Phát hiện thay đổi dựa trên hình ảnh vệ tinh độ phân giải rất cao Bi-Temporal để đánh giá mức độ lũ lụt

Việc phát hiện thay đổi dựa trên hình ảnh vệ tinh thu được từ một khu vực vào các ngày khác nhau đang được quan tâm rộng rãi, theo số lượng ngày càng tăng của các thảm họa liên quan đến lũ lụt. Những hình ảnh thu được giúp tạo ra các sản phẩm hỗ trợ ứng phó khẩn cấp và quản lý lũ lụt ở quy mô toàn cầu. Trong bài báo này, một cách tiếp cận phát hiện thay đổi không giám sát mới dựa trên sự tổng hợp hình ảnh được giới thiệu. Phương pháp này nhằm mục đích trích xuất phạm vi lũ lụt đáng tin cậy từ các hình ảnh vệ tinh có độ phân giải rất cao theo thời gian(VHR). Phương pháp này tận dụng sự biến dạng quang phổ xảy ra trong quá trình tổng hợp hình ảnh để phát hiện các khu vực thay đổi do lũ lụt. Vì vậy, một hình ảnh được trích xuất từ ​​sự kết hợp giữa hình ảnh với hai thời gian khác nhau bằng cách xem xét sự biến dạng quang phổ cục bộ. Điều này có thể được thực hiện bằng cách sử dụng chỉ số chất lượng hình ảnh phổ quát (UIQI), là một thước đo để đánh giá cục bộ về độ biến dạng quang phổ. Ngưỡng quyết định để xác định các pixel thay đổi được đặt bằng cách áp dụng mô hình hỗn hợp xác suất cho hình ảnh kết quả thay đổi dựa trên thuật toán tối đa hóa kỳ vọng (EM). Chúng tôi đã sử dụng hình ảnh vệ tinh KOMPSAT-2 hai thời gian để phát hiện khu vực ngập lụt ở thành phố N′djamena ở Chad. Hiệu suất của phương pháp đề xuất được so sánh trực quan và định lượng với các phương pháp phát hiện thay đổi hiện có. Kết quả cho thấy  phương pháp đề xuất đã đạt được độ chính xác tổng thể (OA = 75,04) so với phương pháp phát hiện thay đổi có giám sát dựa trên máy vectơ hỗ trợ (SVM). Hơn nữa, phương pháp được đề xuất cho thấy hiệu quả tốt hơn trong việc phân biệt vùng ngập và vùng nước cố định so với các phương pháp phát hiện thay đổi hiện có. 

Giới thiệu

Ngày nay các thảm họa như lũ lụt, lở đất, sóng thần có ảnh hưởng đáng kể đến cuộc sống của con người vì những thảm họa trên gây ra những thiệt hại lớn về người và tài sản. Lũ lụt là những thảm họa thiên nhiên thường xuyên xảy ra nhất trên toàn thế giới và có thể trở thành một lĩnh vực quan trọng trong tương lai do hậu quả của biến đổi khí hậu. Hoàn cảnh đó đã buộc các nhà hoạch định chính sách phải coi việc giám sát lũ lụt như một vấn đề quan trọng của quốc gia. Giám sát lũ lụt đòi hỏi phải tiếp cận nhanh chóng với các thông tin cần thiết về phạm vi lũ lụt và sự thay đổi của lớp đất phủ. Kỹ thuật phát hiện thay đổi sử dụng dữ liệu cảm biến từ xa, là thông tin về một đối tượng hoặc hiện tượng thu được mà không cần tiếp xúc vật lý trực tiếp, có thể được sử dụng để ước tính thông tin trong một khung thời gian nhanh cho việc giám sát lũ. Phát hiện thay đổi là một quá trình xác định sự khác biệt về trạng thái của một đối tượng hoặc hiện tượng bằng cách quan sát nó tại các thời điểm khác nhau. Việc phát hiện thay đổi kịp thời và chính xác các thảm họa liên quan đến lũ lụt là nền tảng để hiểu rõ hơn về tình hình thiên tai, từ đó giúp lập kế hoạch khắc phục hậu quả thiên tai.

Với sự sẵn có ngày càng tăng và chất lượng dữ liệu viễn thám đa thời gian được cải thiện, ngày càng có nhiều sự quan tâm đến việc phát triển các kỹ thuật phát hiện thay đổi để giám sát lũ lụt sử dụng hình ảnh vệ tinh đa thời gian trong vài năm qua. Vì lợi thế của thời gian truy cập nhanh và các bước sóng phổ phổ biến rộng rãi, hình ảnh đa thời gian thu được từ các cảm biến có độ phân giải không gian thấp nhưng độ phân giải phổ cao, chẳng hạn như cảm biến Landsat và MODIS, thường được sử dụng để giám sát lũ lụt. Ảnh SAR cũng được sử dụng do nó có thể thu được dữ liệu bất kể điều kiện thời tiết như thế nào. Bất chấp những ưu điểm của các cảm biến đó, việc khai thác hình ảnh đa thời gian có độ phân giải rất cao (VHR) vẫn hấp dẫn để phát hiện và phân tích mức độ lũ lụt chi tiết hơn với hiệu suất chính xác. 

