This work aims to assess the potential of segmentation and object oriented classification techniques of satellite images with medium spatial resolution, for land use/cover (Corine Land Cover, CLC) mapping. The tested procedures are assessed both in term of thematic accuracy and working time, with reference to a study area of about 4000 km2 in central Italy. The automatic procedure is carried out by segmentation of the pan-sharpened image and by subsequent classification using membership and standard nearest neighbour functions. Results are evaluated by sample circular photoplots taken from digital IT2000 orthophotos coverage. In terms of overall accuracy, object oriented classification achieves better results than conventional on screen interpretation. The classification shows difficulties for the identification of the “mixed” classes of CLC nomenclature system; however, even in these cases the object oriented techniques provide higher producer and user accuracy than on screen interpretation. On the whole, since they are able to produce more objective and more accurate cartographic products at similar costs, the application of the tested automatic techniques seems to be preferred to the conventional on screen interpretation for satellite images with medium spatial resolution.
Negli ultimi decenni la necessità di disporre di banche dati aggiornate sull’uso e copertura del suolo ha assunto importanza crescente, come testimoniato dall’aggiornamento di progetti quali la classificazione di uso/copertura del suolo
In ambito professionale l’interpretazione visuale di immagini telerilevate resta ad oggi la tecnica operativa più utilizzata per la produzione di elaborati cartografici a supporto della pianificazione territoriale e ambientale da parte delle pubbliche amministrazioni.
Recentemente l’introduzione di tecniche di classificazione
Scopo del presente lavoro è valutare, sulla base di immagini satellitari a media risoluzione spaziale, le potenzialità delle tecniche di segmentazione e classificazione
Lo studio interessa una superficie complessiva di circa 4000 km2, principalmente nel territorio provinciale di Viterbo e Roma, e parzialmente in quello di Rieti e Terni. L’area di studio è stata scelta in modo da essere rappresentativa di gran parte delle classi di uso/copertura del suolo al 3° livello gerarchico CLC 2000 (
L’area di studio rappresenta un subset della scena Landsat 7 ETM+ 191-031 acquisita nel giugno 2001, come parte integrante del prodotto IMAGE2000, ortorettificato e ricampionato a 12.5 m per la banda pancromatica e a 25 m per le bande spettrali (Nunes
Il processo di segmentazione automatica è stato calibrato in modo da ottenere oggetti conformi con il sistema di nomenclatura CLC 2000 (unità minima cartografabile: 25 ha). La scena Landsat è stata elaborata attraverso l’algoritmo
Utilizzando congiuntamente le tre immagini ottenute dal processo di
La classificazione
Dall’esame dell’area oggetto di studio si è stabilito di classificare quindici classi di uso/copertura del suolo (
La classificazione dell’immagine Landsat è avvenuta in ambiente
La procedura STD.N.N. utilizza gli attributi di un set di poligoni fotointerpretati (
La selezione degli attributi di classificazione è stata preceduta da analisi volte alla discriminazione delle classi: sulla base dei
Le funzioni di appartenenza adottate interessano attributi di carattere spettrale, geometrico e tessiturale. È stato fatto ricorso anche a funzioni che relazionano la classificazione degli oggetti considerati rispetto alla classificazione di altri oggetti.
Le classi tematiche sono state organizzate secondo un’apposita struttura gerarchica (
Le zone urbane sono state classificate nel loro insieme sulla base di STD.N.N. e successivamente distinte al loro interno in
Superfici boscate: le aree boscate sono state individuate nel loro complesso tramite STD.N.N. e solo successivamente suddivise, applicando funzioni di appartenenza, nelle classi
Le classificazioni prodotte in automatico sono state successivamente sottoposte a una procedura di generalizzazione in ambito GIS (
La sperimentazione condotta ha previsto la realizzazione di un set di classificazioni, elaborate sulla base dell’immagine Landsat, per la valutazione comparativa delle
Sono state poste a confronto le seguenti tesi:
classificazione con nomenclatura al 3° livello CLC;
classificazione con nomenclatura al 2° livello CLC;
classificazione con nomenclatura al 1° livello CLC;
classificazione con nomenclatura mista, in cui, al 3° livello di approfondimento CLC adottato per le superfici boscate, è stato associato per tutte le restanti classi, il 2° livello CLC;
classificazione con nomenclatura mista, in cui, al 3° livello di approfondimento CLC adottato per le superfici boscate, è stato associato per tutte le restanti classi il 1° livello CLC.
Le classificazioni con nomenclatura di ordine inferiore al terzo livello CLC sono state ottenute attraverso la generalizzazione della classificazione con legenda al terzo livello gerarchico.
