DICA - Sez. Geodesia e Geomaticaalloctone.it/wp-content/uploads/2015/02/ITACA_Asita2014.pdf · OA...
Transcript of DICA - Sez. Geodesia e Geomaticaalloctone.it/wp-content/uploads/2015/02/ITACA_Asita2014.pdf · OA...
G. Sona, L. Pinto, D.Passoni, P.Dosso, A.Biffi, M.Baracani
DICA - Sez. Geodesia e Geomatica
Classificazione di immagini multispettrali e
multitemporali da UAS per il contenimento di
specie alloctone in aree protette
SOMMARIO 2
• Il progetto ITACA
Innovazione Tecnologie Azioni per il Contenimento delle Alloctone
• I voli multispettrali/multitemporali
• Modelli digitali e ortofoto
• Classificazione
• Risultati/Conclusioni
• 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 ITACA
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
Innovazione Tecnologie Azioni per il Controllo delle Alloctone
• Censimento su tutto il territorio del parco (circa
7000ha) delle specie esotiche che stanno
sottraendo habitat a specie autoctone (‘lista
nera’ Regione Lombardia)
IL PROGETTO ITACA
- Ailanthus
- Acer negundo
- Broussonetia papyrifera
- Prunus serotina
- Quercus rubra
- Amorpha
- Buddleja
- Phytolacca
- Reynoutria japonica
- Bambusae
• Sei zone boschive critiche (50 ettari circa) da
monitorare
Nelle sei zone boschive critiche sono state
progettate riprese multispettrali da UAV
I VOLI MULTITEMPORALI
I periodi ottimali di volo sono stati individuati da esperti botanici, sulla base dello
sviluppo fenologico delle specie di maggior interesse.
Le riprese sono state pianificate in differenti stagioni,
per sfruttare le differenze nelle fasi fenologiche :
ESTATE – AUTUNNO - PRIMAVERA
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)
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
I VOLI
TRIANGOLAZIONE DEI BLOCCHI
Per ogni stagione i due blocchi di immagini RGB e NIR-GB sono stati
simultaneamente orientati mediante Agisoft Photoscan™
Ettari ortofoto N°immagini N°punti GPS
Cisano 39.7 49 12
Villa D'Adda 54.8 49 15
Paderno 29.4 34 13
Porto D'Adda 29.3 26 19
Groppello 35.7 60 13
Medolago 41.9 60 19
Le 6 ortofoto coregistrate RGB e NIR-GB, in Estate, Autunno e Primavera (Cisano)
Le ortofoto coprono
estensioni molto maggiori
delle aree coperte da
vegetazione arborea
oggetto di studio
ORTOFOTO
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.
Cisano Medolago Villa
d’Adda
Groppello Paderno Porto
d’Adda
Ailanto X X X X X X
Robinia X X X X X* X*
Salice X X
Gelso da carta X X
Bagolaro X
Pioppo X X* X*
Platano X X
Quercia X X
Acero X X
* da verificare
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 LA CLASSIFICAZIONE
Estate
Autunno
Primavera
R
G
B
NIR
R
G
B
NIR
R
G
B
NIR
PREPARAZIONE DATI PER CLASSIFICAZIONE
Selezione dei canali di interesse, uniti
in un unico ‘layer stack’ per effettuare
classificazione utilizzando il massimo
dell’informazione
R
G
B
NIR
Estate
Una classificazione di confronto è stata effettuata anche su un ‘layer
stack’ formato dai soli quattro canali estivi
Riduzione della risoluzione da 5 a 25 cm
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
Pino 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
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
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
Pino 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
Prod. User Acc. (%) Acc. (%) Ailanto 85.2 33.9 Acero 6.9 32.5 Frassino 47.3 66.5 Pino 80.6 84.0 Pioppo 95.7 86.4 Platano 82.9 97.0 Robinia 27.0 23.1 Salice 95.9 89.8
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.
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
VALIDAZIONE – Producer e User Accuracy
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
Overall Accuracy : confronto tra classificazione multistagionale e
classificazione della sola stagione estiva
Nella maggior parte delle aree il rilievo multitemporale permette
una più efficace distinzione delle specie arboree
MULTISTAGIONALE o NO ?
L’analisi dettagliata di PA e UA di tutte le aree non dà sempre risultati coerenti ma
è spesso a favore delle classificazioni multistagionali
Groppello 3 stagioni Solo
estate
OA 90,04 OA 88,5
K 0,84 K 0,81 PA UA PA UA
gelso 60.4 99.4 65.3 84.5
robinia 96.1 58.2 78.1 73.7 ailanto 98.0 86.7 96.8 60.7
bagolaro 98.5 98.7 98.2 99.4
Cisano 3 stagioni Solo
estate OA 80,48 OA 50,44
K 0,74 K 0,38 PA UA PA UA
Acero 6,9 32,4 7,1 7,6
Frassino 47,3 66,5 31,2 46,7
Pino 80,6 83,9 86,7 39,9
Pioppo 95,6 86,4 90,2 72,6
Platano 82,9 96,9 59,4 90,8
Robinia 27,0 23,1 15,8 19,3
Salice 95,8 89,8 96,5 75,8
Ailanto 85,3 33,9 51,8 26,8
MULTISTAGIONALE o NO ?
3 stagioni estate
Linee più separate indicano maggiori possibilità
di distinguere le diverse specie arboree.
La separabilità tiene conto anche della ‘dispersione’ di questi grafici
NB: più linee = più piante di cui
si ha verità a terra
FIRME ‘SPETTRALI’ e SEPARABILITA’
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.
CONCLUSIONI, PROBLEMI APERTI, SVILUPPI FUTURI