Clasificación del Uso de Suelo Urbano

Aplicación de Análisis de Textura e Inteligencia Artificial

La clasificación del uso de suelo urbano ha entrado en una nueva y atractiva era con el recientemente aumento de la disponibilidad de imágenes satelitales de alta resolución, como Ikonos y QuickBird. Con estos avanzados sensores, los componentes urbanos son detallados como una sola familia o múltiples viviendas, árboles, caminos, áreas de estacionamiento ahora son identificables, por su forma o diferente reflexión electromagnética y formas pueden ser captados en alta resolución. Esto, por un lado, hace uso detallado de la tierra para una posible identificación, pero, por otra parte, hace que la tradicional clasificación por píxel sea inadecuado, debido a que la firma electromagnética de los diferentes tipos de usos de tierra, como residencial, comercial, e industrial, que ahora tienen gran diferencia entre-clases y entre superposiciones de clases.

En contraste, las personas pueden fácilmente separar estas zonas de diferentes usos visualmente ya que pueden diferenciar su textura. La Dr. Myint argumentó en su artículo, «Esta información espacial tiene que ser extraída, además de su valor individual espectral, para caracterizar la heterogeneidad de características urbanas en imágenes de alta resolución». (1) Intuitivamente, los científicos desarrollaron el método de análisis de textura y clasificadores de la inteligencia artificial para mejorar la clasificación del uso de suelo urbano. Recientes clasificaciones de uso de tierra utilizan algoritmos avanzados para la clasificación de usos de suelo /cubierta en New Orleans sobre una imagen Ikonos (vea Figura 1).

sen00136
Figura 1, Ikonos bandas 4, 3, 2 composición falso color, New Orleans, Louisiana. La zona está en la frontera entre la Parroqui de Jefferson y Orleans Parish, cerca del río Mississippi. Imagen capturada el 2 de septiembre del 2005. 4 metros de píxel de resolución que permite identificar detalladamente el uso de suelo. Imágenes de satélite Ikonos cortesía de GeoEye.


La Ciudad de New Orleans

La ciudad de New Orleans, situada cerca del Golfo de México, esta muy poblada, con la mayor parte de su área urbana bajo el nivel del mar. New Orleans fue devastada por el huracán Katrina de Categoría III el 29 de agosto del 2005, y muchos barrios fueron severamente inundados. Como se muestra en la Figura 1, estos barrios exhiben diferentes patrones espaciales.

sen00137
Figura 2, 1 metro de resolución Ikonos pancromática con bandas de diferentes vecindarios de New Orleans. Imagen capturada el 2 de septiembre del 2005. Primera fila de izquierda a derecha: de baja densidad residencial / residencial 1, de alta densidad / residencial 2, bosques; segunda fila: comerciales, agua, industrial; tercera fila de izquierda a derecha: inundado residencial 1, residencial 2 inundado, industrial inundado, Imágenes de satélite Ikonos cortesía de GeoEye.

Análisis de textura

Esta investigación en particular analiza tres técnicas de vanguardia: la dimensión fractal, lacunarity, y Moran’s I el índice de autocorrelación espacial. El concepto frantal fue inventado por Mandelbrot para medir la auto-similitud y la irregularidad de formas complejas, tales como líneas costeras. (2) En la geometría fractal, una imagen bidimensional puede tener una dimensión fraccionaria entre el 2 y el 3, con un valor más alto que representa un auto-similar y más agitado de superficie.

La Figura 3 muestra una simulación gráfica por computador con una dimensión fractal de 2,5, que se genera usando una imagen Caracterización y Modelado del Sistema (ICAMS), un paquete de software desarrollado por LAM y su colaborador. (3) La mayoría de las imágenes de teledetección más grandes tienen dimensiones fractales que esta imagen simulada. Emerson et al, implemento con éxito en la dimensión fractal la clasificación de suelos con escenarios de las imágenes landsat. (4).

sen00138
Figura 3, Un superficie fractal de 500×500 generada usando ICAMS, Dimensión Fractal = 2,5.

Como contrapartida de la dimensión fractal, lacunarity se introdujo para medir la «brecha» en la distribución de una imagen. (5) Superior lacunarity generalmente significa un patrón más heterogéneo. Lacunarity se utilizó para caracterizar el paisaje y el patrón se encontró para aumentar la precisión en el uso de suelo urbano/clasificación de coberturas. (6,1).

La Autocorrelación espacial demuesta la similitud o la disimilitud de los píxeles vecinos (7). Una medida ampliamente utilizada es el índice de Moran’s I, que va de -1 a 1 para los negativos, al azar, y de autocorrelación positiva. Aplicación de autocorrelación espacial en la clasificación de imágenes incluye el uso de vectores y semivariogramas Moran´s I. (8).

sen00139
Figura 4, Demostración de la técnica de la ventana en movimiento (indicando los números de 11-bit DN valores de las imágenes satelitales Ikonos).

