Automatische Vorklassifikation von optischen Multi- Sensor Fernerkundungsdaten als Grundlage für semantische Abfragen in FE-Datenarchiven

Transkript

1 ESA Technologie Transfer Tag Schwerpunkt Big Data 5. Dezember 2013 Ort: FFG Forschungsförderungsgesellschaft Automatische Vorklassifikation von optischen Multi- Sensor Fernerkundungsdaten als Grundlage für semantische Abfragen in FE-Datenarchiven Dirk Tiede 1, Andrea Baraldi², Stefan Lang 1 1 Interfakultärer Fachbereich Geoinformatik Z_GIS Universität Salzburg dirk.tiede@sbg.ac.at; stefan.lang@sbg.ac.at ²Baraldi Consultancy in Remote Sensing Modena, Italy andrea6311@gmail.com

2 "Big data" in der Fernerkundung Fokus dieses Vortrages auf "Big data" im Bereich optischer Satellitenfernerkundungsdaten Fokus auf Datenarchive für optische Fernerkundungsdaten wie z.b. Landsat-Zeitreihen seit Mitte der 70er Jahre (mittlerweile komplett frei zugänglich und werden immer weiter ausgebaut (Landsat 8 seit 2013)) Sentinel-Missionen in Europa (ab 2014/2015?) Weitere Datenbanken von hoch bis sehr hoch räumlich aufgelösten Satellitendaten (z.t. frei zugänglich) Definition von Big Data laut Programmankündigung: Einsatz großer Datenmengen aus vielfältigen Quellen mit einer hohen Verarbeitungsgeschwindigkeit. Problematisch sind dabei vor allem die Erfassung, die Speicherung, die Suche, Verteilung, (statistische) Analyse und Visualisierung. 2

3 "Big data" in der Fernerkundung FE-Datenarchive wachsen immer schneller und immer mehr Daten werden auch frei zur Verfügung gestellt Allerdings werden nur Bruchteile der Daten analysiert: z.b. liegt der Anteil der Daten die von ESA FE-Datenbanken geladen werden bei ca. 10% oder weniger * Der Anteil der Daten die wirklich in Information umgewandelt werden liegt noch deutlich darunter Gründe können vielfältig sein, umfassen aber zumindest: Fehlende Lösungen zur voll automatisierten Auswertung (ohne Benutzer-Parametrisierung) Fehlende Möglichkeiten passende Daten "intelligent" abzufragen *A. Baraldi and L. Boschetti, Operational Automatic Remote Sensing Image Understanding Systems: Beyond Geographic Object-Based and Object-Oriented Image Analysis (GEOBIA/GEOOIA). Part 2: Novel system Architecture, Information/Knowledge Representation, Algorithm Design and Implementati, Remote Sensing, vol. 4, no. 12, pp , Sep

4 Klassische FE-Datenbankabfragen Klassische Datenbankabfragen in Fernerkundungsdatenarchiven (z.b. Landsat) bieten: AOI Suche Suche nach Datum Vorschau "Thumbnail" Limitierte Metadatensuche, z.b. Wolkenbedeckungsgrad für das gesamte Bild, Sensoreigenschaften/Sensorprobleme USGS Archiv Landsat Daten 4

5 Automatische Vorklassifikation von optischen Multi-Sensor Fernerkundungsdaten als Grundlage für semantische Abfragen User Geospatial Semantic Query Interface Search results based on - pre-classification statistics - Based on spatial semantic queries AOI request Semantic based Metafile (multitemporal) Data and information download Image database (e.g. Landsat) Pre-classifications Data-derived continuous and categorical geospatial information products Maps Summary statistics associated 5

6 Beispiele für semantische Abfragen hier: lokalisierte Abfragen der Wolkenbedeckung in Bilddaten AOI Globale "cloud cover" Angaben ungenügend für räumliche Abfragen (hier: 1%) Abfrage von Wolkenbedeckungsanteilen für definierte Bereiche auf den vorklassifizierten Daten (hier ~ 10%) 6

7 Beispiele für semantische Abfragen hier: multi-temporale Abfragen von Vegetationsveränderungen AOI request Abfrage der Vegetationsveränderung für Bewässerungsfeldbau (hier im Bereich Syrien, Konflikt-induziert) zwischen Sommer 2010/2013: Landsat 8, 07/2013 Metafile-Berechnung auf Grundlage der semantischen AOI- Abfrage ("Vegetationsbedecku ng-vergleich 2010/2013"): associated 2010: Landsat 5, 07/ associated ~ 25% Abnahme an vitaler Vegetation 7

