Search

111 σ., Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”, Οι κατολισθήσεις προκαλούν κάθε χρόνο ζημιές εκατομμυρίων δολλαρίων και το θάνατο εκατοντάδων ανθρώπων σε ορεινές περιοχές. Εξαιτίας της αστικής ανάπτυξης των ορεινών περιοχών και της κλιματικής αλλαγής, η συχνότητα εμφάνισης κατολισθήσεων με καταστροφικές συνέπειες αυξάνεται συνεχώς. Οι κατολισθήσεις μπορούν να προβλεφθούν και να εκτιμηθούν οι δυνητικές συνέπειές τους, επιτρέποντας με αυτό τον τρόπο τη λήψη αποτελεσμάτικων μέτρων, τα οποία θα συμβάλλουν στη θωράκιση και προστασία του πληθυσμού και των υποδομών. Η πρόβλεψη και η εκτίμηση του κατολισθητικού κινδύνου βασίζεται στην αρχή ότι οι μελλοντικές κατολισθήσεις είναι πολύ πιθανό να συμβούν σε συνθήκες παρόμοιες με αυτές που προκάλεσαν τις παλιότερες κατολισθήσεις στην περιοχή μελέτης. Κατά συνέπεια, τα δεδομένα από τη χαρτογράφηση των κατολισθήσεων αποτελούν απαραίτητα στοιχεία στην εκτίμηση κατολισθητικού κινδύνου. Η αυξανόμενη διαθεσιμότητα τηλεπισκοπικών δεδομένων υψηλής χωρικής ανάλυσης έχει οδηγήσει στην ανάπτυξη αποτελεσματικών μεθόδων χαρτογράφησης κατολισθήσεων στα πλαίσια της διαχείρισης κινδύνου και της αντιμετώπισης των καταστροφών. Σκοπός της παρούσας μεταπτυχιακής εργασίας ήταν η αυτόματη αναγνώριση και ταξινόμηση των κατολισθήσεων από τηλεπισκοπικά δεδομένα σύμφωνα με τα φασματικά και μορφολογικά χαρακτηριστικά τους και τις χωρικές σχέσεις με το περιβάλλον τους. Για το σκοπό αυτό χρησιμοποιήθηκε η μέθοδος της αντικειμενοστραφούς ανάλυσης εικόνας, η οποία έχει την ικανότητα να εντοπίζει ημι-αυτόματα κατολισθήσεις χρησιμοποιώντας φασματικά, σχηματικά και μορφολογικά χαρακτηριστικά των κατολισθήσεων. Ο αλγόριθμος αναπτύχθηκε στο περιβάλλον του λογισμικού eCognition 8 και για τις ανάγκες της εφαρμογής χρησιμοποιήθηκαν πολυφασματικά δεδομένα χωρικής ανάλυσης 5.8 m, ένα ψηφιακό μοντέλο εδάφους χωρικής ανάλυσης 10 m και τα παράγωγα του (κλίση, καμπυλότητα πρανούς, δείκτης τοπογραφικής θέσης, συσσώρευση ροής). Η διαδικασία για την αναγνώριση και την ταξινόμηση των κατολισθήσεων με τη μέθοδο της αντικειμενοστραφούς ανάλυσης εικόνας περιλαμβάνει ουσιαστικά τρια επίπεδα κατάτμησης. Στο πρώτο λεπτόκοκκο επίπεδο κατάτμησης ταξινομήθηκαν οι περιοχές με βλάστηση και οι υδάτινες μάζες. Ενώ στο τρίτο χονδρόκοκκο επίπεδο κατάτμησης, η εικόνα ταξινομήθηκε σε δυο τάξεις, στον πυθμένα και στα πρανή κοιλάδας. Στο δεύτερο επίπεδο κατάτμησης, το οποίο αποτελεί το μεσαίο επίπεδο της ιεραρχίας επιπέδων έγινε ταξινόμηση της κάλυψης γης της περιοχής μελέτης καθώς και η αναγνώριση και η ταξινόμηση των κατολισθήσεων. Η μέθοδος αυτή κατάφερε να αναγνωρίσει το 100% του συνολικού αριθμού των κατολισθήσεων και να ταξινομήσει τρείς τύπους κατολισθήσεων με ακρίβεια 83.3%. Ενώ η ακρίβεια αναγνώρισης και ταξινόμησης που επιτεύχθηκε αναφορικά με την έκταση των κατολισθήσεων είναι 66.75% και 65.98% αντίστοιχα της πραγματικής έκτασης των κατολισθήσεων., Landslides are a major form of geohazard, that cause millions of dollars of damaga and many deaths each year. As development increases on sloping urban areas, a higher incidence of slope instability and landsliding is reported. Landslides can be predicted and their potential consequences can be estimated, allowing the application of measures to protect the population and infrastructure. The prediction ans assessment of landslide risk is based on the principle that landslides in the future will be more likely to occur under the conditions whhcih led to the past and present instability. Consequently, the identification and classification of landslides