (type)
zmeny
analýza kvantitatívnych údajov – rozdiely v miere
obrazová algebra, odčítanie vegetačných indexov,
detekcia zmien chi-square transformáciou, vzájomnou
koreláciou, multitemporálna klasifikácia, lineárna regresia
techniky detekcie povahy zmien - založené na klasifikácii,
poskytujú aj informácie o type identifikovaných zmien
(zmena „z-na“)
analýza kvalitatívnych údajov – rozdiely v povahe
detekcia zmien porovnaním po klasifikácii, aplikáciou
binárnej masky, využitím pomocných údajov, analýza
vektora spektrálnej zmeny
Digitálne metódy
Digitálne metódy detekcie zmien:
1.
párové porovnanie (dvojica obrazov) – jednoduchá
zmena
- Land Change Modeler (LCM) – od verzie Idrisi Andes
2.
viacnásobné porovnanie (časové rady) – trendy zmien
- Earth Trends Modeler (ETM) – od verzie Idrisi Taiga
Zvýrazňovanie zmien
Odčítanie obrazov (Image differencing)
 odčítanie hodnôt obrazových prvkov 2 obrazov
 výsledkom sú absolútne rozdiely
 zmeny < 0 alebo > 0, bez zmeny blízke 0
 kľúčové je určenie prahovej hodnoty oddeľujúcej
zmenené údaje od údajov bez zmeny – pre túto
operáciu neexistujú spoľahlivé odporúčania
 obyčajne sa používa ako prahová hodnota 1SD
(štandardná odchýlka)
 niekedy sú však vhodnejšie vyššie hodnoty, alebo
sa dá použiť metóda prirodzených zlomov v
histograme, prípadne rastre percentuálnych
podielov zmeny
Odčítanie obrazov
8
10
8
11
240
11
10
22
205
210
205
54
220
98
88
46
5
9
7
10
97
9
8
22
98
100
205
222
103
98
254
210
Snímka 1
Snímka 2
3
1
1
1
143
2
2
0
107
110
0
-168
117
0
-166 -164
Obraz rozdielov =
Snímka 1 - Snímka 2
Odčítanie obrazov
Obraz rozdielov
Obraz zmien (binárny)
Zvýrazňovanie zmien
Podiel obrazov (Image rationing)
 podiel hodnôt obrazových prvkov 2 obrazov
 výsledkom sú relatívne rozdiely
 zmeny < 1 alebo > 1, bez zmeny blízke 1
 výsledné údaje nie sú symetrické okolo 1, preto
sa odporúča ešte pred určením prahovej hodnoty
vykonať logaritmickú transformáciu
Zvýrazňovanie zmien
Multitemporálna klasifikácia
 nekontrolované zhlukovanie – zhluky so zmenou
a bez zmeny
 PCA – nezmenená KP + obrazový šum (PC1),
zmeny (PC2, PC3...)
 čiastočne poskytuje aj informácie o type zmeny
Lineárna regresia (Linear regression)
 predpovedanie spektrálnych hodnôt druhej
snímky na základe spektrálnych hodnôt prvej
snímky
 odchýlky od lineárnej závislosti indikujú
prítomnosť zmeny
 užívateľ musí opäť stanoviť prah
Zvýrazňovanie zmien
Detekcia zmien chi-square transformáciou
 čím väčšia zmena, tým väčšie hodnoty vo výslednom
obraze
Detekcia zmien vzájomnou koreláciou (cross-correlation)
 vstupom je digitálna vrstva KP z prvého dátumu
a neklasifikovaná snímka z druhého dátumu
 počíta sa priemerná hodnota a SD hodnôt jasu pixlov
korešpondujúcich s danou triedou KP
 potom sa vypočíta odchýlka hodnôt pixlov od
priemeru vydelená SD – tzv. Z-skóre (čím je >, tým je
> pravdepodobnosť zmeny)
 nie sú potrebné atmosférické korekcie a nevadia ani
fenologické rozdiely
 je však silne závislá od presnosti vrstvy KP
Detekcia povahy zmien
Analýza vektora spektrálnej zmeny
(Change Vector Analysis, CVA)


2 pásma - osi x a y reprezentujú 2 spektrálne
premenné a vektor spájajúci ich hodnoty v dvoch
časových horizontoch vyjadruje veľkosť a smer (typ)
spektrálnej zmeny
výsledkom sú dva obrazy – jeden obsahuje typ zmeny
a druhý veľkosť zmeny
Analýza vektora spektrálnej zmeny
Band 4