La valutazione dell’accuratezza tematica di ciascuna modalità di classificazione è avvenuta tramite 150 fotoplot circolari, ciascuno di superficie pari a 50 ha, dislocati secondo uno schema di campionamento sistematico non allineato su una griglia di 5 km x 5 km (
Sulla base dei dati raccolti sono stati calcolati gli indici
Tra le modalità di classificazione sperimentate le migliori prestazioni sono state registrate per quelle
Per le classificazioni con nomenclatura CLC di 3° livello sono stati raggiunti valori di OA e KIA rispettivamente pari a 0.79 (err.std. = 0.019) e 0.74 con la procedura
Analizzando le singole classi, le procedure di classificazione testate hanno evidenziato difficoltà nell’identificare correttamente alcune categorie rappresentative di aree agricole e di aree di transizione al bosco (
Considerando le classificazioni prodotte per il terzo livello CLC, la procedura
Al 2° livello CLC le due modalità di classificazione hanno difficoltà nell’individuare le classi 22, 23 e 32, mentre la classificazione per interpretazione visuale confonde anche le classi 12 e 24. Al 1° livello CLC non si evidenziano particolari difficoltà.
I tempi richiesti per l’interpretazione visuale dell’area oggetto di studio sono risultati pari a circa 150 ore, mentre ai fini della classificazione
In
Con il presente lavoro sperimentale sono stati confrontati i risultati di procedure di classificazione
In termini di accuratezza tematica la modalità di classificazione
A livello di singole classi, entrambe le procedure di classificazione evidenziano difficoltà nell’individuazione delle cosiddette classi “miste”, ossia caratterizzate per definizione dalla presenza congiunta di più usi del suolo (a esempio, la 243) e per quanto concerne altre superfici agricole utilizzate (ad esempio, la classe 223) e le aree cespugliate e arbustive in evoluzione (classe 322+324). Tuttavia, attraverso l’applicazione della classificazione
Generalmente il processo di segmentazione multirisoluzione permette di delimitare poligoni di superficie prossima all’unità minima cartografabile all’interno di macro-poligoni che presentano uso del suolo differente, al contrario dell’interpretazione visuale dove si osserva, invece, la tendenza ad accorpare, e quindi sovradimensionare, alcune classi. In alcuni casi, per rendere giustificabile l’esistenza di una classe, il fotointerprete tende ad accorpare usi del suolo differenti: esempi in tal senso sono le classi di codice 24* la cui delimitazione tramite interpretazione visuale appare comunque legata a scelte di tipo soggettivo.
Classi dal confine più netto, quali i centri urbani, le aree boschive e i corpi idrici, hanno limiti meno suscettibili di interpretazioni soggettive e la modalità di classificazione per interpretazione visuale è generalmente comparabile con quella
L’utilizzo di procedure di
La combinazione di appropriate funzioni di appartenenza con il classificatore STD.N.N. ha permesso, rispetto alle classificazioni basate sull’utilizzo esclusivo di procedure
Per quanto riguarda i tempi di realizzazione delle classificazioni di uso/copertura del suolo CLC, essi, nel caso in esame, sono risultati superiori per le procedure di classificazione
In conclusione, l’applicazione di procedure automatiche di segmentazione e classificazione
Lavoro parzialmente svolto nell’ambito del progetto Ri.Selv.Italia, finanziato dal Ministero delle Politiche Agricole e Forestali (sottoprogetto 4.1.4, U.O. DISAFRI - Università degli Studi della Tuscia, Responsabile: P. Corona).
Rappresentazione in falso colore dell’area di studio ottenuta combinando tra loro le bande spettrali del vicino infrarosso, medio infrarosso e rosso del Landsat 7 ETM+ (RGB = 453).
Esempio di segmentazione multirisoluzione: i poligoni generati con il primo livello di segmentazione vengono successivamente accorpati per costituire un secondo livello gerarchico di segmentazione dell’immagine telerilevata.
Struttura gerarchica della nomenclatura CLC adottata per la classificazione object oriented.