Trong năm 2009–2010, đã có Cuộc thi về Kết hợp Dữ liệu ảnh vệ tinh do Hiệp hội Khoa học Địa lý và Viễn thám IEEE tổ chức. Nó tập trung vào việc đánh giá các thuật toán hiện có để lập bản đồ lũ thông qua phát hiện thay đổi. Một kỹ thuật phát hiện thay đổi mới dựa trên sự khác biệt của hình ảnh đã được giới thiệu để cho phép trích xuất mức độ lũ lụt tự động và đáng tin cậy từ các hình ảnh VHR TerraSAR-X. Hơn nữa, phương pháp phát hiện và ngưỡng thay đổi (CDAT) đã được phát triển để xác định mức độ ngập lụt cho vùng ngập lũ Chobe ở vùng Caprivi của Namibia . 

Mục tiêu chính của nghiên cứu này là xây dựng một phương pháp tiếp cận mới để phát hiện các khu vực ngập lụt và tạo bản đồ nguy cơ lũ lụt bằng cách sử dụng ảnh vệ tinh hai thời gian VHR. Để làm điều này, chúng tôi tận dụng sự biến dạng quang phổ xảy ra trong quá trình tổng hợp hình ảnh để phát hiện các khu vực bị thay đổi do lũ lụt gây ra. Khái niệm này dựa trên thực tế là các khu vực bị thay đổi cho thấy sự biến dạng quang phổ sau khi hợp nhất hình ảnh do sự khác biệt về phổ và không gian giữa các hình ảnh hai thời gian. Hình ảnh thay đổi được trích xuất từ ​​hình ảnh hợp nhất được tạo từ hình ảnh hai thời gian bằng cách sử dụng chỉ số chất lượng hình ảnh phổ quát (UIQI), chỉ số này có thể được sử dụng cục bộ để đánh giá độ biến dạng quang phổ. Cuối cùng, khu vực mức độ ngập lụt được phát hiện bằng một phương pháp phân ngưỡng tự động.

Phần còn lại của bài báo như sau. Dữ liệu thử nghiệm trong nghiên cứu này được trình bày trong mục 2. Phương pháp luận chính nghiên cứu của chúng tôi được mô tả trong mục 3. Trong mục 4, chúng tôi áp dụng thuật toán của chúng tôi trên các hình ảnh thời gian Kompsat-2 và so sánh kết quả của chúng tôi với kết quả được tạo bằng cách sử dụng phân tích dựa trên CVA-, MAD- và SVM hiện có. Một kết luận được trình bày trong mục 5.

Chuẩn bị dữ liệu ảnh

Trong nghiên cứu này, chúng tôi sử dụng ảnh vệ tinh KOMPSAT-2 hai thời gian được thu được của thành phố N′djamena ở Chad để đánh giá hiệu suất và tính khả thi của phương pháp luận của chúng tôi. N′djamena là thành phố lớn nhất của Chad và địa hình của vùng này tương đối bằng phẳng. Ở khu vực này, lũ lụt dọc theo sông là hậu quả thường xuyên của lượng mưa lớn do bão nhiệt đới gây ra. Các hình ảnh được thu thập lần lượt vào ngày 22 tháng 6 năm 2010 và ngày 14 tháng 10 năm 2012. Các đặc điểm của dữ liệu được mô tả trong Bảng 1. Mặc dù hai hình ảnh được thu thập với khoảng cách hai năm, những ảnh này cho thấy một tỷ lệ thay đổi cao do sự kiện lũ lụt nghiêm trọng như thể hiện trong Hình 1.

Hình 1. Các hình ảnh hợp nhất sử dụng phương pháp GSA: (từ trái sang ô 1) hình ảnh kết hợp F1 GSA được tạo ra từ các ảnh vệ tinh KOMPSAT-2 được thu thập trước sự kiện lũ lụt và (từ trái sáng ô 2) hình ảnh kết hợp F2 GSA được tạo ra từ các ảnh vệ tinh KOMPSAT-2 được thu thập sau sự kiện lũ lụt
 Sự kiện trước lũ lụtSự kiện sau lũ lụt
Ngày thu thập22/06/201014/10/2012
Kích thước hình ảnh (pixel)PAN: 4000 × 4000 MS: 1000 × 1000PAN: 4000 × 4000 MS: 1000 × 1000
Độ phân giải không gianPAN: 1 m MS: 4 mPAN: 1 m MS: 4 m
Độ phân giải đo bức xạ10 bit  10 bit
Góc lệch hướng2 024 0
Mức độ xử lýLevel 1RLevel 1R
Bảng 1. Đặc điểm dữ liệu ảnh vệ tinh KOMPSAT-2

