Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja 3 UDK 528.85 Pregledni naučni rad METODE ZA OTKRIVANJE PROMJENA KOD DALJINSKIH ISTRAŽIVANJA METHODS FOR CHANGE DETECTION IN REMOTE SENSING Admir Mulahusić, Nedim Tuno SAŽETAK U ovom radu predstavljeni su različiti načini identifikovanja promjena kod daljinskih istraživanja. Različiti autori su predstavljali različite metode otkrivanja promjena na površini zemlje. Otkrivanje promjena je, između ostalog, veoma važno zbog praćenja promjena, kao i procjene promjena i međusobnih odnosa prirodnih i vještačkih objekata. Sve to vodi ka boljem razumijevanju potencijalnih uzroka promjena. ABSTRACT In this paper, the different ways to identify changes in remote sensing are given. Various authors have presented different methods of detecting changes on the Earth's surface. Detection of changes, among other things, are very important for tracking changes, as well as assessment and evaluation of changes and interrelations of natural and artificial objects. All this leads to better understanding of potential causes of change. 1. UVOD Tokom vremena mnogi autori definisali su na različite načine proces identifikovanja promjenâ kod daljinskih istraživanja. Ovom prilikom treba navesti definiciju koju je dao Singh (1989). Naime, prema ovom autoru, detekcija promjene je proces identifikovanja razlika u stanju objekta ili fenomen promatranja istog u različitim vremenskim terminima (Singh, 1989). Pravovremeno i tačno otkrivanje promjena predstavlja osnovu za bolje razumijevanje odnosa između ljudskih i prirodnih fenomena, kao i osnovu za bolje upravljanje i korištenje svih raspoloživih resursa. U današnje vrijeme razvoja novih tehnologija, analiziranje promjena je znatno olakšano. To prije svega podrazumijeva način sakupljanja podataka, pregled podataka, kao i razvoj novih digitalnih formata koji su pogodni za razne vrste analiza u okviru daljinskih istraživanja. Otkrivanje promjena obično ima za cilj otkrivanje područja promjena i rang (stopu) promjene, prostornu raspodjelu promjena i tačnost rezultata otkrivanja promjena. Najčešće se radi o otkrivanju promjene tipa zemljišnog pokrivača. Otkrivanje promjena možemo podijeliti na tri sljedeća koraka: Predobrada snimka, koja podrazumijeva geometrijsku rektifikaciju i slikovnu registraciju, radiometrijsku i atmosfersku popravku. Odabir odgovarajuće tehnike za provođenje analize otkrivanja promjena. Procjenu tačnosti.
4 Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja Tačnosti rezultata otkrivanja promjena ovise o mnogim činiocima, uključujući sljedeće: (1) preciznu geometrijsku registraciju između multitemporalnih snimaka, (2) kalibraciju ili normalizaciju između multitemporalnih snimaka, (3) dostupnost kvalitetnih i vjernih terenskih podataka, (4) složenost pejzaža i okruženja istraživanog područja, (5) promjena metode otkrivanja ili korištenog algoritma, (6) klasifikacija i sheme otkrivanja promjena, (7) analitičareve vještine i iskustvo, (8) znanje i poznavanje istraživanog područja, i (9) vrijeme i ograničenje troškova. (Lu et al., 2004) Odabir odgovarajuće tehnike otkrivanja promjena izuzetno je važno prilikom kreiranja kvalitetnih rezultata otkrivanja promjena. Metode za otkrivanje promjena mogu se podijeliti na sljedeće: Algebra Transformacija Klasifikacija Metode za otkrivanje promjena kod daljinskih istraživanja Napredni modeli Pristupi geografskih informacionih sistema Vizuelna analiza Drugi pristupi Slika 1: Metode za otkrivanje promjena Sve navedene metode su do u detalje analizirane od strane mnogih autora. Općenito, svaka metoda ima svoje glavne karakteristike, prednosti i nedostatke, kao i ključne faktore koji utiču na rezultate otkrivanja promjena. Posljednja kategorija (Drugi pristupi) nije pogodna za grupisanje u bilo koju od šest drugih kategorija. Ova metoda se još uvijek ne koristi u većoj mjeri kod praktičnih radova.
Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja 5 2. ALGEBRA Kategorija Algebra uključuje diferenciranje snimka, regresiju snimka, urazmjeravanje snimka, diferenciranje vegetacionog indeksa, analizu promjena vektora i oduzimanje pozadine. Ove metode (isključujući analizu promjena vektora) su relativno jednostavne, neposredne, lake za primijenu i interpretaciju, no ne mogu pružiti kompletne matrice za informacije o promjeni podataka. Nedostatak kategorije Algebra je poteškoća u izboru odgovarajućih pragova za identifikaciju promijenjenih područja. U ovoj kategoriji, dva aspekta su kritična za rezultate otkrivanja promjena: odabir prikladnih kanala snimka ili vegetacionih indeksa i odabir prikladnih pragova za utvrđivanje promjenjenih područja. Slikovno diferenciranje Jednostavan i neposredan metod. Rezultati su jednostavni za interpretaciju. Ne može da pruži detaljnu matricu promjena. Zahtijeva odabir pragova. Slikovna regresija Redukuje uticaje atmosfere, senzora i razlika okoline između dva snimka koji su snimljeni u različito vrijeme. Zahtijeva razvijanje tačnih regresionih funkcija za odabir kanala prije implementacije otkrivanja promjena. Slikovni omjeri (odnosi) Umanjuje uticaje sjene i topografije. Neprirodna raspodjela rezultata. Algebra Diferenciranje vegetacionog indeksa Naglašava razlike u spektralnom potpisu različitih osobina i smanjuje uticaje topografskih efekata i osvjetljenja. Uvećava slučajni šum ili povezani (koherentni) šum. Analize promjena vektora Mogućnost procesiranja bilo kog broja željenih spektralnih kanala i kreiranje informacija o otkrivanju promjena. Teško je identifikovati trajektorije promjene zemljišnog pokrova. Oduzimanje pozadine Jednostavno za primjenu. Mala tačnost. Slika 2: Algebra
6 Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja U algebra-zasnovanoj kategoriji otkrivanja promjena, slikovno diferenciranje je najčešće korištena metoda za otkrivanje promjena u praksi. Naprimjer, vidljivo slikovno diferenciranje crvenog kanala pokazalo se pogodnim za otkrivanje promjena u polu-sušnim i suhim područjima, ali nije sasvim jasno da li isto vrijedi i u drugim sredinama, kao što su vlažne tropske regije. Različiti autori došli su do različitih zaključaka o tome koja od metoda osigurava najbolje rezultate kod odnosa snimaka: diferenciranje vegetacionog indeksa, slikovna regresija i pristupi analize promjena vektora, jer rezultati variraju ovisno o karakteristikama područja koje se istražuje i slikovnih podataka koji se koriste. 3. TRANSFORMACIJA Transformaciona kategorija uključuje PCA (engl. Principal component analysis), KT (engl. Kauth Thomas transformation or tasselled cap transformation), GS (engl. Gramm-Schmidt) i Hi-kvadrat transformacije. Prednost ovih metoda je u smanjenju viška podataka između kanala i naglašavanje različitih informacija u izvedenim komponentama. Međutim, oni ne pružaju detaljne matrice promjena i zahtijevaju odabir pragova sa svrhom identifikacije promijenjenih područja. Drugi nedostatak je poteškoća u tumačenju i označavanju promijenjenih podataka na transformisanim snimcima. U kategoriji transformacija, PCA i KT najčešće su korišteni pristupi za otkrivanje informacija o promjenama. KT metoda čini se korisnom u mnogim aplikacijama za otkrivanje promjena. Jedna od prednosti KT transformacije nad PCA transformacijom je da su koeficijenti KT transformacije neovisni o prizorima na snimku, dok je PCA transformacija ovisna o prizorima na snimku. GS i Hi-kvadrat metode se relativno rjeđe koriste u praksi, zbog njihove relativne složenosti u odnosu na PCA i KT transformacije. Također, GS i Hi-kvadrat metode nisu dostupne kod većine komercijalnih softvera za obradu snimaka daljinskih istraživanja. 4. KLASIFIKACIJA Klasifikaciona kategorija uključuje post-klasifikacionu uporedbu, spektralno-vremenske kombinovane analize, očekivano-maksimizacioni algoritam za otkrivanje promjena, nenadzirano otkrivanje promjena, hibridno otkrivanje promjena i vještačke neuronske mreže. Ove metode se temelje na klasifikovanju snimaka, u kojima su kvalitet i količina uzoraka podataka odlučujući za stvaranje rezultata klasifikacije dobrog kvaliteta. Glavna prednost ovih metoda je mogućnost pružanja podataka matrice promjena i smanjenje vanjskih atmosferskih uticaja i okolišnih razlika između multi-temporalnih snimaka. Međutim, odabir dovoljnog broja visoko kvalitetnih uzoraka za slikovnu klasifikaciju često je težak, a posebice za klasifikaciju historijskih slikovnih podataka. Vremenski zahtjevan i težak zadatak proizvodnje visoko tačnih klasifikacija često dovodi do nezadovoljavajućih rezultata otkrivanja promjena, a posebno kada nisu dostupni kvalitetni uzorci. Metode klasifikacije često zahtijevaju veliku količinu uzoraka za nadgledanu ili nenadgledanu klasifikaciju slikovnih podataka. Slikovna transformacija, vegetacioni indeksi, napredne metode klasifikacije, modeliranje i integracija različitih izvora podataka često se koriste kako bi poboljšali rezultate klasifikacije.
Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja 7 Analize glavnih komponenti Smanjuje višak podataka između kanala i naglašava različite informacije u izvedenim komponentama. Rezultati otkrivanja promjena između različitih datuma često su veoma teški za interpretaciju i označavanje. Kauth Thomas transformacija Smanjuje višak podataka između kanala i naglašava različite informacije u izvedenim komponentama. Ova transformacija je neovisna o sceni. Teška je za interpretaciju i označavanje promjena, ne pruža cjelokupnu matricu promjena; zahtijeva utvrđivanje pragova za identifikaciju promijenjenih površina. Zahtijeva se tačna atmosferska kalibracija za svaki pojedinačni datum snimka. Transformacija Gramm- Schmidt transformacija Skup transformisanih komponenti sa karakteristikama scene dopušta dobivanje informacija koje ne bi bile dostupne korištenjem drugih tehnika otkrivanja promjena. Teško je izvući više od jedne komponente koja odgovara datom tipu promjene. Ovaj postupak se zasniva na odabiru spektralnih vektora iz više datumskog snimka, tipičnom za promjenu koja se ispituje. Hi kvadrat transformacija Više kanala se simultano razmatraju kako bi se dobio jedan snimak promjena. Promjena koja se odnosi na određeni spektralni smjer nije odmah identifikovana. Slika 3: Transformacija
8 Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja Postklasifikaciona uporedba Minimizira uticaj atmosferskih, senzorskih i okolišnih razlika između multitemporalnih snimaka; pruža informacije o kompletnoj matrici promjena. Zahtijeva veliku količinu vremena i ekspertizu za kreiranje proizvoda klasifikacije. Konačna tačnost ovisi o kvalitetu klasifikovanog snimka svakog pojedinačnog datuma. Spektralnotemporalna kombinovana analiza Pruža veću tačnost otkrivanja promjena nego li druge metode otkrivanja promjena. Teška je za interpretaciju i označavanje promjena, ne pruža cjelokupnu matricu promjena; zahtijeva utvrđivanje pragova za identifikaciju promijenjenih površina. Zahtijeva se tačna atmosferska kalibracija za svaki pojedinačni datum snimka. Klasifikacija Nenadgledano otkrivanje promjena Ovaj metod koristi nenadgledanu prirodu i automatizaciju procesa analiza promjena. Teškoće u identifikovanju i označavanju trajektorija promjena. Hibridno otkrivanje promjena Ovaj metod isključuje promjene nepromijenjenih piksela iz klasifikacije kako bi smanjio greške klasifikacije. Zahtijeva odabir pragova za potrebe primjenjivanja klasifikacije; na neki način je komplikovan kod identifikacije trajektorija promjene. Vještačke neuronske mreže Ovo je neparametarski nadgledani metod i ima mogućnost procjene osobina podataka zasnovanih na uzorcima. Priroda sakrivenih nivoa malo je istražena; potrebno je mnogo vremena. Ovaj metod je često osjetljiv na količinu uzoraka. Funkcije vještačkih nervnih mreža nisu uobičajene kod softvera za slikovnu obradu. Slika 4: Klasifikacija
Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja 9 5. NAPREDNI MODELI Napredni modeli otkrivanja promjena uključuju Li-Strahler-ov model refleksije, miješane spektrale modele i biofizičke parametarske modele procjene. Kod ovih metoda, vrijednosti slikovne refleksije često se pretvaraju u fizički zasnovane parametre ili razlomke preko linearnih ili nelinearnih modela. Nedostatak ovih metoda je dugotrajan i težak proces razvijanja pogodnih modela za pretvaranje vrijednosti refleksije snimka u biofizičke parametre. Kombinuje tehnike obrade digitalnog snimka podataka daljinskih istraživanja sa tradicionalnim uzimanjem uzoraka i metodama opažanja na terenu. Pruža statističke rezultate i karte koje pokazuju geometrijsku raspodjelu promijenjenih uzoraka. Li-Strahlerov model refleksije Zahtijeva veliki broj podataka dobivenih mjerenjem na terenu. Složen je i nije dostupan kod komercijalnih softvera obrade snimaka. Dostupan je samo za otkrivanje promjene vegetacije. Rezultati su stabilni, tačni i ponovljivi. Napredni modeli Spektralni miješani model Ovaj metod se razmatra kao napredni metod analize slikovne obrade i na izvjestan način je kompleksan. Biofizički parametarski metod Ovaj metod može tačno otkriti promjene vegetacije, koje su zasnovane na vegetacionim fizičkim strukturama. Zahtijeva veliki broj podataka dobivenih iz mjerenja na terenu. Metod je jedino pogodan za otkrivanje promjena vegetacije. Slika 5: Napredni modeli U ovoj kategoriji su: linearna spektralna miješana analiza (LSMA engl. linear spectral mixture analysis) kao najčešće korišten pristup za otkrivanje promjena zemljišnog pokrivača ((Adams et al., 1995), (Roberts et al., 1998)), promjena vegetacije ((Ustin et al., 1998), (Rogan et al., 2002)), defolijacija uništavanje lišća (Radeloff et al., 1999), izgorjela i oštećena područja (Wessman et al., 1997), promjene urbanih područja (Kressler, Steinnocher, 1996) i promjene u okolišu (Piwowar et al., 1998).
