Presentazione di PowerPoint

DICA - Sez. Geodesia e Geomatica
Classificazione di immagini multispettrali e
multitemporali da UAS per il contenimento di
specie alloctone in aree protette
G. Sona, L. Pinto, D.Passoni, P.Dosso, A.Biffi, M.Baracani
SOMMARIO
• Il progetto ITACA
Innovazione Tecnologie Azioni per il Contenimento delle Alloctone
• I voli multispettrali/multitemporali
• Modelli digitali e ortofoto
• Classificazione
• Risultati/Conclusioni
2
IL PROGETTO ITACA
Innovazione Tecnologie Azioni per il Controllo delle Alloctone
• necessità di proteggere habitat naturali minacciati
dalla crescente diffusione di specie alloctone
• sviluppo e ottimizzazione di tecniche e procedure
testate in precedenti studi effettuati sull'area del Parco
Adda Nord (Lombardia)
Il progetto si propone di:
• rallentare il processo di perdita di biodiversità attraverso il contrasto delle
specie alloctone invasive e la tutela di aree boscate ad alta biodiversità
• costruire una banca dati sulle specie alloctone e implementare e un sistema
informativo geografico territoriale
• produrre un sistema di monitoraggio della vegetazione
Mediante :
• interventi diretti su aree degradate da colonizzazioni alloctone
• sperimentazioni di tecniche di forestazione innovative
• sperimentazione di rilevamento aerofotogrammetrico multispettrale per
il monitoraggio
IL PROGETTO ITACA
• Censimento su tutto il territorio del parco (circa
7000ha) delle specie esotiche che stanno
sottraendo habitat a specie autoctone (‘lista
nera’ Regione Lombardia)
• Sei zone boschive critiche (50 ettari circa) da
monitorare
- Ailanthus
- Acer negundo
- Broussonetia papyrifera
- Prunus serotina
- Quercus rubra
- Amorpha
- Buddleja
- Phytolacca
- Reynoutria japonica
- Bambusae
I VOLI MULTITEMPORALI
Nelle sei zone boschive critiche sono state
progettate riprese multispettrali da UAV
Le riprese sono state pianificate in differenti stagioni,
per sfruttare le differenze nelle fasi fenologiche :
ESTATE – AUTUNNO - PRIMAVERA
I periodi ottimali di volo sono stati individuati da esperti botanici, sulla base dello
sviluppo fenologico delle specie di maggior interesse.
UAV e SENSORI
L’UAS utilizzato nel progetto è un
Sensefly SwingletCAM, sul quale sono state montate:
- Canon Ixus 220HS per realizzare immagini a colori (RGB)
- Canon Ixus 220HS modificata per realizzare immagini a
falsocolore: NIR-G-B.
Caratteristiche del rilievo:
- Elevata sovrapposizione immagini (60-80%)
- GSD di circa 4 cm (Quota di volo =135 m)
- GCP rilevati con GPS NRTK Trimble 5700
(punti naturali e artificiali).
Per ogni area e per ogni stagione sono stati
realizzati 2 voli (RGB e NIR)
I VOLI
Parco Adda Nord
Zona da rilevare e punti di appoggio rilevati con
strumentazione GPS + piano di volo
I VOLI
Parco Adda Nord
Zona da rilevare e punti di appoggio rilevati con
strumentazione GPS + piano di volo
TRIANGOLAZIONE DEI BLOCCHI
Per ogni stagione i due blocchi di immagini RGB e NIR-GB sono stati
simultaneamente orientati mediante Agisoft Photoscan™
MODELLI 3D
Dai blocchi RGB dei voli estivi (massimo di copertura fogliare) sono ricavati i DSM.
MODELLI 3D
Dai blocchi RGB dei voli estivi (massimo di copertura fogliare) sono ricavati i DSM.
MODELLI 3D
Dai blocchi RGB dei voli estivi (massimo di copertura fogliare) sono ricavati i DSM.
ORTOFOTO
Le 6 ortofoto coregistrate RGB e NIR-GB, in Estate, Autunno e Primavera (Cisano)
Cisano
Villa D'Adda
Paderno
Porto D'Adda
Groppello
Medolago
Ettari ortofoto
39.7
54.8
29.4
29.3
35.7
41.9
N°immagini
49
49
34
26
60
60
N°punti GPS
12
15
13
19
13
19
Le ortofoto coprono
estensioni molto maggiori
delle aree coperte da
vegetazione arborea
oggetto di studio
PREPARAZIONE DATI PER CLASSIFICAZIONE
Rilievi a terra delle specie arboree di interesse
PREPARAZIONE DATI PER CLASSIFICAZIONE
Nelle aree in cui i dati a terra sono stati più difficili da reperire (Paderno e
Porto D'Adda) si è cercato di identificare empiricamente dalle immagini altre
tipologie di piante.
