PROYECTO DE EXCELENCIA - CÓDIGO P08 RNM-3575-08 (2009-13)

INTEGRACIÓN Y ANÁLISIS EXPLORATORIO DE DATOS GEOESPACIALES MULTIFUENTE PARA EL SEGUIMIENTO Y MODELADO DE LA EVOLUCIÓN Y VULNERABILIDAD DE ÁREAS COSTERAS Aplicación a una zona del Levante de Almería

Universidad de Almería Universidad de Jaén

Proyecto > Metodología > Objetivo 2: Detección automática y eficiente de zonas impermeables, edificios e infraestructuras en entornos costeros a partir de datos georreferenciados multitemporales y multifuente

 

Input:

Para la consecución de los objetivos perseguidos en este punto vamos a utilizar una serie de materiales que desglosamos a continuación:

  1. Ortoimágenes obtenidas a partir de los vuelos fotogramétricos históricos de la zona piloto comentados y descritos anteriormente.Ortoimágenes obtenidas a partir de los vuelos fotogramétricos históricos de la zona piloto comentados y descritos anteriormente.
  2. Ortoimágenes de la Junta de Andalucía.

    Ortofotografía digital de Andalucía (color, bandas RGB). Realizada a partir del vuelo fotogramétrico a escala 1:60.000 (1998-1999).

    Ortofotografía digital de Andalucía (blanco y negro). Producto descrito anteriormente.

  3. Ortoimágenes de muy alta resolución obtenidas a partir de las campañas planificadas con cámara digital durante los dos primeros años del proyecto.
  4. Datos ALS brutos en formato LAS obtenidos a partir de las campañas planificadas con el sensor LiDAR ALS50-SN073.
  5. Imagen de nueva adquisición del satélite de alta resolución GeoEye comprendiendo la zona piloto (banda pancromática y multiespectral (RGB+IR)).

 

Plan de Trabajo para la consecución del Objetivo 2:

Tarea 1. Adquisición de los materiales comentados en el apartado anterior y selección de las clases objetivo.

Dentro del desarrollo de técnicas de clasificación automática de imágenes, que supone el núcleo de este apartado, el primer paso consistirá en definir las clases objetivo, que, en principio, podrían ser zonas con vegetación densa, vegetación dispersa, suelo desnudo sin sellar, agua, edificios, carreteras y pistas deportivas.

Tarea 2. Tratamiento de las imágenes multiespectrales y pancromáticas históricas.

Puesto que en esta fase del proyecto se trabajará con imágenes históricas (color o pancromáticas), tanto las zonas de entrenamiento para llevar a cabo la clasificación, como aquellas usadas para estudiar la precisión de la misma, serán extraídas de dichas imágenes por fotointerpretación asistida por el uso de mapas temáticos realizados en las misma fechas.

La metodología propuesta para estas imágenes consta de una primera fase de cálculo donde se estimará una cobertura o banda de información relacionada con la textura de la imagen. Se explorarán estimaciones basadas en la llamada matriz de co-ocurrencia del nivel de gris (GLCM, Grey Level Co-ocurrence Matrix), o del vector de diferencias de niveles de grises (GLDV, Grey Level Difference Vector) (Haralick et al., 1973).

El número de píxeles usados (tamaño de ventana o vecindad), la posición relativa entre ellos, o el fondo de escala (número de bits) para la imagen resultante, pueden variar a la hora de llevar a cabo el cálculo de la matriz de co-ocurrencia, para cada uno de los parámetros de textura que se citan en la bibliografía (homogeneidad, contraste, disimilitud, media, desviación estándar, entropía, momento angular de segundo orden, o correlación). Trabajos llevados a cabo por diferentes autores no han conseguido clarificar cuál de estos parámetros de textura es el óptimo, ni que combinación de variables para su obtención es el ideal (e.g. Chen et al., 2004), aunque todos concluyen que existe una cierta relación entre la resolución de la imagen y la clase bajo estudio que maximiza la precisión en la segmentación de dicha clase.

En este sentido, se propone calcular cada uno de los parámetros de textura citados anteriormente para varios tamaños de ventana (3x3, 5x5, 7x7, 9x9, 11x11, 15x15, 21x21 píxeles) y niveles de gris (1024, 256, 128, 64, 32, 16 bits). Cada una de las imágenes de textura resultante será clasificada por el método de máxima verosimilitud. La exactitud de las clasificaciones se llevará a cabo a partir de los estadísticos deducidos de la matriz de confusión, y se intentará establecer alguna relación entre las características de la imagen de partida y el parámetro de textura y combinación de variables que mejores resultados arroje.

El software que se utilizará para llevar a cabo esta tarea será PCI Geomatica v10, del que el equipo solicitante cuenta con una licencia. En cualquier caso será necesario elaborar una aplicación que automatice el proceso debido al gran número de operaciones que habrá que realizar.