are essential elements in the assessment and management of landslide risk. The increasing availability of remote sensing images with high spatial resolution has led to the development of efficient methos for mapping landslides in risk management and disaster response. The purpose of this study was the automatic identification and classification of landslides from remote sensing data in accordance with their spectral and morphological characteristics and spatial relations with their environment. For this purpose, the method of object oriented image analysis has been used, which has the ability to identify semi-automatically landslides using the spectral, spatial and morphological characteristics of landslides. The algorithm is developed in eCognition 8 and it is tested with 5.8 m multispectral data from Resourcesat-1, a 10 m digital terrain model generated from 2.5 m Cartosat-1 imagery and its derivatives (slope, slope curvature, topographic position idex, flow accumulation). The process fro the identification and classification of landslides using object oriented image analysis includeds three levels of segmentation. In the first detailed level, the vegetated areas and water bodies were detected. While in the third coarser level, the image was classifies into two classes, the valley bottom and valley slopes. At the second level, which is the middle level of hierarchy, the land cover classification of the study area and the identification and classification of landslides took place. The method achieved 100% recognition accuracy in terms of number of landslides and a total of three landslide types were classified with 83.3% accuracy in terms of number landslides. The recognition and classification accuracies achieved in terms of extent of landslides are 66.75% and 65.98% respectively, of the total extent of landslides., Μαρία Ν. Δεκαβάλα

Die Belange der Forstverwaltung erfordern einen Kartierung der Wälder im Maßstab 1:10.000. Traditionell erfolgt diese anhand von Luftbildanalyse. Die neuen digitalen Sensoren der IKONOS Generation in Kombination mit neuen Softwareansätzen (eCognition) erlauben alternative Analyseprozeduren, die eine weitgehend automatische Informationsextraktion möglich machen. Methodischer Ansatz und theoretischer Hintergrund werden anhand der Erfordernisse des Schutzwald-Monitorings in den Bayerischen Alpen vorgestellt und anhand der Ergebnisse dreier Fallstudien diskutiert. In einem Ausblick werden die Perspektiven des objektbasierten Analyseansatzes für die Entwicklung von Landschaftsmodellen bis hin zur Szenarienentwicklung aufgezeigt. Es wird vorgeschlagen, diese Szenarien als "a priori" Referenz für fernerkundliche Auswertungen innerhalb eines Monitoringkonzeptes zu nutzen. For forestry purposes, the forestry mapping in the 1:10.000 scale is indispensable and traditionally relies on the analysis of aerial photographic data. New sensors (IKONOS generation) as well as recent software development (eCognition) allow alternative procedures to increase automatic information extraction from digital imagery for forestry purposes. Methods as well as theoretical backgrounds are shown within the context of the protection-forest areas of the bavarian alps, using 3 case studies to clarify and discuss. In perspective-view, the meaning of an object oriented analysis is reviewed to enable the construction of landscape-modelling up to scenario-development. The assumption is to apply scenario's as an 'a-priori' reference for remote sensing output, used within an overall monitoring concept.