Classificazione
Nomenclatura
Codice CLC | Classi CLC |
---|---|
111 | Zone residenziali a tessuto continuo |
112 | Zone residenziali a tessuto discontinuo e rado |
121 | Aree industriali, commerciali e dei servizi pubblici e privati |
211 | Seminativi |
222 | Frutteti |
223 | Oliveti |
231 + 321 | Prati stabili, aree a pascolo naturale e praterie di alta quota |
241 + 242 | Sistemi colturali e particellari complessi |
243 | Aree prevalentemente occupate da colture agrarie con presenza di spazi naturali importanti |
311 | Boschi a prevalenza di latifoglie |
312 | Boschi a prevalenza di conifere |
322 + 324 | Brughiere, cespuglieti, aree a vegetazione boschiva e arbustiva in evoluzione |
511 | Corsi d’acqua, canali e idrovie |
512 | Bacini d’acqua |
523 | Mari e oceani |
Attributi utilizzati con il classificatore
Attributo del poligono | Tipo | Banda | Riferimento |
---|---|---|---|
Media spettrale | Spettrale | 4 - 5 |
|
Deviazione standard | Spettrale | 1 - 4 - 7 - pancromatica |
|
Ratio | Spettrale | 3 - 7 |
|
Massima differenza | Spettrale | 1 - 2 - 3 - 4 - 5 - 7 |
|
ZABUD1 | Spettrale | 2 - 3 - 4 - 5 - 7 - pancromatica |
|
Area | Geometrico | - |
|
Length / width | Geometrico | - |
|
Border lenght | Geometrico | - |
|
Rectangular fit | Geometrico | - |
|
Density of sub-object: mean | Tessiturale | - |
|
Asymmetry of sub-object: standard deviation | Tessiturale | - |
|
GLCM: Homogenity | Tessiturale | 1 - pancromatica |
|
GLCM: Entropy | Tessiturale | 2 - pancromatica |
|
Valori di
Nomenclatura CLC | MODALITÀ DI CLASSIFICAZIONE | |||
---|---|---|---|---|
OBJECT-ORIENTED | INTERPRETAZIONE VISUALE | |||
OA | KIA | OA | KIA | |
3° livello | 0.79 | 0.74 | 0.67 | 0.59 |
2° livello | 0.82 | 0.76 | 0.72 | 0.64 |
1° livello | 0.93 | 0.84 | 0.91 | 0.80 |
3° bosco + 2° livello | 0.82 | 0.76 | 0.72 | 0.64 |
3° bosco + 1° livello | 0.93 | 0.84 | 0.89 | 0.77 |
Valori di accuratezza del produttore (AP) e dell’utilizzatore (AU) conseguiti nelle singole classi in funzione dei tre livelli gerarchici della nomenclatura CLC.
NOMENCLATURA | MODALITÀ DI CLASSIFICAZIONE | |||
---|---|---|---|---|
OBJECT ORIENTED | INTERPRETAZIONE VISUALE | |||
3° livello CLC | AP | AU | AP | AU |
111 | 1.00 | 1.00 | 0.93 | 0.55 |
112 | 0.76 | 0.81 | 0.77 | 0.71 |
121 | 0.63 | 0.97 | 0.77 | 0.41 |
211 | 0.90 | 0.82 | 0.83 | 0.84 |
222 | 0.76 | 0.76 | 0.59 | 0.51 |
223 | 0.46 | 0.50 | 0.50 | 0.12 |
231 + 321 | 0.64 | 0.59 | 0.62 | 0.39 |
241 + 242 | 0.63 | 0.64 | 0.39 | 0.48 |
243 | 0.64 | 0.70 | 0.29 | 0.38 |
311 | 0.85 | 0.90 | 0.79 | 0.84 |
312 | 1.00 | 0.99 | 1.00 | 0.93 |
322 + 324 | 0.45 | 0.92 | 0.49 | 0.39 |
511 | 0.93 | 1.00 | 0.99 | 0.99 |
512 | 1.00 | 1.00 | 0.98 | 0.99 |
523 | 1.00 | 1.00 | 1.00 | 1.00 |
2° livello CLC | AP | AU | AP | AU |
11 | 0.77 | 0.81 | 0.80 | 0.73 |
12 | 0.63 | 0.97 | 0.77 | 0.41 |
21 | 0.91 | 0.81 | 0.83 | 0.84 |
22 | 0.67 | 0.66 | 0.71 | 0.37 |
23 | 0.64 | 0.70 | 0.62 | 0.39 |
24 | 0.73 | 0.78 | 0.49 | 0.63 |
31 | 0.84 | 0.89 | 0.80 | 0.85 |
32 | 0.45 | 1.00 | 0.49 | 0.39 |
51 | 0.99 | 1.00 | 0.98 | 0.99 |
52 | 1.00 | 1.00 | 1.00 | 1.00 |
1° livello CLC | AP | AU | AP | AU |
1 | 0.76 | 0.82 | 0.80 | 0.69 |
2 | 0.97 | 0.93 | 0.94 | 0.94 |
3 | 0.81 | 0.93 | 0.83 | 0.85 |
5 | 0.98 | 1.00 | 0.98 | 0.99 |
Stima dei principali elementi di costo connessi alla realizzazione di classificazioni CLC tramite procedure automatiche di segmentazione e classificazione
Tipologia | Descrizione | Costo |
Costo interpretazione visuale |
---|---|---|---|
Materiale | Immagine satellitare multispettrale Landsat 7 ETM+ | Scaricabile online1 | |
Materiale | Ortofoto a colori | Visualizzabili online2 | |
Attrezzature | Software GIS per analisi di immagini con moduli per il preprocessamento dei dati | 2000 | |
Attrezzature | Software per segmentazione e classificazione automatica object-oriented | 12000 3 | - |
Personale | - | 5300 | 4000 |