1 / 30

Transform ácie obrazu PCA, CCA Vegetačné indexy

Transform ácie obrazu PCA, CCA Vegetačné indexy. PCA, CCA. Analýza hlavných komponentov (PCA – Principal Component Analysis) Analýza kanonických komponentov (CCA – Canonical Component Analysis)

mostyn
Download Presentation

Transform ácie obrazu PCA, CCA Vegetačné indexy

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Transformácie obrazuPCA, CCAVegetačné indexy

  2. PCA, CCA • Analýza hlavných komponentov (PCA – Principal Component Analysis) • Analýza kanonických komponentov (CCA – Canonical Component Analysis) • často používané metódy kompresie údajov, ktoré sú redundantné (nadbytočné) – napr.multispektrálne údaje DPZ • buď ako vylepšovacie operácie pred vizuálnou interpretáciou údajov alebo ako predspraco- vanie pred automatizovanou klasifikáciou

  3. PCA • ortogonálna transformácia n-rozmerného spektrálneho priestoru, pri ktorej sú osi rotované, pričom nové osi I a II sú rovnobežné s osami elipsy a ich počiatok je v priemere rozloženia údajov • os I definuje smer prvého hlavného komponentu (PC1), os II smer druhého hlavného komponentu (PC2)

  4. PCA • dôležité je, že údaje pozdĺž smeru osi I majú väčší rozptyl ako údaje pozdĺž originálnych osí A a B • údaje pozdĺž osi II majú už menší rozptyl • os II je kolmá na os I – údaje sú nekorelované • tak to pokračuje aj pri ďalších komponentoch (PC3, PC4 až PCn)

  5. PCA • PC1 zahŕňa najväčšie percento celkového rozptylu scény a nasledujúce komponenty obsahujú postupne menší a menší podiel celkového rozptylu • to umožňuje redukciu rozmerov (počtu pásiem) originálnych údajov, čo zefektívňuje klasifikačný proces znížením výpočtovej náročnosti • napr. Landsat MSS – 4 pásma • z toho PCA – PC1 vyjadruje 97,6 % rozptylu PC2 vyjadruje 1,8 % rozptylu spolu PC1 + PC2 = 99,4 % • kompresia - zníženie rozmerov údajov zo 4 na 2

  6. PCA • matematicky – transformácia originálnych údajov na nové údaje: DNI = a11DNA + a12DNB DNII = a21DNA + a22DNB pričom DNI DNII- dig.hodnoty v novom (PC) súr.systéme DNA DNB- dig.hodnoty v pôvodnom súr.systéme a11 a12 a21 a22– koeficienty transformácie (štatistické veličiny známe aj ako vlastné vektory – eigenvectors – alebo hlavné komponenty) • v skratke sú PC obrazové údaje jednoduchými lineárnymi kombináciami originálnych údajov vynásobené týmito koeficientmi

  7. PCA • štandardizované premenné - všetky pásma majú rovnakú váhu • pre účely kompresie údajov • neštandardizované premenné - väčšiu váhu majú pásma s väčším rozptylom hodnôt (napr. IČ) • pri analýze časových rád • výsledky PCA – okrem PC obrazov aj variančno-kovariančná matica, korelačná matica, vlastné čísla (eigenvalues), vlastné vektory (eigenvectors)

  8. PCA • kovariancia je štatistická miera vzťahu medzi dvomi náhodnými premennými • meria rozsah spoločnej premenlivosti dvoch náhodných premenných (porovnáva sa rozptyl) • korelácia takisto meria zhodu medzi veličinami • rozdiel je v tom, že korelačné koeficienty sú škálované (v intervale od -1 do 1), kým kovariancie sú neškálované • z variančno-kovariančnej a korelačnej matice môžeme zistiť, ktoré pásma navzájom najviac korelujú