Mover ventanas técnicas se utilizan ampliamente para generar mediciones locales de estos parámetros de textura para producir capas de información. Una ventana se coloca en la parte superior de la imagen, y la textura de medición dentro de la ventana se le asigna a la ventana central de píxel (ver figura 4). A medida que la ventana se mueve por toda la imagen, una nueva capa de textura se generará. Diferentes categorías de cobertura de suelo entonces tienen diferentes características espectrales, y los diferentes índices texturales medidos en diferentes propiedades textuales.

sen00140
Figura 5, Textura curva de los diferentes tipos de uso de suelo, utilizando una ventana de 33×33 metros en movimiento (Tenga en cuenta que la dimensión fractal y Moran I valores se limita a 2~3 y -1~1, respectivamente, mientras que lacunarity no tiene límite superior).

La figura 5 muestra la curva de textura métrica de utilización de tipos de suelo mostrado en la Figura 2, y la Figura 6 muestra vistas espectrales y temporales y opinión de Jefferson Parish, La. Los investigadores por lo general se aprovechan de esta ayuda para diferenciar en la clasificación, y se informa de mejoras significativas en Myint y Lam 2005.

Clasificadores de Inteligencia Artificial

La insuficiencia de verosimilitud máxima en los clasificadores tradicionales en el uso de suelo urbano ha inspirado la adopción de la inteligencia artificial en el uso de clasificadores de suelos, tales como Liu y Lathrop’s con múltiples capas de redes neuronales de perceptron. (9). A pesar de que tiene problemas, el clasificador de máxima probabilidad sigue siendo lo más disponible en el comercio de teledetección y el software fotogramétrico es poco fiable en la mayoría de los casos. Sin embargo, puede ser más prometedor, si pueden mejorar las aplicaciones.

sen00141
Figura 6, Espectral (a la izquierda) y texturales (a la derecha) la misma vista de la zona. Capas de textura que representan dimensión fractal, y Moran I se apilan para ver un color textural. El área está cerca del parque industrial en Jefferson Parish, Louisiana y en el lado derecho (este) del río Mississipi. Imágenes de satélite Ikonos cortesía de GeoEye.

Esta investigación realizó un nuevo vistazo a la muy utilizada clasificación de máxima probabilidad, con especial atención a las a veces ignoradas probabilidades (conocimiento previo). Teniendo esto en cuenta, hemos abordado el problema mediante el uso de algoritmos genéricos para optimizar la probabilidad parámetro adecuada con el objetivo de una mayor precisión a través de un proceso evolutivo de capacitación (ver figura 7). Esta solución optimiza el conocimiento previo para hacer una mejor clasificación con el clasificador de máxima verosimilitud.

sen00142
Figura 7, Formación de la curva de clasificación.

Flujo de Trabajo

El método de calculo de la dimensión fractal requiere una gran ventana para la medición del rendimiento estable, pero una gran ventana para desdibujar los límites del uso de suelo. Esta investigación utilizó la banda pancromática para generar tres capas testurales (dimensión fractal, lacunarity, y Moran’s I). Las capas taxturales se muestran más abajo apiladas con rango espectral verde, rojo e infrarrojo cercano. La banda azul fue excluída debido a los efectos de dispersión atmosférica. El compuesto de seis bandas de imagen, por lo tanto, no sólo contiene caracteristicas espectrales, sino también las mediciones de textura extraídos con 3 cifras de texturas avanzadas. La imagen compuesta entonces pasó por un estándar de clasificación supervisada sobre la base de pre-selecciones de formación, con la aprobación del algoritmo genérico en la formación clasificador. Fotografías aéreas ADS40 (por cortesía de LSU GIS Cleareinhouse Cooperative) se utilizan para comprobar la exactitud de la clasificación, y el trabajo de campo también se realizó.

sen00143
Figura 8, Clasificados uso de suelo / uso de los mapas de cobertura Ikonos multiespectral banda 4, 3, 2 con el tradicional método de máxima verosimilitud (arriba) y el nuevo método (en la parte inferior).

Una zona un poco más pequeña de la Figura 6 se utilizó en esta investigación, y, por lo tanto, la zona inundada no tiene efectos en la clasificación, como es el caso de la mayoría de las clasificaciones de uso de suelo. La propuesta de algoritmo genérico clasificador se comparó con el tradicional método basado en píxel. Capas texturales se generaron con 65×65 metros de ventana en movimiento. Sistema de clasificación nivel II USGS se utilizó solo con el uso de suelo existente considerando: residenciales, bosques, comerciales, industriales y de aguas. Mapas de clasificación se muestran en la figura 8.

sen00144
Figura 9, Mejora de la precisión de la clasificación de uso de suelo con diferentes enfoques, en comparación con la tradicional clasificación de máxima verosimilitud.

