Επεξεργασία και ανάλυση χρονοσειρών δορυφορικών εικόνων για την ταξινόμηση χρήσεων/καλύψεων γης και τον εντοπισμό διαχρονικών μεταβολών

Abstract

Currently, space missions have reached the point of providing images at different spatial and spectral resolutions and long-term, regular and continuous data acquisition has become their core aspect. At the same time, rapid changes in land-use/land-cover resulting from human activities at global and finer scales, have expanded to a critical degree. It is clear that the development of a methodological framework of mapping and monitoring land-cover changes by integrating remote sensing observations, has become a priority. Although there are significant classification techniques processing individual satellite images or pairs of images, the dynamics of land-cover types demonstrates the need for a different approach. In the field of processing time-series of satellite observations, research is still at an early stage and the development of automated techniques is relatively limited. The main reason can be found in the lack of free, full and open data access to frequent high resolution satellite images. This obstacle has been recently overcome with the missions of Sentinel 2 (2015) and Landsat 8 (2013). Furthermore, the heterogeneity of terrestrial ecosystems and the uneven rate of change constitute a rather complex environment, the systematic monitoring of which requires innovative approaches. In this study, a reliable and precise methodological framework for analyzing and extracting information from high-resolution multitemporal images is developed. The thesis focuses on designing and developing algorithms based on Hidden Markov Models (HMMs), while few studies can be found exploring HMMs’ theory in remote sensing problems. Thus, a methodology is developed that takes into account HMMs’ assets so as to simulate the evolution of classes. In this way it is possible to distinguish and classify them with the utmost accuracy. Research is expanded in investigating the different factors that influence the accuracy of classification. Parameters such as the time frame of the image acquisition, the correction and enhancement of the original images and separability analysis techniques are thoroughly examined and analyzed. In addition, a set of decision fusion functions is proposed according to which the advantages of the classified data are combined. Moreover, a methodology of change detection is presented which involves the exploitation of spectral information and the multitemporal correlation of pixels. The aim of the attempt is to improve the monitoring of artificial or natural phenomena by taking into account the dimension of time. It should be noted that the proposed methodology does not require the manual definition of thresholds to determine the “real” changes and error propagation resulting from individual classifications is avoided. Unlike prior techniques, the original images which are used as inputs in an HMM, are processed simultaneously and the extracted information defines also the type of change. The proposed classification and change detection models is tested over different areas and images from different sensors. Through the evaluation of the results different observations are made considering the characteristics of each study area as well as ways to reduce the volume and extract the “useful” information from the input data.