  9. PCA • vlastné čísla (eigenvalues) vyjadrujú, koľko informácií (rozptylu) je uchovávaných v jednotlivých komponentoch (PC1 až PCn) • vlastné vektory(eigenvectors) zase určujú, z ktorých pásiem koľko informácií v jednotlivých komponentoch pochádza, čo vidno aj pri grafickom porovnaní pôvodných pásiem a nových komponentov • vlastné vektory indikujú smer nových osí • výsledné PC obrazy sa obyčajne označujú ako hlavné komponenty (čo je teoreticky nesprávne, pretože hlavné komponenty sú v skutočnosti vlastné vektory – koeficienty transformácie)

  10. PCA • PC obrazy môžeme analyzovať v podobe ČB obrazov alebo v podobe farebnej syntézy • V DPZ PCA1 zvyčajne reprezentuje albedo (odraz od pôdneho povrchu) a PCA2 odraz od vegetačnej pokrývky (pozitívne hodnoty v NIR a negatívne vo viditeľnom pásme)

  11. CCA • PCA sa používa najmä vtedy, ak nemáme k dispozícii predbežné informácie o scéne • ak ich máme, je vhodné použiť CCA • pri CCA sa údaje najskôr rozdelia do tried a následne sa nové osi sta- novia tak, aby samaximali- zovala oddeliteľnosťtýchto tried a zároveň minimalizoval rozptyl v rámci týchto tried • týmto spôsobom sa dajú zvýrazniť objekty, ktoré nie sújasne rozoznateľné v pôvodných údajoch

  12. Redukcia počtu kanálov IČ • niektoré klasifikačné metódy dovoľujú použiť len obmedzený počet spektrálnych kanálov • v takých prípadoch je potrebná redukcia počtu kanálov: výber kanálov pomocou PCA, CCA výber kanálov podľa histogramu R G

  13. Vegetačné indexy • zdravá vegetácia – veľké rozdiely v odraznosti vo viditeľnom a blízkom IČ pásme • rastlinné pigmenty (hlavne chlorofyl) absorbujú energiu vo viditeľnom pásme (najmä pre účely fotosyntézy) - najviac absorpcie v R a B pásme, preto sú listy zelené • energia v blízkom IČ pásme sa na fotosyntézu nepoužíva, preto ju listy odrážajú • na veľkom kontraste v odraznosti medzi R a NIR pásmom sú založené vegetačné indexy • sú aplikovateľné na snímky s nízkym aj vysokým rozlíšením, ktoré majú R a NIR pásmo (NOAA, Landsat, SPOT...)

  14. Vegetačné indexy • využívajú sa na kvantitatívne meranie zelenej biomasy • biofyzikálne merania, ktoré dokumentujú typ vegetácie, produktivitu a funkčné zdravie, sú potrebné pre manažment zdrojov, boj proti odlesňovaniu a dezertifikácii aj pre udržateľný rozvoj poľnohospodárstva a vidieka • využívajú sa ako ukazovatele celkovej environmentálnej zmeny, pri monitorovaní poľnohospodárstva a hodnotení jeho dopadov na krajinu • hodnotenie krajinnej pokrývky v lokálnych aj globálnych mierkach

  15. Vegetačné indexy • delenie vegetačných indexov: • pomerové (slope-based) – aritmetické kombinácie • vzdialenostné (distance-based) – rozdiel odraznosti pixela od odraznosti holej pôdy c) ortogonálne tranformácie – Tasseled Cap R R NDVI PVI NIR NIR

  16. Pomerové vegetačné indexy • RATIO, NDVI, RVI, NRVI, TVI, CTVI, TTVI Ratio Vegetation Index (RATIO) – Rouse et al.(1974) • minimalizácia vplyvu topografie (podiel) • citlivý na delenie nulou • nelineárna mierka – výsledný obraz nemá normálne rozdelenie Normalized Difference Vegetation Index (NDVI) – Rouse et al. (1974) • lineárna mierka, redukované delenie nulou • hodnoty od -1 do 1, 0 znamená žiadnu vegetáciu