Figura 9 muestra la mejora del nuevo método sobre el método tradicional. La prueba comprobó que el método tradicional basado en píxel en la clasificación de máxima verosimilitud dado exactitud sólo de 68,5 %, mientras que la precisión aumentó a 79,7 % cuando el algoritmo genérico fue usado, o al 86,6%, cuando se utilizó la información de textura. Tanto el algoritmo genético y la textura de la información utilizada en conjunto obtuvo una clasificación general de 89,3 % de precisión.

En términos de eficiencia computacional, de una prueba de 20 escenarios de formación se encontró que en promedio, se necesitan menos de 10 minutos adicionales. Teniendo en cuenta la gran mejora en la exactitud, este poco más de tiempo está bien justificado. Aunque la extracción de capas texturales es computacionalmente mucho tiempo, a menudo teniendo varias horas en un rápido computador basado en windows, una reducción significativa en tiempo podría ser paralelo si se desplegaran procesamientos distribuidos.

sen00145
Figura 10, Mejora de la detección de inundación en las diferentes categorías de uso de suelo con la textura de la información utilizada, en comparación con la por-píxel clasificación espectral. Clasificador de máxima probabilidad se utilizó en ambos casos.

Detección de inundaciones o de interface agua-tierra es una importante aplicación de teledetección. Un primer experimento con una selección de sitios en New Orleans fue utilizado para probar la textura con el método clasificador de máxima verosimilitud, y mostró (Figura 10) que los errores de omisión se redujo significativamente en la mayoría de tierras inundadas de tipos de cobertura: residenciales, comerciales, bosques, y completamente las zonas inundadas (estacionamientos, pastizales, etc).
En general, se ha mejorado la precisión del 60,3 % al 75,2 %. A pesar de que este anteproyecto no es todavía lo suficientemente bueno, muestra una gran promesa de la aplicación de análisis de texturas en la detección de desastres. Mediante la combinación de Lidar mayor elevación de datos, inteligencia artificial y otros clasificadores, y un experto en los conocimientos teóricos, aún mayor exactitud se podría lograr.

La forma en que la gente identifica características del terreno se basa en la visualización de la información tanto espectrales (color de la imagen) y texturas de información (forma, la variación, compactación, etc). Aunque varias bandas espectrales, con frecuencia, han sido utilizadas en la clasificación tradicional para una mejor separación de los diferentes tipos de uso de suelo, no hay razón adicional para no utilizar múltiples bandas de textura para aumentar la precisión.

Este amplio espectro de información espacial de la imagen ayudará a hacer que los computadores aumenten los especialistas en imágenes. A diferencia de clasificación de usos de suelo basados en objetos que esta disponible en algunos softwares comerciales, esta investigación académica marca una tendencia creciente al uso de capas de textura con ayuda de enfoques. Cuando la textura ayuda al enfoque se combina con algoritmos de inteligencia artificial, mejora considerablemente la precisión de la clasificación, siempre rápido, preciso, sólido, automatizando la detección de las zonas afectadas, lo que es más critico que nunca.

Notas Finales
  1. Myint, S.W, and N.S.-N. Lam, 2005. «Examining lacunarity approaches in comparison with fractal and spatial autocorrelation techniques for urban mapping.» Photogrammetric Engineering & Remote Sensing, 71(8):927-937.

  2. Mandelbrot, B. B., 1967. «How long is the coast of Britain? Statistical selfsimilarity and fractional dimension.» Science, 156: 636638.

  3. Lam, N. S.-N., D. A. Quattrochi, H.-L. Qiu, and W. Zhao, 1998. «Environmental assessment and monitoring with image characterization and modeling system using multiscale remote sensing data.» Applied Geographic Studies, 2(2):77-93.

  4. Emerson, C.W., N.S.-N. Lam, and D.A. Quattrochi, 1999. «Multi-scale fractal analysis of image texture and pattern.» Photogrammetric Engineering & Remote Sensing, 65(1):51-61.

  5. Mandelbrot, B.B., 1983. The Fractal Geometry of Nature. New York: W.H.Freeman.

  6. Plotnick, R.E., R.H. Gardner, and R.V. O’Neill, 1993. «Lacunarity indices as measures of landscape texture.» Landscape Ecology, 8(3): 201-211.

  7. Cliff, A.D., and J.K. Ord, 1973, Spatial Autocorrelation. London: Pion Limited.

  8. Carr, J.R., and F.P. de Miranda, 1998. «The semivariogram in comparison to the co-occurrence matrix for classification of image texture.» IEEE Transactions on Geoscience and Remote Sensing, 36(6): 1945-1952.

  9. Liu, X., and R.G. Lathrop, 2002. «Urban change detection based on an artificial neural network.» International Journal of Remote Sensing, 23(12): 2513-2518.

Fuente:

Wenxue Ju, PhD Candidate (Department of Geography and Anthropology Louisiana State University Baton Rouge, La.)
Nina S.-N. Lam, PhD (Professor Department of Environmental Studies Louisiana State University Baton Rouge, La.)

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Solve : *
2 × 8 =