8 Beispiele für semantische Abfragen hier: Topologische Abfragen Beispiel: Topologische Abfragen theoretisch denkbar bei topology-on-the-fly Berechnung sehr aufwändig sinnvoll wenn Topologien im Zuge der Vorklassifikation berechnet und vorgehalten werden könnten Analyse von Flutereignissen, wobei die AOI z.b. ein Fluss oder Uferbereich darstellt Abfrage von Bildern die in räumlicher Nähe (Buffervorgabe) zum Zielgebiet einezunahme von Wasserflächen aufweisen (in Kombination z.b. mit geringer Wolkenbedeckung)

9 Vorklassifikation Voll automatisierte Vorklassifikation (keine Parametrisierung notwendig): erfolgt auf Basis der SIAM Toolbox (Satellite Image Automatic Mapper, Baraldi et al. 2010) "near-real time" Vorklassifikation basierend auf einem physikalischen Model der spektralen Reflexion Voraussetzungen: Bilddaten müssen vorher in ToA /SURF Reflexionswerte kalibriert werden Auf verschiedenste Sensoren verwendbar (Landsat, SPOT, RapidEye, VHR-Sensoren etc.) Sentinel 2/3 in Vorbereitung (ASAP Sondierungsprojekt beantragt) Baraldi, Andrea, L. Durieux, D. Simonetti, G. Conchedda, F. Holecz, and P. Blonda, Automatic spectral rule-based preliminary classification of radiometrically calibrated SPOT-4/-5/IRS, AVHRR/MSG, AATSR, IKONOS/QuickBird/OrbView/GeoEye and DMC/SPOT-1/-2 imagery Part I: System design and implementation, IEEE Trans. Geosci. Remote Sensing, vol. 48, no. 3, pp , March

10 Vorklassifikation Warum "Vorklassifikation": Klassen entsprechen keinen finalen Landbedeckungsklassen, sie sind rein spektral abgeleitet (ohne Zusatzwissen oder multi-temporale Analyse): Klassen entsprechen spektralen Kategorien, wie z.b. "Vegetation", "bare soil or built-up", "water or shadow" Spektrale Klassen können nicht immer ohne Zusatzinformationen als Landbedeckungsklassen interpretiert werden (z.b. würde eine Klasse "deciduous-forest" eine temporale Zusatzinformation benötigen (oder Vorwissen)) Klassen werden in unterschiedlichen Aggregationsleveln bereitgestellt und bieten eine hervorragende Grundlagen zur weiteren Analyse Aggregierte Klassen und Unterteilung in Sub-Klassen (spektrale Kategorien, hier: 95), [Quelle: Baraldi A., 2013] 10

11 Vorklassifikation Beispiel für eine SIAM-basierte Klassifikation (Vorklassifikation) des kompletten Landsat ETM+ Mosaics der USA von Berechnungsdauer: < 12h [Quelle: Baraldi A., 2013:Satellite Image Automatic Mapper - SIAM -System and Products Description] 11

12 Fazit Voll automatische Vorklassifikationen (schnell und ohne jede Parametrisierung) können FE-Datenbanken mit wertvollen Zusatzinformationen "anreichern", die einfache bis komplexe semantische Abfragen ermöglichen würden Zielgerichtete Datenabfragen werden ermöglicht Veränderungsabfragen schon bei der Datensuche möglich Bei entsprechender (topologischer) Aufbereitung der Zusatzinformationen könnten auch komplexere räumliche Abfragen adressiert werden (z.b. Nachbarschaftsbeziehungen von Klassen) Idealerweise wäre ein Implementierung bei Datenprovidern/FE- Datenbankbetreibern sinnvoll (Vermeidung von redundanten Analysen), theoretisch aber auch extern denkbar (Speicherung der Zusatzinformation unabhängig vom Speicherort der Bilddaten lose Kopplung). 12

13 Vielen Dank für Ihre Aufmerksamkeit! Kontakt: Dr Dirk Tiede Ein Teil der vorgestellten Beispiele wurden aus dem EU-FP7 Projekt G-SEXTANT (contract no: ) gefördert 13