Environmental Monitoring using Image Analysis

Abstract

Tärkeä tehtävä ympäristön tarkkailussa on arvioida ympäristön nykyinen tila ja ihmisen siihen aiheuttamat muutokset sekä analysoida ja etsiä näiden yhtenäiset suhteet. Ympäristön muuttumista voidaan hallita keräämällä ja analysoimalla tietoa. Tässä diplomityössä on tutkittu vesikasvillisuudessa hai vainuja muutoksia käyttäen etäältä hankittua mittausdataa ja kuvan analysointimenetelmiä. Ympäristön tarkkailuun on käytetty Suomen suurimmasta järvestä Saimaasta vuosina 1996 ja 1999 otettuja ilmakuvia. Ensimmäinen kuva-analyysin vaihe on geometrinen korjaus, jonka tarkoituksena on kohdistaa ja suhteuttaa otetut kuvat samaan koordinaattijärjestelmään. Toinen vaihe on kohdistaa vastaavat paikalliset alueet ja tunnistaa kasvillisuuden muuttuminen. Kasvillisuuden tunnistamiseen on käytetty erilaisia lähestymistapoja sisältäen valvottuja ja valvomattomia tunnistustapoja. Tutkimuksessa käytettiin aitoa, kohinoista mittausdataa, minkä perusteella tehdyt kokeet antoivat hyviä tuloksia tutkimuksen onnistumisesta.

The important task of environmental monitoring is to assess the current state of the environment and changes caused by the human activity to analyze them and to try to find the relations. Using the feedback of such relations we can control our actions to avoid global changes in the environment. This Master's Thesis is devoted to the preliminary study of the possibility to assess change detection of vegetation in water areas using remotely sensed data and image analysis methods. Aerial photos taken in years 1996 and 1999 are used for the environmental monitoring of the largest Finnish lake, called Lake Saimaa. The first image analysis step is a geometrical correction that maps the analyzed images to the same coordinate system and to the same scale. The second step is to match the corresponding local regions and to detect the vegetation change. To detect vegetation different classification approaches are applied, including supervised and unsupervised classification methods. Experiments with available data, influenced by different distortions gave promising results.