Phương pháp tiếp cận phát hiện thay đổi dựa trên hình ảnh kết hợp chéo

Không giống như các phương pháp phát hiện thay đổi không giám sát truyền thống, thường được thực hiện dựa trên các hình ảnh khác biệt, phương pháp của chúng tôi dựa trên phân tích sự biến dạng quang phổ xảy ra trong quá trình tổng hợp hình ảnh. Hợp nhất hình ảnh được định nghĩa là quá trình kết hợp thông tin liên quan từ hai hoặc nhiều hình ảnh thành một hình ảnh duy nhất. Khi hình ảnh hợp nhất được tạo ra từ các hình ảnh thu được tại các thời điểm khác nhau, không thể tránh khỏi việc xảy ra các biến dạng không gian và phổ trong hình ảnh do sự khác biệt giữa các hình ảnh đa thời gian. Trong trường hợp này, vùng bị biến dạng quang phổ của hình ảnh hợp nhất có thể được coi là một kết quả của vùng đã thay đổi.Trong khuôn khổ này, chúng tôi tập trung vào sự phân biệt giữa hai lớp đối diện liên quan đến các pixel đã thay đổi và không thay đổi do lũ lụt từ hình ảnh hợp nhất gây ra. Chúng ta hãy xem xét rằng hai bộ dữ liệu vệ tinh VHR 𝐹1 và 𝐹2 bao gồm một hình ảnh đa sắc độ (PAN) và bốn băng tần (MS). Bộ dữ liệu 𝐹1 và 𝐹2 được thu thập trong cùng một khu vực địa lý tại các thời điểm khác nhau 𝑡1 và 𝑡2, trước và sau khi lũ lụt. Để hiểu rõ hơn về khái niệm và quy trình của kỹ thuật phát hiện thay đổi một sơ đồ được đưa ra trong Hình 2. Mỗi bước của quy trình được giải thích chi tiết như sau.

Hình 2. Quy trình làm việc khai thác mức độ ngập lụt sử dụng ảnh vệ tinh VHR hai thời gian.

Kết hợp hình ảnh Gram-Schmidt Adaptive (GSA)

Độ phân giải không gian của ảnh MS thường thấp hơn một chút so với ảnh PAN được chụp bởi cùng một vệ tinh. Nói chung, các phương pháp tổng hợp ảnh nhằm mục đích cải thiện thông tin không gian của ảnh gốc MS bằng cách sử dụng các chi tiết không gian của ảnh VHR PAN trong các tình huống mà chúng ta không thể thu được ảnh VHR MS do các hạn chế kỹ thuật của một số cảm biến vệ tinh. Hầu hết các phương pháp tổng hợp hình ảnh đều dựa trên một giao thức chung, có thể được tóm tắt trong hai bước: (1) trích xuất thông tin không gian tần số cao từ hình ảnh PAN; và (2) đưa các chi tiết không gian đó vào ảnh MS đã thay đổi kích thước bằng cách khai thác các mô hình khác nhau. Một giao thức tổng hợp chung có thể được định nghĩa là

𝑀𝑆𝑛=𝑀𝑆𝑛𝑙+𝜔𝑛∙(𝑃−𝑃𝑙)

trong đó 𝑀𝑆𝑛 là hình ảnh hợp nhất của băng tần thứ n, 𝑀𝑆𝑙𝑛 là hình ảnh MS đã thay đổi kích thước của băng tần thứ n được lấy mẫu lại về cùng độ phân giải không gian của PAN. 𝑃 là ảnh PAN, 𝑃𝑙là ảnh tổng hợp có độ phân giải không gian tương đương với 𝑃, và 𝜔𝑛 xác định số lượng chi tiết không gian được thêm vào các dải MS đã thay đổi kích thước.

GSA là một thuật toán tổng hợp đại diện thành phần thay thế (CS). Nó chỉ rõ một trường hợp trong đó 𝑃𝑙 được xác định bằng cách thực hiện thủ tục hồi quy đa biến tuyến tính giữa các tập dữ liệu MS đã thay đổi kích thước và ảnh PAN, trong khi 𝜔𝑛 được xác định tỷ lệ với giá trị hiệp phương sai giữa dải 𝑃𝑙 và dải MS đã thay đổi kích thước. Theo khái niệm của phương pháp tổng hợp hình ảnh GSA, chúng tôi tạo ra hình ảnh hợp nhất cho tập dữ liệu vệ tinh 𝐹2 (𝐹2-GSA) được chụp sau sự kiện lũ lụt.

