02 Change Detection

MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 1

CHANGE ANALYSIS – ANALIZA SCHIMBĂRILOR

ANALIZA SCHIMBĂRILOR

DATE CANTITATIVE DATE CALITATIVE

Mărimea (magnitudinea) schimbărilor- valori ale reflectanței- indici normalizați- precipitații, etc.

Felul schimbărilor:- categorii de utilizare a terenului- tipuri de vegetație- ...


1. Diferența imaginilor – Image differencing

2. Împărțirea imaginilor – Image ratioing

3. Regresia imaginilor – Regression differencing

4. Analiza modificării vectorilor – Change Vector Analysis (CVA)

I. Estimarea modificărilor utilizând date cantitative


Arealul de studiu – Republica DominicanăArealul de studiu – Republica Dominicană


TM1_85 Visible Blue, 1985.TM2_85 Visible Green, 1985.TM3_85 Visible Red, 1985.

TM1_89 Visible Blue, 1989.TM2_89 Visible Green, 1989.TM3_89 Visible Red, 1989.

Date


I.1. Diferența imaginilor – Image differencing

• Redă diferența absolută

Ce înseamnă o diferență 5?

- de la 5 la 10 reprezintă dublul reflectanței

- de la 90 la 95 reprezintă doar 5.26%

• Cum trasăm limita între o variabilitate normală a datelor și modificările reale?

Imagine nouă

(tm1_89)

Imagine veche

(tm1_85)-

Diferența

DIFF=


I.1. Diferența imaginilor – Image differencing

?

• Schimbări pozitive

Refl. Imagine nouă > Refl. Imagine veche = valori pozitive

• Schimbări negative

Refl. Imagine nouă < Refl. Imagine veche = valori negative

•Fără schimbări

Refl. Imagine nouă = Refl. Imagine veche = 0


Graficul funcţiei de repartiţie normală

Repartiţia normală (Repartitia Gauss)

A.Chiriac, S. Ráduly: “Matematici Generale pentru prelucrarea automată a datelor”


Indiferent cum este funcţia de repartiţie, se definesc nişte parametri care descriu exact funcţiile de repartiţie şi care sunt:

1. VALOAREA MEDIE

2. DISPERSIA

În cazurile în care ne grăbim, sau lipsesc nişte date, putem folosi nişte parametri aproximativi:

1. MEDIANA

2. MODULUL

3. AMPLITUDINEA


• Dacă în urma unei măsurători va rezulta o valoare foarte indepărtată de medie, probabilitatea ca acest element să aparţină acestei populaţii este foarte mică, e mult mai probabil că aparţine altei populaţii

“IPOTEZA NULĂ” care consideră că selecţia provine de la populaţia căutată, adică media selecţiei şi media populaţiei sunt identice:H0 :m = m0

“IPOTEZA ALTERNATIVĂ”, adică

se va adeveri prin respingerea ipotezei nule cu o probabilitate dată, probabilitate ce depinde de nivelul de semnificaţie a testului.

0mm:H A


Lower Threshold = Mean - 3 σ = ...

Upper Threshold = Mean + 3 σ =...

Zonal operators

Opțiuni de realizare a diferenței


cu mascăcu mască

Diferența exprimată în valori ale abaterii standard


Diferența exprimată în clase de abateri standard

cu mască


I.2. Raportul imaginilor – Image ratioing

• Redă diferența relativă

• Riscul împărțirii la 0

- verificare statistică a imaginii la care se împarte

- unele programe se descurcă cu acestă eroareEx. în IDRISI există următoarea convenție: 0/0 = 1, positive number/0 = very large positive number,

negative number/0 = very large negative number. Ulterior aceste areale se elimină din imagine.

• Rezultatul nu are o repartiție normală, simetrică, de aceea se recomandă logaritmarea acestuia!

Imagine nouă

(tm1_89)

Imagine veche

(tm1_85)/

Raportul

RATIO=

/

0

Eroarea de împărțire la 0


• Schimbări pozitive

Refl. Imagine nouă > Refl. Imagine veche = valori supraunitare

• Schimbări negative

Refl. Imagine nouă < Refl. Imagine veche = valori subunitare

•Fără schimbări

Refl. Imagine nouă = Refl. Imagine veche = 1


Lower Threshold = Mean - 3 σ = ...

Upper Threshold = Mean + 3 σ =...


I.3. Regresia imaginilor – Regression differencing

• Nu se utilizează la imagini extrem de diferite – exemplul anterior!

• Procedeul este util când:

- se știe/se suspectează faptul că valorile înregistrate de senzor sunt diferite în intervalul de timp considerat datorită unor erori instrumentale;

- în cazul utilizării imaginilor captate cu senzori diferiți, chiar dacă se utilizează aceleși benzi spectrale

Exemplu: imagini TM și ETM+

• Prin regresia liniară se calibrează una din imagini (de obicei cea veche) la parametrii imaginii noi (media și abaterea standard)


Ecuația de regresie liniară

y = m.x + n , m,n ∈ R

unde: m este panta dreptei (tangenta unghiului format dintre dreaptă şi axa Ox)n este ordonata la origine

MetodologieImaginea veche = Im_T1 → variabila independentă

Imaginea nouă = Im_T2 → variabila dependentă

• Se calculează regresia liniară dintre cele două imagini

• Coeficienții ecuației de regresie se utilizează pentru a calcula Im_T2_prezisă

Im_T2_prezisă = (panta dreptei* Im_T1) – ordonata la origine

• Im_T2_prezisă este de fapt imaginea Im_T1 ajustată pentru a se ”potrivi” statistic cu imaginea Im_T2

• Se realizează diferența dintre Im_T2 și Im_T1 ajustată pentru a evidenția schimbările


Imagini NDVI – NOOA AVHRR


Rezultatul diferenței dintre cele două imagini, clasificat prin utilizarea pragului Media ± 3 SD

Rezultatul obținut prin metoda regresieiliniare, clasificat prin utilizarea pragului Media ± 3 SD

02 Change Detection

Documents

Transcript of 02 Change Detection