Date 1

Date 2
Band 3
vektor v ndimenzionálnom
priestore vyjadruje
veľkosť a smer zmeny
pre odlíšenie oblastí so
zmenou a bez zmeny
môžeme stanoviť
prahovú hodnotu
Detekcia povahy zmien
Detekcia zmien porovnaním po klasifikácii
(Post-classification Comparison, PCC)
 najpoužívanejšia kvantitatívna metóda
hodnotenia zmien
 poskytuje informácie o zmene „z-na“
 často sa považuje za nadradenú nad ostatné
metódy detekcie zmien a používa sa ako štandard
na hodnotenie ich výsledkov
 spočíva v prekrytí a porovnaní dvoch nezávisle
klasifikovaných obrazov – GIS operácie krížovej
klasifikácie a tabuľkového triedenia (crosstabulation a cross-classification)
Detekcia povahy zmien


krížová klasifikácia a tabuľkové triedenie –
nástroj na kvantifikáciu úrovne zmeny alebo na
hodnotenie závislosti dvoch vrstiev obsahujúcich
kvalitatívne údaje
výsledkom je matica zmien alebo kontingenčná
tabuľka (contingency table, confusion matrix)
a raster krížovej klasifikácie
PCC







výhody - poskytuje informácie o zmene "z - na„
nezávislou klasifikáciou sa eliminuje vplyv
rôznych atmosférických podmienok alebo použitia
rôznych senzorov
analyzátor kontroluje typy zmien zobrazené vo
výslednom produkte
nevýhody – potrebné dve nezávislé klasifikácie
chyby v klasifikácii sa kumulujú
niekedy je ťažké odlíšiť skutočné zmeny od zmien
spôsobených odlišnou klasifikačnou metódou
vznik zbytkových polygónov (čistenie
združovaním so susednými polygónmi alebo
posúvaním)
Detekcia povahy zmien
Detekcia zmien aplikáciou binárnej masky na druhú
snímku
1. Klasifikácia prvej snímky
2. Odčítanie druhej snímky od prvej – raster zmien
3. Tvorba binárnej masky zmien a naloženie na
druhú snímku
4. Klasifikácia zmenených oblastí druhej snímky
5. Detekcia zmien „z-na“ metódou PCC
 veľmi efektívna metóda – redukujú sa chyby pri
klasifikácii a šetrí sa čas a námaha
 vyžaduje postupnosť viacerých krokov a výsledok
závisí od kvality binárnej masky
Detekcia povahy zmien
Detekcia zmien využitím pomocných údajov
 namiesto prvej snímky sa využije iný zdroj
údajov o KP
 druhá snímka sa klasifikuje a metódou PCC sa
získajú informácie o zmenách
 výhody – použitie dôveryhodného zdroja údajov
(redukcia chýb), stačí klasifikácia jednej snímky
 nevýhody – závisia od kvality vstupných údajov –
niekedy ich treba digitalizovať alebo generalizovať
klasifikačnú schému a konvertovať do rastrového
formátu, čo môže byť zdrojom nepresností
Hodnotenie zmien
Triedy 1986





matica zmien (Change detection matrix),
kontingenčná tabuľka (Contingency table)
Triedy 1992
zastavaná plocha trávne porasty kosodrevina
les
kamenistý povrch vodná plocha
Spolu
zastavaná plocha
56100
17000
3500
76600
trávne porasty
14700
1566700
30400
121000
195000
200
1928000
kosodrevina
149700
1307600
44600
136300
1638200
les
87300
440900
152000
7403400
1000
8084600
kamenistý povrch
183200
19900
13800
1477500
1694400
vodná plocha
800
1100
16300
18200
Spolu
158100
2358300
1509900
7587400
1808800
17500
13440000
v prípade rozsiahlych klasifikačných schém môže
vzniknúť veľké množstvo kombinácií
preto sa zmeny často delia na typy, napríklad:
na základe príbuznosti procesov, ktoré zmeny
spôsobili
podľa charakteristických stavov krajiny po zmenách
Hodnotenie zmien
Triedy 1986