Chuẩn hóa hình ảnh theo kinh nghiệm

Dải hình ảnh hồng ngoại gần (NIR) là nguồn thông tin hữu ích để phát hiện các khu vực bị ngập lụt. Khu vực ngập lụt thường xuất hiện rất tối trong dải NIR này, trong đó nước có đặc tính hấp thụ mạnh. Ý tưởng của bài báo này dựa trên giả định rằng nếu hình ảnh 𝐹1 MS được hợp nhất với dải NIR của 𝐹2, nó có thể tạo ra sự biến dạng quang phổ nghiêm trọng trong các vùng ngập nước trong hình ảnh được hợp nhất. Dải 𝐹2 NIR được trích xuất trực tiếp từ hình ảnh hợp nhất GSA của 𝐹2 để tạo ra hình ảnh hợp nhất chéo.

Trước khi tạo ra hình ảnh kết hợp chéo, cần có dải hình ảnh 𝐹2 NIR để giảm thiểu sự khác biệt về đo bức xạ với tập dữ liệu 𝐹1 (tức là hình ảnh thu được trước sự kiện lũ lụt) gây ra do các điều kiện khí quyển, ánh sáng mặt trời và góc nhìn khác nhau. Trong bài báo này, chúng tôi sử dụng phương pháp hiệu chuẩn đường thực nghiệm (ELC) để chuẩn hóa bức xạ giữa dải ảnh 𝐹2 NIR và ảnh 𝐹1 PAN. Phương pháp này liên quan đến việc lựa chọn các đối tượng địa lý cấu trúc nhân tạo (PIF) có giá trị phản xạ gần như cố định theo thời gian. 10 PIF được chọn thủ công trong toàn bộ khu vực nghiên cứu. Dải hình ảnh 𝐹2 NIR được chuẩn hóa bức xạ thành hình ảnh 𝐹1 PAN bằng cách sử dụng hồi quy bắt nguồn từ các PIF đã chọn, và dải hình ảnh 𝐹2 NIR ′ chuẩn hóa cuối cùng đã được sử dụng để tạo hình ảnh hợp nhất chéo.

Tạo hình ảnh kết hợp chéo

GSA là một phương pháp kết hợp dựa trên thành phần thay đổi CS nổi tiếng có thể đưa ra các chi tiết không gian vào hình ảnh hợp nhất một cách hiệu quả. Hạn chế chính của phương pháp tổng hợp dựa trên CS là biến dạng phổ, còn được gọi là biến dạng màu (hoặc đo bức xạ). Nó được đặc trưng bởi xu hướng thể hiện một màu sắc nổi trội hơn các màu khác. Sự biến dạng phổ này là do sự không phù hợp giữa các đáp ứng phổ của dải MS và PAN theo dải băng thông khác nhau. Trong bài báo này, mục đích chúng tôi nhằm nâng cao hiệu suất phát hiện sự thay đổi của lũ lụt bằng cách cố ý tăng sự biến dạng phổ này ở các vùng bị ngập lụt. Để đạt được điều này, như đã nói ở trên trong mục 3.2, chúng tôi sử dụng dải ảnh 𝐹2 NIR ′ thay vì ảnh 𝐹1 PAN để tạo ra hình ảnh kết hợp chéo. Hình ảnh kết hợp mang lại hiệu ứng làm biến dạng quang phổ đáng kể trong các khu vực ngập nước trong khi vẫn duy trì đặc tính đo bức xạ của vùng nước vĩnh viễn. Điều này là do mức độ phản ứng phổ không phù hợp là rất nghiêm trọng bên ngoài phạm vi phổ NIR; băng thông của băng tần NIR hẹp hơn nhiều so với băng thông của ảnh PAN. Đặc điểm này giúp phân biệt các vùng nước vĩnh viễn với các vùng ngập lụt trong quá trình phát hiện sự thay đổi của lũ lụt.

3.4. Tạo hình ảnh kết quả thay đổi bằng cách sử dụng chỉ số UIQI

Chúng tôi coi sự biến dạng quang phổ trong hình ảnh kết hợp chéo là một dấu hiệu của khu vực đã thay đổi. Một số lượng nhất định của sự biến dạng quang phổ không mong muốn cũng xảy ra khi hình ảnh hợp nhất chéo được tạo ra từ hai hình ảnh thu được tại các thời điểm khác nhau. Sự biến dạng xảy ra chủ yếu do một số không nhất quán về không gian và sự bất đồng về hình dạng giữa hai hình ảnh được chụp từ các góc nhìn hình học khác nhau. Điều này có thể dẫn đến cảnh báo sai đáng kể về sự thay đổi ở các khu vực có mức độ không thống nhất cao về không gian, chẳng hạn như khu vực đô thị đông dân cư.

