Ανίχνευση και Εξαγωγή των Αδιαπέρατων Επιφανειών με Ανάπτυξη Βάσης Γνώσης σε Περιβάλλον Αντικειμενοστραφούς Ανάλυσης Ψηφιακών Τηλεπισκοπικών Δεδομένων

Maragoudakis, Aristodimos; Μαραγκουδάκης, Αριστόδημος

dc.contributor.author	Maragoudakis, Aristodimos	en
dc.contributor.author	Μαραγκουδάκης, Αριστόδημος	el
dc.date.accessioned	2015-02-09T11:32:41Z
dc.date.available	2015-02-09T11:32:41Z
dc.date.issued	2015-02-09
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/40276
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.5459
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Object based classification	en
dc.subject	Impervious areas	el
dc.subject	Ecognition	el
dc.subject	Fuzzy logic	el
dc.subject	OBIA	el
dc.subject	Αντικειμενοστραφής ανάλυση	el
dc.subject	Αδιαπέραστες επιφάνειες	el
dc.subject	Ασαφής λογική	el
dc.subject	Βάση γνώσης	el
dc.title	Ανίχνευση και Εξαγωγή των Αδιαπέρατων Επιφανειών με Ανάπτυξη Βάσης Γνώσης σε Περιβάλλον Αντικειμενοστραφούς Ανάλυσης Ψηφιακών Τηλεπισκοπικών Δεδομένων	el
dc.title	Extraction of impervious surfaces from remote sensing imagery by developing a knowledge base within an object-based image analysis environment	en
heal.type	bachelorThesis
heal.classification	Ανίχνευση αδιαπέραστων επιφανειών	el
heal.classification	Impervious areas extraction	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2014-10
heal.abstract	Οι αδιαπέραστες επιφάνειες είναι ανθρωπογενείς επιφάνειες που εμποδίζουν την διήθηση τού νερού. Οι προηγούμενες απόπειρες ταξινόμησης αδιαπέραστων επιφανειών με υψηλής ανάλυσης εικόνες και τη χρήση τεχνικών που βασίζονται στο επίπεδο των pixel δεν έχουν αποφέρει τα μέγιστα όσον αφορά την αυτοματοποιημένη ταξινόμηση λόγω της υψηλής φασματικής διακύμανσης και των σύνθετων τύπων εδαφοκάλυψης των αστικών περιοχών. Η ακριβής και γρήγορη ταξινόμηση των αδιαπέραστων επιφανειών θα μπορούσε να βοηθήσει στην διαχείριση καταστάσεων έκτακτης ανάγκης όπως πλημμύρες, σεισμοί, φωτιές, καταιγίδες, παρέχοντας άμεσες προβλέψεις και επικαιροποιημένους χάρτες για την αντιμετώπιση των καταστάσεων αυτών. Στόχος της παρούσας εργασίας είναι η αναγνώριση των αδιαπέραστων επιφανειών έχοντας σαν γνώμονα την δημιουργία βάσης γνώσης για την αυτόματη αναγνώρισή τους σε παραπλήσια τηλεπισκοπικά δεδομένα. Για την επίτευξη των στόχων της εργασίας, αναπτύχθηκε μια βάση γνώσης στο λογισμικό επεξεργασίας εικόνων με αντικειμενοστραφή ανάλυση, eCognition, της εταιρίας DEFINIENS Imaging GmbH. Η αντικειμενοστραφής ανάλυση επιτρέπει την επεξεργασία των δεδομένων σε επίπεδο αντικειμένων και όχι μεμονωμένων εικονοστοιχείων όπως οι παραδοσιακές μέθοδοι του παρελθόντος. Πραγματοποιήθηκε μελέτη περιπτώσεων σε τρεις διαφορετικές περιοχές, και των οποίων τα δεδομένα ποίκιλλαν όσον αφορά τους δέκτες, τη χωρική ανάλυση, την ύπαρξη ή μη πρόσθετων υψομετρικών και διανυσματικών δεδομένων. Η περιοχή μελέτης 1 βρισκόταν στην περιοχή του Φαλήρου και τα διαθέσιμα δεδομένα περιελάμβαναν μια δορυφορική εικόνα Ikonos χωρικής ανάλυσης 1m, ένα Ψηφιακό Μοντέλο Επιφανείας (DSM) προερχόμενο από LIDAR, και ένα κτηματολογικό υπόβαθρο. Η επεξεργασία των δεδομένων περιέλαβε την δημιουργία πέντε επιπέδων κατάτμησης και ισάριθμων επιπέδων ταξινόμησης. Μετά τον διαχωρισμό της περιοχή ενδιαφέροντος από το φόντο στο επίπεδο πέντε, ακολούθησε στο επίπεδο τέσσερα η αναγνώριση των δρόμων και οικοδομικών τετραγώνων με τη βοήθεια των κτηματολογικών δεδομένων. Στο πρώτο λεπτόκοκκο επίπεδο αναγνωρίστηκε η βλάστηση η οποία μαζί με τις ταξινομήσεις των προαναφερθέντων κατηγοριών μεταφέρθηκαν στο επίπεδο δύο. Η τελική ταξινόμηση πραγματοποιήθηκε στο επίπεδο τέσσερα αποτέλεσμα της οποίας είναι η κατάταξη των οικοδομικών τετραγώνων σε έξι κλάσεις αναλόγως του ποσοστού που καλύπτονται από αδιαπέραστες επιφάνειες. Στην δεύτερη περιοχή μελέτης, χρησιμοποιείται μια ορθοφωτογραφία από την περιοχή της Γλυφάδας που έχει προκύψει από αεροφωτογραφίσεις της ΚΤΗΜΑΤΟΛΟΓΙΟ Α.