02 Change Detection
-
Upload
ionescuioana -
Category
Documents
-
view
13 -
download
2
description
Transcript of 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- ...
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 2
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
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 3
Arealul de studiu – Republica DominicanăArealul de studiu – Republica Dominicană
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 4
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
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 5
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 6
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=
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 7
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
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 8
Graficul funcţiei de repartiţie normală
Repartiţia normală (Repartitia Gauss)
A.Chiriac, S. Ráduly: “Matematici Generale pentru prelucrarea automată a datelor”
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 9
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
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 10
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 11
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 12
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 13
• 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
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 14
Lower Threshold = Mean - 3 σ = ...
Upper Threshold = Mean + 3 σ =...
Zonal operators
Opțiuni de realizare a diferenței
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 16
cu mascăcu mască
Diferența exprimată în valori ale abaterii standard
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 17
Diferența exprimată în clase de abateri standard
cu mască
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 18
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
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 20
• 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
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 21
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 22
Lower Threshold = Mean - 3 σ = ...
Upper Threshold = Mean + 3 σ =...
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 23
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)
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 24
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
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 26
Imagini NDVI – NOOA AVHRR
MASTER SISTEME INFORMATICE GEOGRAFICE 2011 - 2012 28
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