Để giảm bớt vấn đề này và xác định số lượng vùng thay đổi, chúng tôi sử dụng chỉ số UIQI, là thước đo độ biến dạng quang phổ dựa trên cửa sổ đại diện. Nó xem xét các đặc điểm bối cảnh của các vùng cục bộ, thay vì sử dụng các biện pháp dựa trên sự khác biệt pixel đơn giản như sai số bình phương trung bình (MSE) và tỷ lệ tín hiệu trên nhiễu (SNR). Chỉ số UIQI rất dễ tính toán và có đặc tính mạnh mẽ chống lại một số loại nhiễu hình ảnh như Gaussian trắng, muối và hạt tiêu, dịch chuyển trung bình và đa nhiễu. Nói chung, các biện pháp phát hiện thay đổi dựa trên pixel và theo định hướng thống kê rất nhạy cảm với nhiễu ảnh, vì chúng tập trung chủ yếu vào giá trị phổ và hầu như bỏ qua bối cảnh không gian.

Chúng tôi sử dụng chỉ số UIQI để đo sự biến dạng giữa hình ảnh gốc và hình ảnh bị biến dạng với sự kết hợp của ba yếu tố: mất tương quan C𝑤, biến dạng độ sáng 𝑙𝑤 và biến dạng tương phản 𝑆𝑤. Thành phần đầu tiên C𝑤 là hệ số tương quan giữa hình ảnh gốc và hình ảnh bị biến dạng trong lớp che cửa sổ, là thước đo tương quan tuyến tính. Phạm vi của nó mở rộng từ −1 đến 1, và giá trị tốt nhất nhận được khi hình ảnh bị biến dạng bằng với hình ảnh gốc. Thành phần thứ hai 𝑙𝑤 đo độ chói trung bình giữa hai hình ảnh và phạm vi của nó là [0 1]. Thành phần này có giá trị lớn nhất khi ý nghĩa của các hình ảnh giống nhau. Phương sai của tín hiệu có thể được xem như là một ước lượng về độ tương phản. Vì vậy, thành phần thứ ba 𝑆𝑤 đo mức độ tương phản của hai hình ảnh. Phạm vi giá trị của nó cũng là [0 1] và giá trị tốt nhất đạt được khi các phương sai bằng nhau.

Chỉ số UIQI được áp dụng bằng cách sử dụng cửa sổ chuyển động cục bộ có kích thước N × N. Nó di chuyển trên toàn bộ hình ảnh, từng điểm ảnh theo hướng ngang và dọc. Giá trị UIQI ở vị trí chung (x, y) của các dải riêng lẻ được tính như sau:

rong đó μ𝑥 và μ𝑦 biểu thị giá trị trung bình của hình ảnh gốc và hình ảnh bị biến dạng trong vùng che phủ cửa sổ, và σ𝑥2 và σ𝑦2 lần lượt là giá trị phương sai của hình ảnh gốc và hình ảnh bị biến dạng trong vùng che phủ cửa sổ. σ𝑥𝑦 là hiệp phương sai giữa hai hình ảnh trong vùng che phủ.

Theo thuộc tính của ba yếu tố, giá trị UIQI nhận giá trị cao ở các vùng không bị biến dạng và giá trị thấp ở vùng bị biến dạng trong phạm vi [−1, 1]. Chỉ số này có lợi thế hơn khi tính đến các thuộc tính không gian cục bộ, tức là độ sáng, độ tương phản và thông tin tương quan, trong khi các phép đo độ tương tự dựa trên pixel truyền thống chỉ tập trung vào đặc điểm quang phổ của mỗi pixel. Do đó, chỉ số này rất đáng được xem xét để phát hiện sự thay đổi lũ lụt trong ảnh hai thời điểm VHR. Chỉ số UIQI được tính toán giữa hình ảnh được kết hợp GSA 𝐹1 (tức là hình ảnh được hợp nhất bởi tập dữ liệu có được trước sự kiện lũ lụt) và hình ảnh được kết hợp chéo. Hình 3 minh họa phép đo UIQI.

Hình 3.

Hình 3. Hình minh họa hệ thống đo lường chỉ số chất lượng hình ảnh phổ quát (UIQI)

Xác định khu vực ngập lụt cuối cùng

Chúng tôi đã áp dụng phương pháp phân ngưỡng vào hình ảnh UIQI để gán mỗi pixel hình ảnh cho một trong hai lớp đối diện, cụ thể là vùng ngập và không ngập. Hai lớp này có thể được tách biệt như một bài toán phân loại nhị phân, trong đó hàm mật độ xác suất 𝑝 (𝑥) của hình ảnh là hỗn hợp của hai hàm mật độ tham số được liên kết với các lớp ngập và không ngập, như công thức sau,