tabuľka typov zmien (Conversion table)
101
102
103
104
105
106
107
312
313
321
322
324
332
333
334
511
101
0
6
6
6
6
6
6
1
1
1
1
1
1
1
1
1
102
6
0
6
6
6
6
6
1
1
1
1
1
1
1
1
1
103
6
6
0
6
6
6
6
1
1
1
1
1
1
1
1
1
104
6
6
6
0
6
6
6
1
1
1
1
1
1
1
1
1
105
6
6
6
6
0
6
6
1
1
1
1
1
1
1
1
1
106
6
6
6
6
6
0
6
1
1
1
1
1
1
1
1
1
107
6
6
6
6
6
6
0
1
1
1
1
1
1
1
1
1
Triedy 1998
321
313
312
4
3
3
4
3
3
4
3
3
4
3
3
4
3
3
4
3
3
4
3
3
2
6
0
2
0
6
0
3
3
2
3
3
4
3
3
4
3
3
4
3
3
4
3
3
4
3
3
322
3
3
3
3
3
3
3
2
2
3
0
3
3
3
3
3
324
6
6
6
6
6
6
6
2
2
6
2
0
6
6
6
6
zánik jedného areálu zároveň
predstavuje vznik ďalšieho
zmeny.pdf
332
6
6
6
6
6
6
6
2
2
5
2
5
0
6
6
6
333
6
6
6
6
6
6
6
2
2
5
2
5
6
0
60
61
512
511
334
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
2
2
2
2
2
2
6
6
5
2
2
2
6
6
5
6
6
6
6
6
6
bez
zmeny
6
6
0
6
0
6
urbanizácia
2
3
4
5
6
odlesnenie
zalesnenie
zatrávnenie
deštrukcia
iné zmeny
Hodnotenie zmien
Typ zmeny
Kód
Názov
0
bez zmeny
1
urbanizácia
2
odlesnenie
3
zalesnenie
4
zatrávnenie
5
deštrukcia
6
iné zmeny
Spolu
Plocha
(v m 2)
12357438
22224
386809
211478
162603
256696
42750
13440000
Podiel z celkovej
plochy (v %)
91.9
0.2
2.9
1.6
1.2
1.9
0.3
100
Typ KP
Zastavaná plocha
Les
Trávne porasty a kroviny
Deštruované plochy
Vodné plochy
Spolu
1986
21.2
774.3
366.3
180.0
2.2
1344
Podiel zo zmenenej
plochy (v %)
2.1
35.7
19.5
15.0
23.7
3.9
100
Plocha (v ha)
Podiel z celkovej plochy (v %)
1998
Rozdiel
1986
1998
Rozdiel
22.4
1.2
1.6
1.7
0.1
737.9
-36.5
57.6
54.9
-2.7
398.2
31.9
27.3
29.6
2.4
183.3
3.3
13.4
13.6
0.2
2.2
0.0
0.2
0.2
0.0
1344
0
100
100
0
Hodnotenie zmien

hodnotenie intenzity zmien – výpočet podielu
zmenenej plochy v štvorcovej sieti (napr.v CLC
štvorce 1,5 x 1,5 km):
75 – 100 %................úplná zmena
25 - 75 %...................čiastočná zmena
1 – 24 %....................minimálna zmena
0 %............................žiadna zmena

v prípade hierarchickej legendy môžeme intenzitu
zmien hodnotiť aj na základe hierarchickej
úrovne, na ktorej bola identifikovaná zmena
Hodnotenie zmien

zhodu dvoch vrstiev môžeme vyjadriť aj pomocou
rôznych druhov Kappa indexov, ktoré sú zviazané
s metódou krížovej klasifikácie a tab.triedenia a
riešia korekciu zhody v dôsledku náhody (chance
agreement)
r
r
N
k
x ii
x ir x i c
i 1

i 1
r
N
nadobúda hodnoty od -1 do 1
2
x ir x i c
i 1

zhoda v množstve

zhoda v umiestnení

zhoda kategórií
t
t+1
k = 1 (úplná zhoda)
k = -1 (inverzná zhoda)
k = 0 (náhodné usporiadanie)
Hodnotenie zmien




metóda ROC krivky (Relative Operation
Characteristics), známa aj ako ROC štatistika
alebo plocha pod krivkou (Area Under the Curve)
určuje zhodu medzi spojitým povrchom a
lokalitami výskytu danými Booleovskou
premennou (0,1) – hodnotí sa zhoda v lokalizácii
bez ohľadu na množstvo
krivka spája body sú súradnicami x,y, pričom x je
podiel falošných a y je podiel skutočných pozitív
(zhodných pixlov) v %
nadobúda hodnoty od 0 do 1 (0,50 – náhodné
usporiadanie)
Hodnotenie zmien