  17. Pomerové vegetačné indexy Transformed Vegetation Index (TVI) – Deering et al.(1975) • konštanta 0,5 na elimináciu negatívnych hodnôt (platí, len ak sú hodnoty NDVI > -0,5) • odmocnina pre normálne rozdelenie Corrected Transformed Vegetation Index (CTVI) – Perry a Lautenschlager (1984) • úplne eliminuje negatívne hodnoty • výsledný obraz je rovnaký (lepší) ako NDVI

  18. Pomerové vegetačné indexy Thiam's Transformed Vegetation Index (TTVI) – Thiam (1997) • ignoruje prvý zlomok v CTVI kvôli tomu, že je obraz často „zašumený“ (nadhodnotenie zelene) • odmocnina pre normálne rozdelenie Ratio Vegetation Index (RVI) – Birth a McVey (1968), opak indexu RATIO - má rovnaké nedostatky ako TVI - je jednoduchší Normalized Ratio Vegetation Index (NRVI) – Barret a Guyot (1991) - ako NDVI, tvorí normálne rozdelenie

  19. Vzdialenostné vegetačné indexy • PVI, DVI, AVI, SAVI, TSAVI, MSAVI, WDVI • hlavným cieľom je eliminovať efekt svetlosti pôdy v prípadoch, keď je vegetácia riedka a pixel obsahuje zmes zelenej vegetácie a pôdneho podkladu • dôležité najmä v suchých a polosuchých oblastiach • pôdna línia (soil line) – získame ju lineárnou regresiou NIR a R pásma na pixloch holej pôdy Y = a + b.X a – posunv smere osi y b– sklon • jedna skupina VI však berie ako nezávislú premennú R pásmo, kým druhá NIR pásmo

  20. Vzdialenostné vegetačné indexy Perpendicular Vegetation Index (PVI) – Richardson a Wiegland (1977) • 4 kroky: • rovnica pôdnej línie Rg5 = a0 + a1Rg7 Rg5 – Y súradnica (R) Rg7 – X súradnica (NIR) a1 – sklon pôdnej línie a0 – posun línie v smere Y 2. rovnica línie kolmej k pôdnej línii Rp5 = b0 + b1Rp7 b0 = Rp5 – b1Rp7 Rp5 – odraznosť v R pásme Rp7 – odraznosť v NIR pásme b1 = -1/a1

  21. Vzdialenostné vegetačné indexy 3. Nájdenie priesečníka línií (súradnice Rgg5, Rgg7) 4. Výpočet vzdialenosti medzi priesečníkom a súradnicami pixla (Rp5, Rp7) - podľa Pytagorovej vety

  22. Vzdialenostné vegetačné indexy • vylepšené indexy PVI: PVI1 – Perry a Lautenschlager (1984) • originálny PVI je výpočtovo náročný a nerozlišuje medzi pixlami naľavo a napravo od pôdnej línie (vodné plochy od vegetácie) - vegetácia je len napravo a – posun pôdnej línie b – sklon pôdnej línie PVI2 – Walter a Shabaani (1991), Bannari et al.(1996)

  23. Vzdialenostné vegetačné indexy PVI3 – Qi et al. (1994) PVI3 = aNIR - bRED Difference Vegetation Index (DVI) – Richardson a Wiegland (1977) DVI = gMSS7 – MSS5 g – sklon pôdnej línie MSS7 – odraznosť v NIR pásme MSS5 – odraznosť v R pásme • hodnoty rovné 0 indikujú holú pôdu, hodnoty < 0 vodu a hodnoty > 0 vegetáciu (rovnako ako PVI1) Ashburn Vegetation Index (AVI) – Ashburn (1978) AVI = 2MSS7 – MSS5 • meranie zelenej rastúcej vegetácie • koeficient 2 – len ak je MSS7 6-bitový a MSS5 8-bit