Eines der vorrangigen Ziele der Bayerischen Staatsforstverwaltung ist es, die Schutzfähigkeit der Bergwälder in alpinen Regionen zu erhalten und zu stärken. Dafür sind genaue, in regelmäßigen Zeitabständen erhobene Informationen über Zustand und Gefährdung der Bestände notwendig. In den Alpen bereitet die Erhebung der hierfür benötigten Parameter neben hohen Kosten auch Probleme, die durch die orographischen Verhältnisse und die damit verbundene Unzugänglichkeit des Geländes bedingt sind. Für diese Problematik bietet die Fernerkundung einen Lösungsweg, vor allem durch die Verfügbarkeit neuerer hochauflösender Satellitenbilder. Die Verwendung dieser sehr hochauflösenden Fernerkundungsbilder sowie die besonderen Verhältnisse in hochalpinen Regionen machen allerdings neuartige Auswertemethoden erforderlich, die über die konventionellen Klassifikationsverfahren hinausgehen. Im Rahmen dieser Arbeit wurde mit Hilfe objekt- und wissensbasierter Verfahren eine Integration von Fernerkundung und GIS implementiert, um aus der Synergie beider Systeme eine Verbesserung der Auswertemöglichkeiten zur Ableitung forstlich relevanter Parameter zu erreichen. Der Überprüfung der geometrischen sowie der thematischen Genauigkeit der im GIS integrierten Datensätze kam dabei besondere Bedeutung zu, da nur ein Abgleich und übereinstimmende Lagebeziehung gewährleisten, daß die einzelnen Datensätze miteinander verknüpft werden können. Das wissensbasierte Verfahren, das die Ergebnisse aus der Satellitenbildklassifikation einerseits optimieren und andererseits validieren soll, wurde mit Hilfe der im GIS eingebauten Zusatzinformationen aufgebaut. Unter Einbeziehung der Kenntnisse über die Abhängigkeiten und Wechselbeziehungen einzelner Faktoren wie Vegetation, Standort und Nutzung in alpinen Regionen, wurden Zuordnungshilfen im Sinne eines Fuzzy-Regelsatz aufgestellt. Damit konnte das Problem der Mehrdeutigkeit spektraler Signaturen, die keine ausreichend genaue Trennung einzelner Vegetationsklassen zulassen, deutlich verringert werden, was nicht nur zu einer Erweiterung der Klassenauswahl gegenüber einer auf rein spektraler Information basierten Klassifizierung führte, sondern auch eine Aktualisierung oder Erweiterung bereits bestehender Datenbestände ermöglichte. One of the main goals of the Bavarian forest administration is the maintenance and reinforcement of the protective role of mountainous forests in the alpine region. For this purpose, there is a need of inventory and monitoring on a regular time interval, to obtain the necessary information about the status quo and possible dangerous conditions and developments among the forest stands. The terrain conditions and low accessibility of the region makes the collection of important forest stand parameters a costly affair. Remote Sensing and in particular the availability of newer high-resolution satellite images, offer a solution for this problem. However, the increasing spatial resolution of modern (satellite) sensors as well as the orographical terrain conditions make it necessary, to follow new ways of image classification, using the synergy effects derived from GIS information. In this study, the integration of the two domains, remote sensing and GIS, were analysed focussing on the needs of practical forest applications, using an object oriented and knowledge based image analysis system. Special interest was put on the verification of the geometric as well as the thematic accuracy of the data integrated in the GIS, because the combination and integration of high ground resolution remote sensing data in GIS analysis require the exact positioning and alignment of geographical data. Existing thematic data layers were used first to improve classification accuracy of remotely sensed data and then applied in updating the existing GIS data bases with the results of remote sensing data analysis. With the help of the different thematic GIS data layers, a knowledge based classification support was built up to optimise and also to validate the results from the classification of the remote-sensing-data. The well investigated interrelations and dependencies of the single factors, such as vegetation, site and landuse, are included in the evaluation of an allocation assistent based on a fuzzy-logic-rule-set. The use of auxiliary information could reduce the problem of the ambiguity of spectral signatures, which do not permit clearly a sufficiently exact separation of single vegetation classes. With the help of the knowledge- and object-based procedure an enhancement of the class choice in relation to a classification based on purely spectral information and also an updating or enlargement of existing databases was achieved.