10 Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja 6. GIS GIS-zasnovana kategorija detekcije promjena uključuje metod integrisanog GIS-a i daljinskih istraživanja i metod pravog GIS-a. Prednost korištenja GIS-a je sposobnost da uključi različite izvore podataka u aplikacije za otkrivanje promjena. Međutim, različiti izvori podataka povezani sa podacima različitih tačnosti i formata često utiču na rezultate otkrivanja promjena. Metod integrisanog GIS-a i daljinskih istraživanja Omogućen je pristup pomoćnim podacima kako bi se potpomogla interpretacija i analize i kako bi se imala mogućnost direktnog ažuriranja informacija korištenja zemljišta u GIS-u. Podaci različite kvalitete iz različitih izvora često degradiraju rezultate otkrivanja promjena. GIS GIS pristup Inkorporiranje aerofotogrametrijskih podataka sa drugim kartografskim podacima. Degradacija kvaliteta rezultata zbog neusklađenosti podataka različite geometrijske tačnosti i postupka klasifikacije. Slika 6: GIS 7. VIZUELNE ANALIZE Ova metoda može u potpunosti koristiti analitičarevo iskustvo i znanje. Kategorija vizuelne analize uključuje vizuelnu interpretaciju kompozita multitemporalnih snimaka i direktno editovanje uočenih promjena. Tekstura, oblik, veličina i uzorci snimaka su ključni elementi korisni za identifikaciju promjena kroz vizuelnu interpretaciju. Kod vizuelne interpretacije vješt analitičar može inkorporirati sve pomenute elemente u pomaganju donošenja odluke o promjeni korištenja zemljišta. Nedostatak ove metode je trošenje mnogo vremena kod otkrivanja promjena za velika područja, a teško je i pravovremeno ažurirati rezultate otkrivanja promjena.
Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja 11 Mogu biti analizirana dva ili tri snimka različitih datuma. Iskustvo i znanje operatera su izuzetno korisni tokom vizuelne interpretacije. Vizuelne analize Vizuelna interpretacija Rezultati ovise o vještinama i umijeću slikovne interpretacije od strane operatera/analitičara. Ne može pružiti detaljne informacije o promjenama. Vremenski je izuzetno zahtjevna metoda. Teško je ažurirati rezultate. Slika 7: Vizuelne analize 8. DRUGI PRISTUPI (OSTALE TEHNIKE OTKRIVANJA PROMJENA) Pored ranije navedenih i razmatranih šest kategorija otkrivanja promjena, postoje metode koje se ne mogu pripisati niti jednoj od navedenih kategorija. Ove tehnike se još uvijek ne koriste često u praksi. Ovom prilikom navedene su neke od takvih tehnika otkrivanja promjena. Mjerenje prostorne zavisnosti Vizuelni sistem zasnovan na znanju Metod kreiranja površine Prostorno-statistički zasnovan metod Drugi pristupi (ostale tehnike otkrivanja promjena) Kombinacija tri pokazatelja: vegetacionih indeksa, temperature površine zemljišta i prostorne strukture Pristup zasnovan na strukturi Pristup utemeljen na teoriji krivulje Generalisani linearni modeli Krivulje promjene Slika 8: Ostale tehnike otkrivanja promjena
12 Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja 9. ZAKLJUČAK Zbog uticaja složenih faktora, različiti autori često dolaze do različitih, a ponekad i kontraverznih, zaključaka o tome koje su tehnike otkrivanja promjena najdjelotvornije i najefikasnije. U praksi, nije lako odabrati algoritam pogodan za određeni projekat otkrivanja promjena. Dakle, pregled tehnika otkrivanja promjena koristan je za razumijevanje kako se ove tehnike najbolje mogu koristiti kao pomoć za rješavanje određenih i konkretnih problema. Kada su odabrana studijska područja i slikovni podaci za istraživanje, identifikovanje pogodne tehnike za otkrivanje promjena postaje od velike važnosti