Αναγνώριση και ταξινόμηση κατολισθήσεων με αντικειμενοστραφή ανάλυση τηλεπισκοπικών δεδομένων

Abstract

Οι κατολισθήσεις προκαλούν κάθε χρόνο ζημιές εκατομμυρίων δολλαρίων και το θάνατο εκατοντάδων ανθρώπων σε ορεινές περιοχές. Εξαιτίας της αστικής ανάπτυξης των ορεινών περιοχών και της κλιματικής αλλαγής, η συχνότητα εμφάνισης κατολισθήσεων με καταστροφικές συνέπειες αυξάνεται συνεχώς. Οι κατολισθήσεις μπορούν να προβλεφθούν και να εκτιμηθούν οι δυνητικές συνέπειές τους, επιτρέποντας με αυτό τον τρόπο τη λήψη αποτελεσμάτικων μέτρων, τα οποία θα συμβάλλουν στη θωράκιση και προστασία του πληθυσμού και των υποδομών. Η πρόβλεψη και η εκτίμηση του κατολισθητικού κινδύνου βασίζεται στην αρχή ότι οι μελλοντικές κατολισθήσεις είναι πολύ πιθανό να συμβούν σε συνθήκες παρόμοιες με αυτές που προκάλεσαν τις παλιότερες κατολισθήσεις στην περιοχή μελέτης. Κατά συνέπεια, τα δεδομένα από τη χαρτογράφηση των κατολισθήσεων αποτελούν απαραίτητα στοιχεία στην εκτίμηση κατολισθητικού κινδύνου. Η αυξανόμενη διαθεσιμότητα τηλεπισκοπικών δεδομένων υψηλής χωρικής ανάλυσης έχει οδηγήσει στην ανάπτυξη αποτελεσματικών μεθόδων χαρτογράφησης κατολισθήσεων στα πλαίσια της διαχείρισης κινδύνου και της αντιμετώπισης των καταστροφών. Σκοπός της παρούσας μεταπτυχιακής εργασίας ήταν η αυτόματη αναγνώριση και ταξινόμηση των κατολισθήσεων από τηλεπισκοπικά δεδομένα σύμφωνα με τα φασματικά και μορφολογικά χαρακτηριστικά τους και τις χωρικές σχέσεις με το περιβάλλον τους. Για το σκοπό αυτό χρησιμοποιήθηκε η μέθοδος της αντικειμενοστραφούς ανάλυσης εικόνας, η οποία έχει την ικανότητα να εντοπίζει ημι-αυτόματα κατολισθήσεις χρησιμοποιώντας φασματικά, σχηματικά και μορφολογικά χαρακτηριστικά των κατολισθήσεων. Ο αλγόριθμος αναπτύχθηκε στο περιβάλλον του λογισμικού eCognition 8 και για τις ανάγκες της εφαρμογής χρησιμοποιήθηκαν πολυφασματικά δεδομένα χωρικής ανάλυσης 5.8 m, ένα ψηφιακό μοντέλο εδάφους χωρικής ανάλυσης 10 m και τα παράγωγα του (κλίση, καμπυλότητα πρανούς, δείκτης τοπογραφικής θέσης, συσσώρευση ροής). Η διαδικασία για την αναγνώριση και την ταξινόμηση των κατολισθήσεων με τη μέθοδο της αντικειμενοστραφούς ανάλυσης εικόνας περιλαμβάνει ουσιαστικά τρια επίπεδα κατάτμησης. Στο πρώτο λεπτόκοκκο επίπεδο κατάτμησης ταξινομήθηκαν οι περιοχές με βλάστηση και οι υδάτινες μάζες. Ενώ στο τρίτο χονδρόκοκκο επίπεδο κατάτμησης, η εικόνα ταξινομήθηκε σε δυο τάξεις, στον πυθμένα και στα πρανή κοιλάδας. Στο δεύτερο επίπεδο κατάτμησης, το οποίο αποτελεί το μεσαίο επίπεδο της ιεραρχίας επιπέδων έγινε ταξινόμηση της κάλυψης γης της περιοχής μελέτης καθώς και η αναγνώριση και η ταξινόμηση των κατολισθήσεων. Η μέθοδος αυτή κατάφερε να αναγνωρίσει το 100% του συνολικού αριθμού των κατολισθήσεων και να ταξινομήσει τρείς τύπους κατολισθήσεων με ακρίβεια 83.3%. Ενώ η ακρίβεια αναγνώρισης και ταξινόμησης που επιτεύχθηκε αναφορικά με την έκταση των κατολισθήσεων είναι 66.75% και 65.98% αντίστοιχα της πραγματικής έκτασης των κατολισθήσεων.

Landslides are a major form of geohazard, that cause millions of dollars of damaga and many deaths each year. As development increases on sloping urban areas, a higher incidence of slope instability and landsliding is reported. Landslides can be predicted and their potential consequences can be estimated, allowing the application of measures to protect the population and infrastructure. The prediction ans assessment of landslide risk is based on the principle that landslides in the future will be more likely to occur under the conditions whhcih led to the past and present instability. Consequently, the identification and classification of landslides are essential elements in the assessment and management of landslide risk. The increasing availability of remote sensing images with high spatial resolution has led to the development of efficient methos for mapping landslides in risk management and disaster response. The purpose of this study was the automatic identification and classification of landslides from remote sensing data in accordance with their spectral and morphological characteristics and spatial relations with their environment. For this purpose, the method of object oriented image analysis has been used, which has the ability to identify semi-automatically landslides using the spectral, spatial and morphological characteristics of landslides. The algorithm is developed in eCognition 8 and it is tested with 5.8 m multispectral data from Resourcesat-1, a 10 m digital terrain model generated from 2.5 m Cartosat-1 imagery and its derivatives (slope, slope curvature, topographic position idex, flow accumulation). The process fro the identification and classification of landslides using object oriented image analysis includeds three levels of segmentation. In the first detailed level, the vegetated areas and water bodies were detected. While in the third coarser level, the image was classifies into two classes, the valley bottom and valley slopes. At the second level, which is the middle level of hierarchy, the land cover classification of the study area and the identification and classification of landslides took place. The method achieved 100% recognition accuracy in terms of number of landslides and a total of three landslide types were classified with 83.3% accuracy in terms of number landslides. The recognition and classification accuracies achieved in terms of extent of landslides are 66.75% and 65.98% respectively, of the total extent of landslides.