Introduzione 

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 Corine Land Cover ([14]).

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 object oriented ([4], [2]) basate su poligoni generati dalla segmentazione automatica di immagini digitali ha aperto nuovi scenari sulle possibilità di derivare cartografie tematiche (vedi ad esempio: [7], [15]). Questo approccio, spostando l’analisi dal singolo pixel a insiemi di pixel, che assumono il significato di oggetti, consente di ampliare il contenuto informativo estraibile in modo automatico o semiautomatico dall’unità elementare di classificazione. La capacità di sfruttare informazioni come quelle di carattere tessiturale, statistico e soprattutto contestuale consente potenzialmente di generare prodotti cartografici competitivi per accuratezza tematica con quelli derivati per interpretazione visuale ([5]). Un ulteriore vantaggio offerto dall’approccio object oriented risiede nella possibilità di ottenere un prodotto di tipo vettoriale superando l’inevitabile soggettività del fotointerprete per quanto concerne la delimitazione dei poligoni e la loro successiva attribuzione alle classi tematiche.

Scopo del presente lavoro è valutare, sulla base di immagini satellitari a media risoluzione spaziale, le potenzialità delle tecniche di segmentazione e classificazione object oriented per la produzione di cartografie di uso e copertura del suolo Corine Land Cover (CLC) in scala 1:100.000. Facendo riferimento, come caso di studio, a un’immagine Landsat 7 ETM+ vengono testate funzioni di classificazione implementate nel software eCognition, quali le funzioni di appartenenza e il classificatore Standard Nearest Neighbour (STD.N.N.). Le procedure proposte vengono confrontate con l’interpretazione visuale convenzionale sia in termini di accuratezza tematica che in termini di tempi per l’ottenimento del prodotto cartografico.

Materiali 

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 ([8]). Al suo interno sono preponderanti le superfici agricole (70% dell’area esaminata) e i territori boscati e gli ambienti seminaturali (24% dell’area esaminata). La restante superficie è costituita da centri urbani, tra cui i principali sono quelli di Viterbo e Civitavecchia, e corpi idrici, quali il lago di Vico, il lago di Bracciano, un tratto del fiume Tevere e una piccola porzione del Mar Tirreno (Fig. 1).

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 [16]).

Metodologia 

Segmentazione automatica

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 pan-sharpening ([9]) che fonde il dato pancromatico con il multispettrale, preservando le caratteristiche spettrali originali ([17]). La tecnica è basata sul metodo dei minimi quadrati per meglio approssimare le relazioni tra i valori di grigio delle immagini originali e dell’immagine fusa. La procedura si è dimostrata utile soprattutto ai fini della successiva segmentazione in quanto incrementa la precisione di identificazione degli oggetti rispetto al medesimo processo basato solo su dati multispettrali ([13]). L’algoritmo offre le migliori prestazioni quando vengono impiegate bande spettrali che per lunghezza d’onda ricadono nel range di acquisizione della banda pancromatica. In tal senso, le bande Landsat 7 ETM+ selezionate per l’elaborazione sono state quella del verde, del rosso e dell’infrarosso vicino. Dalla fusione sono scaturite tre nuove immagini con risoluzione geometrica della banda pancromatica e contenuto spettrale delle bande utilizzate.

Utilizzando congiuntamente le tre immagini ottenute dal processo di pan-sharpening sono stati prodotti due livelli di segmentazione. Dapprima è stato realizzato un livello di segmentazione caratterizzato da un fattore di scala pari a 40 e da un peso attribuito all’eterogeneità geometrica e al fattore di compattezza pari rispettivamente a 0.2 e a 0.8. Successivamente è stato prodotto il secondo livello di segmentazione innalzando il fattore di scala a un valore di 60 e fissando il peso del fattore di compattezza a 0.6 (Fig. 2). Per entrambi i livelli di segmentazione è stato assegnato uno stesso peso relativo alle tre immagini pan-sharpened. Il primo livello ha generato 24103 poligoni di dimensione media pari a circa 16 ha (CV = 94%), accorpati nel secondo livello di segmentazione in 10906 poligoni di dimensione media pari a circa 36 ha (CV = 93%).

Classificazione object oriented

La classificazione object oriented è stata condotta sulla base dei poligoni generati con il secondo livello di segmentazione adottando la nomenclatura di 3° livello gerarchico CLC ([8]).

Dall’esame dell’area oggetto di studio si è stabilito di classificare quindici classi di uso/copertura del suolo (Tab. 1), tralasciando quelle che, pur presenti all’interno dell’area esaminata, erano tuttavia scarsamente rappresentate. È stato inoltre deciso di accorpare in una stessa classe i prati stabili (231) con i pascoli naturali (321), le colture temporanee associate a colture permanenti (241) con sistemi colturali e particellari complessi (242) e le superfici cespugliate (322) con le aree a vegetazione boschiva e arbustiva in evoluzione (324).

La classificazione dell’immagine Landsat è avvenuta in ambiente eCognition applicando procedure Nearest Neighbours e funzioni di appartenenza con logica fuzzy, in maniera singola e combinata tra loro, per l’assegnazione delle classi ai singoli poligoni.