metóda ROC krivky
Hodnotenie zmien

metóda ROC krivky
Určovanie trendov zmien


analýza trendov zmien – určovanie trendového
povrchu
hodnoty rozdielov preložíme trendovou funkciou
– výsledný povrch vyjadruje zrýchľovanie,
spomaľovanie alebo stagnáciu javu

funkcia – obyčajne polynóm 1.,2.,3.rádu

patrí medzi interpolačné funkcie

ďalší spôsob – PCA (hodnoty korelačných
koeficientov)
Určovanie trendov zmien

časová séria obsahuje tri základné zložky:
1.
trendová (deterministická) zložka Tt - daná
evolučným vývojom analyzovaného javu
2.
periodická (cyklická) zložka Ct – určuje sa
pomocou Fourierových analýz
3.
náhodná (stochastická) zložka It – odchýlky od
trendu
A = Tt + Ct+ It
- aditívne modely časových sérií
A = Tt * C t * It
- multiplikatívne modely čas.sérií
Modelovanie zmien

prediktívne modelovanie – predpovedanie vývoja
(krajiny) do budúcnosti
1.
polynomické aproximačné funkcie rôzneho rádu
– len kvantitatívne údaje, modelujú len trendovú
zložku zmeny
2.
lineárna a logistická regresia – predpokladá
lineárnu závislosť od premenných vysvetľujúcich
zmenu
3.
neurónové siete – napr. MLP
4.
Markovove reťazce (Markov chain)
5.
bunkové automaty (Cellular automata)
Modelovanie zmien


Markovove reťazce (Markov chain) - tento proces
určuje stav systému na základe jeho predošlého stavu
a pravdepodobnosti zmien, ktoré medzi nimi nastali
nejedná sa o jednoduchú lineárnu extrapoláciu,
pretože intenzita potenciálnej zmeny sa mení v čase
rôzne s cieľom dosiahnuť rovnovážny stav
pravdepodobnostná matica

táto matica sa dá využiť na priamu interpretáciu alebo
na vytvorenie priestorového modelu, v akom sa javy
budú nachádzať (na to sa často využívajú bunkové
automaty)
Modelovanie zmien




teória bunkových automatov (cellular automata) –
sformulovaná Johnom von Neumannom v r.1950
John Conway – Game of Life (Hra života) – v 70-tych
rokoch na modelovanie prírodných dynamických
procesov, kde početnosti živých organizmov stúpajú,
klesajú alebo zanikajú na základe podmienok okolia
bunkové automaty – virtuálne nekonečná matica buniek,
v n-rozmernom priestore (zväčša dvojrozmernom),
ktorá sa vyvíja na základe explicitne určených pravidiel
oblasti využitia – modely rastu urbánnych oblastí,
modely šírenia požiarov, rastlinných druhov,
modelovanie dynamiky využitia zeme, modelovanie
šírenia kriminality v mestách...
Modelovanie zmien



na základe konceptu – „lokálne interakcie vedú ku
globálnej dynamike“
stav bunky v čase t+1 závisí len na jej stave v čase t a
na stave okolitých buniek (podobní Markovovým
reťazcom)
pravidlá – transition rules (Game of Life):
- prežijú bunky, ktoré majú 2 alebo 3 živé bunky v okolí
- umiera každá bunka susediaca so 4 a viac bunkami
(nedostatok zdrojov) alebo s jedným, prípadne žiadnym
susedom (izolácia)
- nové bunky sa rodia na lokalitách obklopených presne
3 živými bunkami
Modelovanie zmien



tento proces sa deje simultánne v celej bunkovej
štruktúre
predikcia zmien krajiny – bunka sa v modelovanom
časovom úseku presunie (1) alebo nepresunie (0) do
danej kategórie KP
vstup Markovových reťazcov – vytvoríme rastre
pravdepodobnosti zmien danej kategórie na každú
ďalšiu kategóriu na základe pravdepodobnostnej matice
– tzv. podmienené pravdepodobnosti (conditional
probabilities) - na základe nich korigujeme výsledky
predikcie bunkových automatov (zmeny určitého typu
majú minimálnu pravdepodobnosť – napr. zastavaná
plocha na vodu, voda na les atď.)
zelené štruktúry – zbrane
žlté štruktúry – klzáky
červené štruktúry – vesmírne lode
ružové štruktúry – reflektory
modré štruktúry – požierače (stále živé alebo oscilujúce)
a iné stále živé