𝑝(𝑥)=𝑃1𝑝1(𝑥|θ1)+𝑃2𝑝2(𝑥|θ2)

trong đó 𝑃1 và 𝑃2 là xác suất trước của các lớp bị ngập và không bị ngập, và 𝑝1 (𝑥 | θ1) và 𝑝2 (𝑥 | θ2) là mật độ có điều kiện của lớp liên quan đến các lớp bị ngập và không bị ngập, tương ứng. θ1 và θ2 là vectơ của các tham số mà hai tham số có điều kiện mật độ phụ thuộc vào. Thuật toán tối đa hóa ước tính khả năng xảy ra khi có các biến tiềm ẩn (EM), giả định rằng mật độ có điều kiện lớp tuân theo phân phối Gaussian, là một phương pháp lặp lại để tìm khả năng tối đa hoặc tối đa ước tính hậu kỳ (MAP) của các tham số trong mô hình thống kê. Việc lặp lại EM xen kẽ giữa việc thực hiện các bước thống kê lặp lại được tối đa hóa; để tạo ra một hàm có khả năng ghi nhật ký được đánh giá bằng cách sử dụng ước tính hiện tại cho tham số 𝑃𝑖 và θi (𝑖 = 1,2); bước tối đa hóa tính toán các tham số tối đa hóa khả năng ghi nhật ký dự kiến được tìm thấy ở bước lập lại thống kê. Các tham số ước lượng này sau đó được sử dụng để xác định phân phối biến Gaussian đã cho trong bước thống kế tiếp theo. Thuật toán EM nhạy cảm khi chọn giá trị ban đầu của các tham số được ước tính vì khả năng tìm thấy cực đại cục bộ cho tất cả khả năng xảy ra trong tham số không gian.

Đánh giá độ chính xác và kết quả thực nghiệm

Trong bài báo này, hai thử nghiệm đã được thực hiện để đánh giá hiệu suất và tính khả thi  thuật toán của chúng tôi. Để kiểm tra xem hình ảnh hợp nhất chéo có hiệu quả cho việc đánh giá khu vực ngập lụt hay không, trước tiên chúng tôi so sánh phương pháp của chúng tôi với phương pháp dựa trên các hình ảnh kết hợp  GSA của mỗi tập dữ liệu (Hình 1), hiện được gọi là phương pháp MFI . Phương pháp MFI được phát triển dựa trên các bước sau: (1) tạo hình ảnh hợp nhất GSA trong tập dữ liệu 𝐹1 và 𝐹2 tương ứng; (2) tính toán UIQI giữa hình ảnh hợp nhất 𝐹1 GSA- và 𝐹2 GSA; (3) xác định khu vực đã thay đổi bằng cách sử dụng thuật toán EM. Kích thước cửa sổ để đo UIQI của cả phương pháp đề xuất và phương pháp MFI được đặt thành 64 và ngưỡng được chọn tự động bằng cách áp dụng thuật toán EM cho hình ảnh trung bình thu được bằng cách lấy trung bình hình ảnh UIQI của các dải riêng lẻ (Hình 4). Kết quả khai thác mức độ ngập lụt thu được bằng cả hai phương pháp được thể hiện trong Hình 5e, f.

Trong nỗ lực đánh giá kết quả bằng số, một bản đồ hiện thực mặt đất đã được tạo ra từ hình ảnh gốc bằng cách số hóa thủ công khu vực ngập lụt như trong Hình 5a. Trong việc xây dựng bản đồ chân thực, chúng tôi chỉ xem xét trực quan các khu vực bị ảnh hưởng bởi lũ lụt dọc theo sông, vì không chỉ khó theo dõi tất cả những thay đổi trong khu dân cư đô thị mà chúng tôi còn tập trung vào những thay đổi do lũ gây ra. Bằng cách so sánh hình ảnh chân thực mặt đất với kết quả khai thác lũ, chúng tôi có thể phát hiện chính xác sự thay đổi. Để đánh giá thuật toán được đề xuất, phương pháp ma trận lỗi đã được áp dụng để đánh giá độ chính xác của các phương pháp đã được thử nghiệm.Từ ma trận lỗi của mỗi phương pháp đã thử nghiệm, sai số vận hành (CE), sai số bỏ sót (OE) và độ chính xác tổng thể (OA) đã được tính toán. Theo kết quả phân tích định lượng trong Bảng 2, phương pháp MFI cho giá trị OA cao nhất, nhưng khó có thể khẳng định rằng phương pháp này tốt hơn phương pháp đề xuất. Điều này là do kết quả của phương pháp MFI đã phát hiện sai quá nhiều trong vùng  nước vĩnh viễn so với hình ảnh chân thực trên mặt đất. Nói cách khác, phương pháp MFI không thể tách biệt giữa vùng nước vĩnh viễn và vùng ngập lụt. Từ Hình 5f, chúng ta có thể thấy rằng việc sử dụng hình ảnh kết hợp chéo cho phép xác định chính xác hơn khu vực bị ngập và mang lại hiệu quả tốt trong việc phân biệt khu vực bị ngập và vùng nước vĩnh viễn.


(a)

(b)

(e)

(d)
Hình 4.

Hình 4. Các ảnh thành phần được tạo ra từ thử nghiệm: (a) Các thành phần MAD (tổng hợp màu RGB: 4 3 2); (b) hình ảnh kết hợp chéo (kết hợp màu RGB: 3 2 1); (c) UIQI trung bình được tạo ra từ phương pháp MFI; (d) UIQI trung bình được tạo ra từ phương pháp đề xuất.

