Presentazione di PowerPoint
Transcript
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.