Ε και έχει εξαχθεί από την διαδικτυακή υπηρεσία θέασης της εταιρίας. Η επεξεργασία περιελάμβανε έξι επίπεδα. Στα επίπεδα ένα, τρία και τέσσερα, ανιχνεύτηκαν η βλάστηση, οι δρόμοι και τα κτήρια αντίστοιχα. Με τη συμβολή των βοηθητικών επιπέδων δύο, πέντε και έξι, η τελική ταξινόμηση πραγματοποιήθηκε σε μια μετά-ταξινόμηση του επιπέδου 3 όπου μεταφέρθηκαν οι ταξινομήσεις των άνω και κάτω επιπέδων και ορίστηκαν και νέες κατηγορίες. Οι αδιαπέραστες επιφάνειες διαχωρίστηκαν σε δρόμους, κτήρια, σκιασμένα αδιαπέραστα και λοιπά αδιαπέραστα. Η τρίτη εφαρμογή πραγματοποιήθηκε σε μια δορυφορική εικόνα WorldView2 χωρικής ανάλυσης 0,5m που απεικονίζει μέρος του Πόρτο Ράφτη. Η επεξεργασία απαίτησε έξι επίπεδα κατάτμησης και στο τελευταίο προέκυψαν πέντε κατηγορίες ανάλογα με το ποσοστό το αδιαπέραστων επιφανειών ανά οικοδομικό τετράγωνο. Στο επίπεδο ένα ταξινομήθηκε η βλάστηση και το νερό, στα επίπεδα τρία και τέσσερα ταξινομήθηκαν οι δρόμοι και τα κτήρια. Το σύνολο των κατηγοριών παρουσιάζονται στο επίπεδο τέσσερα και η προαναφερθείσα κατάταξη των οικοδομικών τετραγώνων πραγματοποιήθηκε με τη βοήθεια ενδιάμεσων επιπέδων και βοηθητικών ταξινομήσεων. Ακολούθησε η αξιολόγηση των ταξινομήσεων η οποία πραγματοποιήθηκε με χρήση των εργαλείων που ενσωματώνει το λογισμικό. Συγκεκριμένα, πραγματοποιήθηκε αξιολόγηση βάσει της καλύτερης ταξινόμησης, της σταθερότητας ταξινόμησης καθώς και με τη δημιουργία πίνακα σύγχυσης.	el
heal.abstract	Impervious surfaces are manmade surfaces which are highly resistant to infiltration of water. Previous attempts to classify impervious surfaces from high spatial resolution imagery with pixel-based techniques have proven to be unsuitable for automated classification because of their spectral variability and complex land covers in urban areas. Accurate and rapid classification of impervious surfaces would help in emergency management after extreme events like flooding, earthquakes, fires, and hurricanes, by providing quick estimates and updated maps for emergency response. The objective of this study was the recognition of impervious surfaces while creating a knowledge base that could help to automatically recognize those areas on remote sensing data. To achieve this objective, a knowledge base was created using eCognition® software by DEFINIENS Imaging GmbH, based on object oriented analysis. Object based analysis allows the processing of data at the level of objects rather than individual pixels like the traditional methods of the past. Three case studies in three different areas were examined, whose data varied regarding their source, spatial resolution and existence or not of additional elevation or vector data. The first study area was located at the city of Paleo Faliro, and the available data included a high resolution IKONOS satellite image, a Digital Surface Model (DSM) layer as well as cadastral data. The image analysis contained five levels of segmentations and classifications. After separating the area of interest from the background at a coarse level, the roads and city blocks where identified with the aid of cadastral data. Having classified the vegetation areas at a fine level all classifications were transported at an intermediate level. The final classification divided the city blocks in six classes according to their impervious percentage. For the second area study, an orthophoto depicting part of the city of Glyfada was used, deriving from aerial images taken by KTIMATOLOGIO S.A. After performing a six level image analysis, during the final classification process, the impervious surfaces were classified into roads, buildings, shaded impervious and rest impervious areas. The last case study contained a high resolution WorldView2 satellite image depicting the area of Porto Rafti. Having gone through six levels of image analysis, the final classification process was executed at an intermediate level and the final result measured percent of each sub division created. Those sub-divisions were then grouped in five categories according to their impervious coverage. Evaluating the classifications results was a necessary step and it was performed using tools integrated in the software. The evaluation was performed using the best classification and classification stability methods, as well as creating confusion matrices.	en
heal.advisorName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Καράτζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης.	el
heal.academicPublisherID	ntua
heal.numberOfPages	191 σ.
heal.fullTextAvailability	true