Σήμερα οι διαστημικές αποστολές έχουν φτάσει στο σημείο να παρέχουν εικόνες σε πολλαπλές χωρικές και φασματικές αναλύσεις έχοντας ως βασικό τους πυρήνα τη μακροπρόθεσμη, τακτική και αδιάλειπτη λήψη δεδομένων. Τόσο σε παγκόσμιο όσο και σε τοπικό επίπεδο, οι χρήσεις/ καλύψεις γης μεταβάλλονται λόγω των ανθρώπινων παρεμβάσεων σε βαθμό που οι επιπτώσεις τους να έχουν πάρει ανεξέλεγκτες διαστάσεις. Είναι σαφές ότι απαιτείται η ανάπτυξη ενός μεθοδολογικού πλαισίου συστηματικής χαρτογράφησης της κατάστασης και ερμηνείας των μεταβολών των καλύψεων γης μέσω της εκμετάλλευσης των τηλεπισκοπικών παρατηρήσεων. Αν και έχουν αναπτυχθεί σημαντικές τεχνικές ταξινόμησης μεμονωμένων δορυφορικών εικόνων ή επεξεργασίας ζεύγους εικόνων, η δυναμική των καλύψεων γης οδηγεί στην ανάγκη μιας διαφορετικής προσέγγισης. Προς την κατεύθυνση επεξεργασίας χρονοσειρών εικόνων η ερευνητική δραστηριότητα είναι ακόμα σε αρχικό στάδιο και η αυτοματοποίηση των αντίστοιχων τεχνικών είναι σχετικά περιορισμένη. Ο κυριότερος λόγος είναι η έλλειψη ανοιχτής πρόσβασης σε συχνές δορυφορικές λήψεις εικόνων υψηλής ανάλυσης. Αυτό αντιμετωπίστηκε πρόσφατα με τις αποστολές των δορυφόρων Sentinel 2 (2015) και Landsat 8 (2013). Είναι ιδιαίτερα σημαντικό το γεγονός ότι η ετερογένεια των χερσαίων οικοσυστημάτων σε συνδυασμό με τον ανομοιόμορφο ρυθμό μεταβολής τους συνιστούν ένα πολύπλοκο περιβάλλον η συστηματική παρακολούθηση του οποίου απαιτεί καινοτόμες προσεγγίσεις. Στην παρούσα διατριβή αναπτύσσεται ένα αξιόπιστο και ακριβές μεθοδολογικό πλαίσιο για την ανάλυση και εξαγωγή πληροφοριών από χρονοσειρές εικόνων υψηλής ανάλυσης. Η διατριβή επικεντρώνεται στο σχεδιασμό και ανάπτυξη αλγορίθμων βασισμένων στα μοντέλα Hidden Markov (HMM) των οποίων η εφαρμογή στα προβλήματα Τηλεπισκόπησης βρίσκεται ακόμα σε πρώιμο στάδιο. Αναπτύσσεται μια μεθοδολογία η οποία αξιοποιεί τις δυνατότητες των Hidden Markov Models με αποτέλεσμα την προσομοίωση της εξέλιξης των μεταβαλλόμενων τάξεων με σκοπό τη διάκριση και ταξινόμηση τους με τη μέγιστη δυνατή ακρίβεια. Η έρευνα επεκτείνεται και στους επιμέρους παράγοντες που επηρεάζουν την ακρίβεια της ταξινόμησης. Παράμετροι όπως η επιλογή των κατάλληλων εποχιακών λήψεων, η διόρθωση και η βελτίωση των αρχικών εικόνων και οι τεχνικές ανάλυσης διακριτότητας εξετάζονται και αναλύονται ποσοτικά. Επιπλέον, προτείνεται η εισαγωγή κατάλληλων συναρτήσεων απόφασης με βάση τις οποίες συνδυάζονται τα πλεονεκτημάτων των επιμέρους ταξινομήσεων. Στη συνέχεια, αναλύεται μια μεθοδολογία εντοπισμού των διαχρονικών μεταβολών των τάξεων η οποία συνδυάζει τη ραδιομετρική πληροφορία με τη διαχρονική συσχέτιση των ψηφίδων. Με τον τρόπο αυτό επιτυγχάνεται η βελτίωση της παρακολούθησης τεχνητών ή φυσικών φαινόμενων λαμβάνοντας υπόψη και τη διάσταση του χρόνου. Αξίζει να σημειωθεί ότι με την προτεινόμενη μεθοδολογία δεν απαιτείται ο καθορισμός ορίων για τον προσδιορισμό της «πραγματικής» αλλαγής και δε γίνεται διάδοση σφάλματος από επιμέρους ταξινομήσεις. Σε αντίθεση με προηγούμενες τεχνικές, οι αρχικές εικόνες εισάγονται σε ένα μοντέλο HM, επεξεργάζονται ταυτόχρονα και δίνεται η πληροφορία για το είδος της αλλαγής. Η εφαρμογή των μοντέλων ταξινόμησης και εντοπισμού των μεταβολών πραγματοποιείται σε διαφορετικές περιοχές και με εικόνες από διαφορετικούς αισθητήρες. Από την αξιολόγηση των αποτελεσμάτων προκύπτουν διαφορετικές παρατηρήσεις για την αντιμετώπιση των ιδιαίτερων χαρακτηριστικών κάθε περιοχής μελέτης καθώς και προσεγγίσεις για τη μείωση του όγκου και εξαγωγή των κατάλληλων πληροφοριών από το πλήθος των δεδομένων.