Classificazioni di immagini satellitari per la valutazione della dispersione insediativa

Transcript

1 Classificazioni di immagini satellitari per la valutazione della dispersione insediativa

2 Introduzione La dispersione insediativa: Nel corso degli ultimi decenni il confine della città è sempre meno netto Il limite fra aree urbanizzate e aree rurali non è più visibile Il sistema insediativo fuori della città consolidata è sempre più spesso identificabile come una formazione dispersa, sprovvista di identità e di relazioni gerarchiche nell organizzazione degli spazi E' un fenomeno in continua evoluzione che deve essere identificato e monitorato nel tempo

3

4 Un fenonemo anche Europeo Francia Analisi su 22 aree metropolitane I flussi migratori verso la corona esterna alla città sono molto superiori a quelli diretti verso il centro (in migliaia). source:certu, 2000

5 Una urbanizzazione irregolare e non pianificata che consuma il suolo e snatura il paesaggio. Tempi di percorrenza su strada DISECONOMIE Costruzione e manutenzione infrastrutture (di trasporto e non) Costi di urbanizzazione Consumo di suolo Servizi pubblici (illuminazione, gestione dei rifiuti) Congestione stradale Trasporto pubblico...

6 Telerilevamento - Possibilità di studiare un fenomeno e/o proprietà fisiche di un oggetto da remoto - l'energia di trasmissione può essere il sole, la terra o il sensore stesso - la radiazione incidente viene riflessa, assorbita e trasmessa in relazione alla caratteristiche della superficie e della lunghezza d'onda. Anche la superficie emette radiazione elettromagnetica

7 Obiettivi - classificazione del territorio, con particolare attenzione al pixel urbano, mediante dati telerilevati - confronto tra tecniche consolidate di classificazione e tecniche di machine learning - analisi del fenomeno e automatizzazione classificazione di immagini satellitari della - analisi a media risoluzione spaziale a costo zero

8 Immagini a media risoluzione spaziale LANDSAT ETM+ ( ASTER ( Le serie storiche di dati costituiscono un valido aiuto per la comprensione, il monitoraggio e l'individuazione delle tendenze evolutive dei processi di espansione urbana.

9 Immagini a media risoluzione spaziale LANDSAT ETM+ ( ASTER ( Le serie storiche di dati costituiscono un valido aiuto per la comprensione, il monitoraggio e l'individuazione delle tendenze evolutive dei processi di espansione urbana.

10 Sa te lli te anno di lancio sensore LANDSAT ETM + TERRA 1999 ASTER nome banda GREEN RED N-IR N-IR range Wave risoluzione lenght(micrometri) spaziale(metri) 0,45 0,515 0,525 0,605 0,63 0,69 0,75 0,90 1,55 1,75 10,4 12,5 2,09 2,35 0,52 0,9 0,52 0,60 0,63 0,69 0,76 0,86 0,76 0,86 1,60 1,70 2,145 2,185 2,185 2,225 2,235 2,285 2,295 2,365 2,36 2,43 8,125 8,475 8,475 8,825 8,925 9,275 10,25 10,95 10,95 11,

11 Area di studio

12 Algoritmi di classificazione supervisionata Maximum likelihood classification (MLC) Metodo parametrico matematico-statistico che stima la probabilità (massima) di osservare una sequenza di dati, dato un modello. L algoritmo calcola la probabilità che un certo pixel appartenga ad una data classe ed assegna il pixel alla classe più verosimile (alto valore di probabilità). Support Vector Machine (SVM) Tecnica di apprendimento statistico non-parametrica (nessuna assunzione sulla distribuzione dei dati). Definisce un iper-piano che separa il dataset in un numero di classi coerentemente con quanto fatto nel dataset di training. Dà ottimi risultati anche con quantità e qualità non elevate di aree training.

13 Ambiente di lavoro

14 Import/export ed elaborazione immagini satellitari

15 Import/export ed elaborazione immagini satellitari Gestione, tematizzazione, visualizzazione dati \

16 Import/export dati Elaborazione immagini satellitari Gestione, tematizzazione, visualizzazione dati \ RASCLASS pckg Classificazione supervisionata

17 Algoritmi di classificazione 2 classi Configurazioni utilizzate: Overall Accuracy Kappa Coefficient Confronto metodi 2 classi (urbano/non urbano) SMV POLY degree=3 cost=100 gamma=1 SMV POLY degree=3 cost=100 SMV POLY degree=5 SMV POLY degree=3 SVM RBF cost=1000, gamma=1 SVM RBF cost=100, gamma=1 8 classi SVM RBF cost=10000 SVM RBF cost=3000 SVM RBF cost=2000 SVM RBF cost=1000 SVM RBF cost=100 SVM RBF cost=10 SVM RBF gamma=1 SVM RBF SVM Linear MLC 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

18 Risultati (...solo alcuni) Overall Accuracy Kappa Coefficient Confronto metodi 2 classi (urbano/non urbano) SMV POLY degree=3 cost=100 gamma=1 SMV POLY degree=3 cost=100 SMV POLY degree=5 SMV POLY degree=3 Landsat 2 classi SVM RBF cost=1000, gamma=1 SVM RBF cost=100, gamma=1 SVM RBF cost=10000 SVM RBF cost=3000 SVM RBF cost=2000 SVM RBF cost=1000 SVM RBF cost=100 SVM RBF cost=10 SVM RBF gamma=1 SVM RBF SVM Linear MLC 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

19 Risultati Landsat 2 classi

20 Risultati Landsat 2 classi Monopoli (BA) MLC

21 Risultati Landsat 2 classi Monopoli (BA) SVM Linear

22 Risultati Landsat 2 classi Monopoli (BA) SVM RBF Cost=100

23 Risultati Landsat 2 classi Monopoli (BA) ORTOFOTO, MLC, SVM RBF Cost=100

24 Risultati (...solo alcuni) Confronto metodi 8 classi Overall Accuracy Kappa Coefficient SMV POLY degree=3 cost=100 gamma=1 SMV POLY degree=3 cost=100 SMV POLY degree=5 SMV POLY degree=3 Landsat 8 classi SVM RBF cost=1000, gamma=1 SVM RBF cost=100, gamma=1 SVM RBF cost=10000 SVM RBF cost=3000 SVM RBF cost=2000 SVM RBF cost=1000 SVM RBF cost=100 SVM RBF cost=10 SVM RBF gamma=1 SVM RBF SVM Linear MLC 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

25 Landsat 8 classi Ortofoto, MLC, SVM - Linear, SVM RBF, SVM RBF Cost=10 (in senso orario)

26 Risultati Landsat 8 classi Ortofoto, MLC, SVM RBF Cost=10

27 Conclusioni L'uso combinato di GRASS GIS, QUANTUM GIS ed R costituisce un potente strumento per eseguire elaborazioni sui dati integrando algoritmi di diversa natura. R "all'interno" di GRASS consente di applicare contemporaneamente diversi classificatori avendo come output diverse mappe con i relativi parametri di accuratezza.

28 Conclusioni I risultati ottenuti con la SVM, considerando diverse configurazioni (non generalizzabile), hanno dimostrato valori superiori di accuratezza e una maggiore possibilità di discriminare il pixel urbano. Le immagini satellitari a media risoluzione spaziale, con l'ausilio delle tecnologie open source, ben si prestano allo studio di fenomeni analizzabili alla scala vasta come la dispersione insediativa.

29 Licenza d'uso di questa presentazione