Ailanto
Robinia
Salice
Gelso da carta
Bagolaro
Pioppo
Platano
Quercia
Acero
Cisano
Medolago
X
X
X
X
X
X
X
X
X
X
X
X
X
Villa
d’Adda
X
X
Groppello
Paderno
X
X
X
X*
Porto
d’Adda
X
X*
X*
X*
X
X
X
* da verificare
PREPARAZIONE DATI PER LA CLASSIFICAZIONE
Sulle ortofoto, selezione di Region Of Interest
(ROI) all’interno delle aree indicate dal
botanico, da usare come training e validation
samples (verificate su tutte le ortofoto)
Maschera applicata per
la zona di interesse
(contorno+ NDVI)
PREPARAZIONE DATI PER CLASSIFICAZIONE
R
G
B
NIR
Selezione dei canali di interesse, uniti
in un unico ‘layer stack’ per effettuare
classificazione utilizzando il massimo
dell’informazione
R
G
B
NIR
Riduzione della risoluzione da 5 a 25 cm
R
G
B
NIR
Estate
Autunno
Primavera
Una classificazione di confronto è stata effettuata anche su un ‘layer
stack’ formato dai soli quattro canali estivi
R
G
B
NIR
Estate
CLASSIFICAZIONE SUPERVISED
metodo : Maximum Likelihood (ENVI5.1)
Ottimizzazione di alcuni parametri
VALIDAZIONE
Confusion Matrix, Overall Accuracy
Classe
V_Acero V_Frassino V_Pino V_Pioppo V_Platano V_Robinia V_Salice
V_Ailanto
Totale
Acero
49
0
0
72
18
10
1
1
151
Frassino
21
1225
0
121
261
85
96
33
1842
0
52
304
2
0
1
3
0
362
Pioppo
223
32
73
8554
150
822
38
11
9903
Platano
152
14
0
60
8284
14
2
15
8541
Robinia
0
1071
0
52
203
418
7
59
1810
Salice
45
188
0
15
149
5
3536
0
3938
Ailanto
215
5
0
47
903
183
3
696
2052
Total
708
2589
377
8943
9992
1548
3689
816
28662
Pino
Overall Accuracy (OA) = somma dei valori sulla
diagonale, diviso per il numero totale di pixel
contenuti nei validation samples
Overall Accuracy (Cisano): 80.5%
(Kappa Coefficient : 0.74)
VALIDAZIONE – Producer e User Accuracy
Classe
Acero
Frassino
Pino
Pioppo
Platano
Robinia
Salice
Ailanto
Total
V_Acero
V_Frassino V_Pino V_Pioppo V_Platano V_Robinia V_Salice
49
0
0
72
18
21
0
223
152
0
45
215
708
1225
52
32
14
1071
188
5
2589
0
304
73
0
0
0
0
377
121
2
8554
60
52
15
47
8943
261
0
150
8284
203
149
903
9992
10
V_Ailanto
1
85
96
1
3
822
38
14
2
418
7
5Ailanto3536
183Acero
3
1548Frassino
3689
Producer Accuracy (PA) = % di pixel classificati correttamente dei
validation samples = numero di pixel corretti /totale sui singoli
campioni di validazione (totale di colonna) : indica la probabilità
cheun pixel di validazione sia correttamente classificato.
Pino
Pioppo
Platano
Robinia
Salice
Totale
1
151
33
1842
0
362
11
9903
Prod. 15
User 8541
1810
Acc. (%)59Acc. (%)
85.2 033.93938
6.9 69632.52052
28662
47.3 81666.5
80.6
95.7
82.9
27.0
95.9
84.0
86.4
97.0
23.1
89.8
User Accuracy (UA) = % di pixel classificati correttamente sulla classe = numero di pixel
corretti sul totale di pixel classificati nella stessa classe (totale di riga) : indica la probabilità
che un pixel classificato rappresenti davvero quella classe
MULTISTAGIONALE o NO ?
Overall Accuracy : confronto tra classificazione multistagionale e
classificazione della sola stagione estiva
OA
Est+Aut+Pri
Est
Groppello
90,0
88,5
Villa D’Adda
97,9
84,4
Porto D’Adda
88,4
85,9
Cisano Berg
80,5
50,4
Medolago
55,2
34,8
Paderno
84,5
68,2
Nella maggior parte delle aree il rilievo multitemporale permette
una più efficace distinzione delle specie arboree
L’analisi dettagliata di PA e UA di tutte le aree non dà sempre risultati coerenti ma
è spesso a favore delle classificazioni multistagionali
MULTISTAGIONALE o NO ?
3 stagioni
estate
Acero
3 stagioni
80,48
0,74
PA
6,9
UA
32,4
Solo
estate
OA
K
PA
7,1
Frassino
Pino
Pioppo
Platano
Robinia
Salice
Ailanto
47,3
80,6
95,6
82,9
27,0
95,8
85,3
66,5
83,9
86,4
96,9
23,1
89,8
33,9
31,2
86,7
90,2
59,4
15,8
96,5
51,8
Cisano
OA
K
50,44
0,38
UA
7,6
46,7
39,9
72,6
90,8
19,3
75,8
26,8
Groppello 3 stagioni
OA
90,04
K
0,84
PA
gelso
60.4
robinia
96.1
ailanto
98.0
bagolaro
98.5
UA
99.4
58.2
86.7
98.7
Solo
estate
OA
K
PA
65.3
78.1
96.8
98.2
88,5
0,81
UA
84.5
73.7
60.7
99.4
FIRME ‘SPETTRALI’ e SEPARABILITA’
Linee più separate indicano maggiori possibilità
di distinguere le diverse specie arboree.
NB: più linee = più piante di cui
si ha verità a terra
La separabilità tiene conto anche della ‘dispersione’ di questi grafici
CONCLUSIONI, PROBLEMI APERTI, SVILUPPI FUTURI
Il rilievo multispettrale e multistagionale di prossimità fornisce uno strumento
utile per la discriminazione di alcune specie vegetali.
Accuratezze particolarmente basse sembrano associate a scarsità di
informazioni al suolo oppure ai casi in cui alcune specie sono poco
rappresentate (samples piccoli) o fortemente mescolate (singoli pixel adiacenti
possono appartenere a specie differenti)
Per ridurre le misclassificazioni occorre approfondire lo studio preliminare della
separabilità delle specie sulla base delle ortofoto prodotte ed eventualmente
effettuare raggruppamenti
Per ottimizzare il rilievo e la successiva classificazione, occorre scegliere poche
specie obiettivo, su cui tarare la selezione dei periodi dell’anno di maggior
differenziazione cromatica.
Si possono sperimentare classificazioni differenti, e/o aggiungere altri canali
sintetici.