Một cách khác để kiểm tra hiệu suất của thuật toán của chúng tôi, chúng tôi so sánh kết quả của chúng tôi với kết quả được tạo ra từ các phương pháp phát hiện thay đổi dựa trên CVA-, MAD- và SVM. Các hình ảnh hợp nhất GSA hai thời gian ban đầu (Hình 1) được sử dụng làm tập dữ liệu đầu vào cho các phương pháp. Thuật toán EM được áp dụng cho ảnh độ lớn để xác định tự động ngưỡng quyết định tối ưu trong phương pháp phát hiện thay đổi dựa trên CVA. Trong phương pháp phát hiện thay đổi dựa trên MAD, một ngưỡng nhiều mức dựa trên thuật toán EM đã được áp dụng cho giá trị trung bình của các thành phần MAD để lựa chọn tối ưu hai ngưỡng; giá trị pixel lớn hơn ngưỡng trên hoặc nhỏ hơn ngưỡng dưới được xác định là pixel ngập nước cuối cùng. Để áp dụng phương pháp dựa trên SVM, các pixel cho các lớp của cả pixel bị ngập và không bị ngập phải được chọn trên hình ảnh chênh lệch đa kính. Điều này đã được thực hiện thông qua một cuộc kiểm tra trực quan. Khi sử dụng phương pháp dựa trên SVM, người dùng phải đối mặt với nhiều lựa chọn của các chức năng chính thường mang lại các kết quả khác nhau. Trong bài báo này, chúng tôi đã sử dụng Hàm cơ sở hướng tâm (RBF), xử lý trường hợp mối quan hệ giữa nhãn lớp và thuộc tính là phi tuyến tính. Giá trị gamma để xác định độ rộng lõi RBF và tham số điều chỉnh để kiểm soát biên độ sai số được đặt lần lượt là 0,333 và 100.

Hình 5 và 6 cho thấy kết quả phát hiện sự thay đổi bằng các phương pháp khác nhau, các kết quả định lượng chi tiết được đưa ra trong Bảng 2. Hình 5 bao gồm toàn bộ khu vực nghiên cứu, cho phép đánh giá trực quan ban đầu về kết quả khai thác mức độ ngập lụt. Hình 6 cho thấy các hình ảnh nhỏ được trích xuất từ ​​các vùng khác nhau của Hình 5: Màu đỏ thể hiện các điểm ảnh lũ được trích xuất chính xác, trong khi màu xanh lam và màu vàng tương ứng đại diện cho các lỗi vận hành và bỏ sót. Kết quả được phủ lên hình ảnh PAN ban đầu được thu thập trước sự kiện lũ lụt. Thoạt nhìn, người ta có thể quan sát thấy các vùng bị che khuất thu được với SVM và các phương pháp được đề xuất cho thấy kết quả phù hợp với những thay đổi thực tế so với các phương pháp dựa trên CVA và MAD. Sau khi kiểm tra chặt chẽ các kết quả phát hiện thay đổi bằng cách sử dụng hình ảnh chân thực mặt đất (Hình 5a), có vẻ như mức độ ngập lụt được trích xuất bằng phương pháp SVM đã được ước tính quá mức so với kết quả của phương pháp đề xuất. Các vùng nước vĩnh viễn thậm chí còn được phân loại không chính xác thành vùng ngập theo phương pháp SVM (Hình 5d). Như thể hiện trong Bảng 2, của phương thức chính xác chung (OA) đề xuất là 75,04%.Phương pháp phát hiện thay đổi dựa trên SVM cho kết quả OA tốt hơn một chút 1,13% so với phương pháp đề xuất.Tuy nhiên, các lỗi vận hành CE rõ ràng trong toàn bộ khu vực nước vĩnh viễn so với hình ảnh ban đầu được chụp trước sự kiện lũ lụt như thể hiện trong Hình 1a. Hơn nữa, phương pháp SVM cần các pixel thực thi cho hai lớp nhất định, có nghĩa là nó cần can thiệp bổ sung thủ công.Mặc dù phương pháp đề xuất có vẻ khả quan trong việc khai thác mức độ ngập lụt, nhưng nó tạo ra kết quả xác thực giả ở một số vùng xa lũ lụt miền Trung, chẳng hạn như ở phần trên bên phải của Hình 5f. Điều này là do sự biến dạng quang phổ xảy ra do các hiệu ứng khí quyển còn sót lại sau khi hiệu chỉnh đo bức xạ và sự không nhất quán trong không gian xảy ra bởi các góc nhìn khác nhau của hình ảnh VHR hai thời gian. Để loại bỏ những điểm xác thực giả này, có vẻ như tốt hơn là xem xét các điểm ảnh chỉ gần với các vùng sông nước lớn nhất ở khu vực miền trung. Do đó, để tăng độ chính xác của phương pháp phát hiện thay đổi, chúng tôi đê xuất sẽ nghiên cứu sâu hơn về quy luật có thể duy trì các khu vực ngập lụt và bỏ qua xác thực giả ở xa sông.