Tarea 3. Evaluación y puesta a punto de nuevas técnicas para la clasificación automática de Imágenes multiespectrales RGB+IR (cámara digital) e integración de los datos ALS (Modelos del Terreno y de Superficies).

Las fotografías de muy alta resolución que se realizarán durante las tres campañas previstas serán acompañadas de una campaña de campo consistente en identificar en la imagen zonas del terreno con diferentes usos. Estas zonas deben estar bien distribuidas por toda el área de estudio, y las coordenadas de su ubicación serán obtenidas por técnicas GPS RTK.

El empleo de técnicas de clasificación de imágenes orientadas a objetos más que a píxeles suele ser preferible cuando trabajamos con imágenes de alta resolución en entornos urbanos, disminuyendo el coste computacional de posteriores clasificaciones supervisadas basadas en, por ejemplo, reglas de decisión o lógica difusa. Bajo esta hipótesis se propone el uso de la segmentación de objetos mediante técnicas estadísticas para la agrupación de píxeles con similar respuesta espectral en las bandas RGB+IR.

El software propuesto para esta segmentación previa de objetos espectralmente similares será eCognition (Definiens Imaging GmbH, Manchen, Alemania; Baatz et al., 2001). La elección de los parámetros óptimos que definen la segmentación se realizará a partir de la metodología propuesta por Wang et al. (2004), que consiste en tomar las zonas de entrenamiento definidas y llevar a cabo la segmentación con diferentes grupos de valores de los parámetros. El grupo de valores que de cómo resultado la mayor separación entre los objetos homogéneos resultantes será seleccionado como óptimo. El parámetro propuesto para medir la distancia entre objetos puede ser el de Bhattacharya (Richards, 1986) o el de Jeffries-Matusuta (Richards et al., 1999).

El software See5 (Data Mining Tools de RuleQuest; RuleQuest 2001; Tullis et al., 2003), diseñado en principio para procesos cognitivos relacionados con la inteligencia artificial, puede resultar un potente clasificador no paramétrico y ser usado en procesos de clasificación supervisada de los segmentos previamente definidos con eCognition. El software construye reglas de decisión lógicas (con inclusión de incertidumbre) del tipo “if-then” basándose en la información recopilada sobre cada objeto, como pueden ser reflectancia media en las bandas R,G,B e IR, parámetros de textura o información morfológica (forma del objeto o altura del mismo). En este sentido la información morfológica de los objetos (árboles, edificios, etc.) será incluida a partir de los datos ALS filtrados previamente con el software Terrascan (Terrasolid Ltd., Finlandia). En efecto, a partir de los datos ALS se podrán obtener los modelos digitales de elevaciones del terreno (MDEs) y de superficies (la envolvente de la vegetación y edificios, MDSs).

A partir de estos dos modelos de elevaciones se obtendrá el modelo de elevaciones del microrrelieve (modelo de alturas de ciudad y de vegetación) por simple sustracción al MDS del MDE. Dicha información podría mejorar los resultados de la clasificación debido a la información complementaria que aporta, añadiendo nuevas bandas al proceso de clasificación tales como pendiente y altura media de cada objeto, lo que permite establecer nuevas reglas lógicas de decisión.

Tarea 4. Comparación del sistema de clasificación desarrollado en la tarea 3 con métodos de clasificación tradicionales.

El sistema de clasificación propuesto será comparado, en términos de precisión y eficiencia, con los ofrecidos por otras técnicas de clasificación supervisada como el método de máxima verosimilitud. La hipótesis de partida es que muchas de las clases que se pretende segmentar y clasificar presentan distribuciones espectrales sesgadas y por tanto no son ideales para la aplicación de técnicas de clasificación tradicionales basadas en métodos paramétricos.

Tarea 5. Adquisición y tratamiento de una imagen de satélite QuickBird.

Aplicación y adaptación de las técnicas desarrolladas en las fases anteriores a la clasificación de imágenes de satélite de alta resolución (GeoEye en nuestro caso). El uso de este tipo de imágenes aporta una característica muy importante en la gestión integrada de áreas costeras, como es su flexibilidad para seleccionar el tiempo y la frecuencia de adquisición, prácticamente a la carta.

 

Outputs procedentes del Objetivo 2:

Los resultados que se pretenden obtener tras la consecución del objetivo 2 serían los siguientes:

Información de contacto: Dr. Fernando J. Aguilar Torres Investigador Principal Teléfono: 950015339 Fax: 950015491 Correo: faguilar@ual.es
Proyecto de investigación: CTM2010-16573GEOYE-1-WORLDVIEW-2 Proyecto de investigación
GEcoastal:

GEcoastal

Campus de Excelencia Internacional del Mar:

CEI-MAR

CAMP Levante de Almería:

CAMP Levante de Almería