u kreiranju kvalitetnih rezultata otkrivanja promjena. Sa sigurnošću se može reći da niti jedna metoda nije pogodna za sve slučajeve. Izbor odgovarajuće metode zavisi od analitičarevog poznavanja metoda za otkrivanje promjena i spretnosti u rukovanju podacima daljinskih istraživanja, kao i korištenim podacima snimaka i karakteristikama istraživanog područja. Zbog poteškoća u utvrđivanju odgovarajuće metode, u praksi su različite tehnike otkrivanja promjena često testirane i upoređivane kako bi dale najbolji rezultat na temelju procjene tačnosti ili kvalitativne procjene. Istraživanja su pokazala da su kombinacije dvije tehnike za otkrivanje promjena poboljšali rezultate otkrivanja promjena. Najčešće metode otkrivanja promjena su diferenciranje snimka (ili slikovno diferenciranje), analize glavnih komponenti, analize promjena vektora i post-klasifikaciona uporedba. LITERATURA Adams, J. B., Sabol, D., Kapos, V., Filho, R. A., Roberts, D. A., Smith, M. O., Gillespie, A. R. (1995): Classification of multispectral images based on fractions of endmembers: application to land-cover change in the Brazilian Amazon. Remote Sensing of Environment, 52, 137 154. Kressler, F., Steinnocher, K. (1996): Change detection in urban areas using satellite data and spectral mixture analysis. International Archives of Photogrammetry and Remote Sensing, 31, 379 383. Lu, D., Mausel, P., Brondizio, E. S., Moran, E. (2004): Change detection techniques. International Journal of Remote Sensing, 12, 2365-2407. Piwowar, J. M., Peddle, D. R., Ledrew, E. F. (1998): Temporal mixture analysis of Arctic Sea ice imagery: a new approach for monitoring environment change. Remote Sensing of Environment, 63, 195 207. Radeloff, V. C., Mladenoff, D. J., Boyce, M. S. (1999): Detecting jack pine budworm defoliation using spectral mixture analysis: separating effects from determinants. Remote Sensing of Environment, 69, 156 169. Roberts, D. A., Batista, G. T., Pereira, J. L. G., Waller, E. K., Nelson, B. W. (1998): Change identification using multitemporal spectral mixture analysis: applications in eastern Amazonia. In Remote Sensing Change Detection: Environmental Monitoring Methods and Applications, edited by R. S. Lunetta and C. D. Elvidge (Chelsea, MI: Ann Arbor Press), pp. 137 161.
Mulahusić, A., Tuno, N.: Metode za otkrivanje promjena kod daljinskih istraživanja 13 Rogan, J., Franklin, J., Roberts, D. A. (2002): A comparison of methods for monitoring multitemporal vegetation change using Thematic Mapper imagery. Remote Sensing of Environment, 80, 143 156. Singh, A. (1989): Digital change detection techniques using remotely sensed data. International Journal of Remote Sensing, 10, 989 1003. Ustin, S. L., Roberts, D. A., Hart, Q. J. (1998): Seasonal vegetation patterns in a California coastal savanna derived from Advanced Visible/Infrared Imaging Spectrometer (AVIRIS) data. In Remote Sensing Change Detection: Environmental Monitoring Methods and Applications, edited by R. S. Lunetta and C. D. Elvidge (Chelsea, MI: Ann Arbor Press), pp. 163 180. Wessman, C. A., Bateson, C. A., Benning, T. L. (1997): Detecting fire and grazing patterns in tallgrass prairie using spectral mixture analysis. Ecological Applications, 7, 493 511. Autori: Doc.dr.sc. Admir Mulahusić, dipl.inž.geod. Građevinski fakultet, Univerzitet u Sarajevu Patriotske lige 30, 71000 Sarajevo Bosna i Hercegovina E-mail: admir_mulahusic@gf.unsa.ba Mr.sc. Nedim Tuno, dipl.inž.geod. Građevinski fakultet, Univerzitet u Sarajevu Patriotske lige 30, 71000 Sarajevo Bosna i Hercegovina E-mail: nedim_tuno@gf.unsa.ba