(a)

(b)

(c)

(d)

(e)

(f)
Hình 5. Ảnh kết quả khai thác vùng ngập lụt bằng các phương pháp đã thử nghiệm: (a) Ảnh chân thực mặt đất (b) Kết quả MAD; (c) Kết quả CVA; (d) Kết quả SVM; (e) Kết quả MFI; (f) kết quả của phương pháp đề xuất. Các điểm ảnh lũ được trích xuất theo từng phương pháp được thể hiện bằng màu đỏ.
6
(a)

(b)

(c)

(d)

(e)

(f)
Hình 6

Hình 6. Các ảnh nhỏ được trích xuất từ các vùng khác nhau của Hình 5: (a) bản đồ vị trí của mỗi ảnh con; (b) Kết quả MAD; (c) Kết quả CVA; (d) Kết quả SVM; (e) Kết quả MFI; (f) kết quả của phương pháp đề xuất. Màu đỏ thể hiện các điểm ảnh lũ được trích xuất chính xác, màu xanh lam hiển thị lỗi hoa hồng và màu vàng hiển thị lỗi thiếu sót.

Bảng 2. Đánh giá độ chính xác của các phương pháp phát hiện thay đổi đã thử nghiệm: (F) Có lũ, (NF) Không có lũ, (OE) Lỗi thiếu hụt, (CE) Lỗi vận hành, (OA) Độ chính xác tổng thể.

Kết luận

Trong bài báo này, chúng tôi đã đề xuất một phương pháp phát hiện thay đổi không giám sát mới dựa trên sự kết hợp của phép hợp nhất hình ảnh và phép đo biến dạng quang phổ để khai thác mức độ ngập lụt. Kết quả thử nghiệm từ ảnh KOMPSAT-2 VHR hai thời gian cho thấy phương pháp được đề xuất có thể tạo ra kết quả trực quan cho các khu vực ngập lụt so với các phương pháp phát hiện thay đổi dựa trên CVA-, MAD-, SVM truyền thống. Độ chính xác tổng thể OA thu được theo phương pháp đề xuất là 75,04%, gần bằng với phương pháp phát hiện thay đổi có giám sát dựa trên SVM. Phương pháp được đề xuất không nhạy với hình ảnh nhiễu do sử dụng thông tin bối cảnh dựa trên chỉ số UIQI. Ngược lại, các kỹ thuật phát hiện thay đổi dựa trên pixel truyền thống chỉ tập trung vào giá trị phổ. Do đó, phương pháp được đề xuất có thể đạt được tỷ lệ cảnh báo  sai thấp hơn so với các phương pháp thông thường. Hình ảnh kết hợp chéo cũng được phát hiện có thể trích xuất nhận dạng chính xác hơn về khu vực bị ngập và mang lại hiệu quả tốt trong việc phân biệt khu vực bị ngập và vùng nước cố định. Sự phân tách cho phép chúng tôi dự đoán quy mô thiệt hại do lũ lụt và đưa ra quyết định phù hợp để khắc phục hậu quả lũ lụt.

Cần lưu ý rằng phương pháp đề xuất chỉ được thiết kế dựa trên dải NIR của hình ảnh sau lũ lụt để phát hiện sự thay đổi của lũ lụt. Nó có nghĩa là chúng tôi đang tập trung vào các khu vực liên quan đến lũ lụt, những khu vực nhạy cảm với dải NIR. Đây là lý do tại sao phương pháp được đề xuất tạo ra một số xác thực giả ở các vùng không liên quan đến nước. Tuy nhiên, phương pháp được đề xuất có một lợi thế mạnh mẽ trong việc khai thác mức độ ngập lụt do khả năng tách biệt giữa vùng ngập và vùng nước vĩnh viễn. Rõ ràng là phương pháp đề xuất cải thiện CE so với các phương pháp khác khi địa điểm được xây dựng chủ yếu trên khu vực liên quan đến lũ lụt.

Để tăng độ chính xác của việc khai thác mức độ ngập lụt, nghiên cứu trong tương lai của chúng tôi sẽ tập trung vào việc tạo ra khuôn khổ chính xác hơn để ngăn chặn hiện tượng xác thực giả trong các khu vực đô thị. Chúng tôi sẽ áp dụng cách tiếp cận được đề xuất cho các địa điểm khác nhau bị ảnh hưởng bởi lũ lụt để xác nhận tính mạnh mẽ của phương pháp. Các hiệu ứng theo các thuật toán tổng hợp dữ liệu khác nhau cũng sẽ được nghiên cứu.

Theo mdpi

Quay lại

Bạn có thể quan tâm

XEM NHIỀU