  24. Vzdialenostné vegetačné indexy Soil-Adjusted Vegetation Index (SAVI) – Huete (1988) ρNIR – odraznosť v NIR pásme ρRED – odraznosť v R pásme L – faktor pôdy • L sa mení s odraznosťou pôdy (farba a svetlosť) - výber L závisí na hustote vegetácie, ktorú chceme analyzovať (pre riedku vegetáciu L=1, pre stredne hustú L=0,5, pre veľmi hustú L=0,25)

  25. Vzdialenostné vegetačné indexy Transformed Soil-Adjusted Vegetation Index (TSAVI1) – Baret et al. (1989) a – sklon pôdnej línie b – posun pôdnej línie • podľa autorov je koncept SAVI správny len ak sú konštanty pôdnej línie a=1 a b=0 • špeciálne navrhnutý pre polosuché oblasti (nie je veľmi vhodný pre oblasti s hustou vegetáciou) TSAVI2– Baret et al. (1991) • konštanta 0,08 na minimalizáciu vplyvu jasu pôdy

  26. Vzdialenostné vegetačné indexy Modified Soil-Adjusted Vegetation Index (MSAVI1) Modified Soil-Adjusted Vegetation Index (MSAVI2) - Qi et al. (1994) • založené na modifikácii faktora L pre SAVI • lepšia korekcia jasu pôdneho podkladu pre rôzne podmienky vegetačnej pokrývky L = 1 – 2γNDVI*WDVI γ – sklon pôdnej línie • odstraňuje „šum“ pôdy a hodnoty väčšie ako 1

  27. Vzdialenostné vegetačné indexy Weighted Difference Vegetation Index (WDVI) – Richardson a Wiegland (1977) WDVI = ρNIR – γρRED • aj keď je jednoduchý, je rovnako efektívny ako väčšina indexov založených na sklone • váženie R pásma sklonom pôdnej línie maximalizuje signál vegetácie v NIR pásme a minimalizuje vplyv jasu pôdy • indexy založené na vzdialenosti predstavujú významné kvalitatívne a kvantitatívne zlepšenie pre všetky typy aplikácií, špeciálne pre suché a polosuché oblasti

  28. Ortogonálne transformácie • na monitorovanie zelenej vegetácie môžeme použiť druhý komponent PCA Green Vegetation Index (GVI) of the Tasseled Cap – Kauth a Thomas (1976) • druhé zo 4 nových pásiem získaných z Landsat MSS snímok GVI = -0,386MSS4 + -0,562MSS5 + 0,600MSS6 + 0,491MSS7

  29. Ortogonálne transformácie • výsledkom Tasseled Cap transformácie sú 4 indexy: B – soil brightness index – index svetlosti pôdy G – greennes vegetation index – index zel.vegetácie Y – yellow stuff index – index žltých materiálov N – non-such – ostatné zložky • Crist et al. (1986) odvodil potom koeficienty Tasseled Cap transformácie pre Landsat TM: GVI = -0,2728TM1 -0,2174TM2 – 0,5508TM3 + 0,7221TM4 + 0,0733TM5 – 0,1648TM7 • výsledkom sú 3 indexy: B – brigthness – index svetlosti (urb.územia) G – greenness – index zelenej vegetácie (biomasa) W – wetness – index vlhkosti

  30. Ortogonálne transformácie Misra's Green Vegetation Index (MGVI) – Wheeler et al. (1976) a Misra et al. (1977) • ekvivalent GVI, druhé zo 4 nových pásiem získaných transformáciou PCA z Landsat MSS MGVI = -0,386MSS4 - 0,530MSS5 + 0,535MSS6 + 0,532MSS7 • cieľom je vytvoriť druhý komponent PCA • použitie globálnych koeficientov však nezaručuje presný výsledok, ktorý môže byť špecifický • koeficienty korešpondujú s vlastnými vektormi z PCA • ak poznáme tieto vektory, vlastný MGVI index môžeme vypočítať pomocou mapovej algebry

More Related