La procedura STD.N.N. utilizza gli attributi di un set di poligoni fotointerpretati (training sites) per sviluppare il classificatore e assegnare le classi ai rimanenti poligoni tramite approccio nearest neighbours (esempi applicativi in: [5], [12]). Ai fini dell’applicazione del classificatore STD.N.N. sono stati selezionati come training sites circa il 2% dei poligoni generati al 2° livello di segmentazione.

La selezione degli attributi di classificazione è stata preceduta da analisi volte alla discriminazione delle classi: sulla base dei training sites selezionati, sono stati ottimizzati gli attributi estratti dalla banda pancromatica, dalle bande multispettrali e dalle immagini pan-sharpened. In Tab. 2 sono riportati gli attributi utilizzati con il classificatore STD.N.N.

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.

Principi di classificazione object oriented delle classi CLC

Le classi tematiche sono state organizzate secondo un’apposita struttura gerarchica (Fig. 3). In questo modo l’informazione associata alle classi di ordine superiore viene ereditata dalle classi figlie riducendo la ridondanza e la complessità delle informazioni necessarie per la descrizione delle classi stesse.

• Le zone urbane sono state classificate nel loro insieme sulla base di STD.N.N. e successivamente distinte al loro interno in Zone residenziali a tessuto continuo (111) e Zone residenziali a tessuto discontinuo e rado (112) attraverso il parametro ZABUD1 (vd. Tab. 2). La ricerca delle aree urbane a tessuto continuo è stata inoltre limitata ai soli poligoni adiacenti a quelli classificati come tessuto urbano discontinuo e rado.
• Aree industriali, commerciali e dei servizi pubblici e privati (121): classificate per mezzo di funzioni di appartenenza calcolate sulla media spettrale degli oggetti nella banda del blu.
• Seminativi (211): all’interno dell’immagine si riscontra la presenza sia di seminativi arati che di seminativi ricoperti da coltivazioni. La differenza di copertura rende difficile la contemporanea attribuzione di entrambe le realtà direttamente alla classe 211. Quindi per la classificazione si è proceduto dapprima al riconoscimento di due sottoclassi applicando STD.N.N. e successivamente, tramite loro unione, alla definizione della classe seminativi.
• Frutteti (222), Oliveti (223) e Prati, Pascoli e Praterie (231+321): queste classi sono state definite sia con STD.N.N., sia limitandone la ricerca in uno spazio definito all’interno dell’immagine.
• Sistemi colturali e particellari complessi (241+242): classificati tramite STD.N.N.
• Aree prevalentemente occupate da colture agrarie con presenza di spazi naturali importanti (243): classificate tramite STD.N.N.
• 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 Boschi a prevalenza di latifoglie (311) e Boschi a prevalenza di conifere (312). In particolare, nell’area esaminata è stato possibile ricondurre i boschi di conifere a un dato intervallo di valori assunti dal parametro Ratio calcolato per la banda 5; i boschi a prevalenza di latifoglie sono stati identificati come le aree boscate non classificate come conifere.
• Brughiere, cespuglieti e aree a vegetazione boschiva e arbustiva in evoluzione (322+324): queste aree sono state classificate tramite STD.N.N. e limitando la ricerca alle aree circostanti a quelle boschive ([8]).
• Corpi idrici (5): la classificazione dei corpi idrici è avvenuta attraverso l’impiego di funzioni di appartenenza. Inizialmente è stato individuato l’insieme dei corpi idrici avvalendosi del parametro Ratio calcolato per la banda del blu. Successivamente da questa classe sono state derivate due sottoclassi: Corsi d’acqua, canali e idrovie (511), utilizzando parametri che prendessero in esame la forma dei sotto oggetti generati con il 1° livello di segmentazione, e la classe Not Fiumi ricorrendo all’inversione della funzione di similarità rispetto alla classe dei Corsi d’acqua, canali e idrovie. Quest’ultima classe racchiude al suo interno il tratto di mare e i laghi che ricadono nell’immagine. Le classi Bacini d’acqua (512) e Mari e oceani (523) sono state quindi estrapolate da essa sfruttando i diversi valori medi di DN che questi corpi assumono nella banda spettrale del blu.

Le classificazioni prodotte in automatico sono state successivamente sottoposte a una procedura di generalizzazione in ambito GIS ([11]) tramite dissolvenza con i poligoni vicini, al fine di evitare la presenza di poligoni di superficie inferiore all’unità minima cartografabile.

Tesi sperimentali

La sperimentazione condotta ha previsto la realizzazione di un set di classificazioni, elaborate sulla base dell’immagine Landsat, per la valutazione comparativa delle performances, in termini di accuratezza tematica e tempi di lavoro, delle procedure di classificazione object oriented rispetto all’interpretazione a video, condotta in modo indipendente da un fotointerprete esperto secondo lo standard convenzionale CLC ([8]). In entrambe le modalità di classificazione non sono stati utilizzati dati ancillari di supporto.

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 ([3]). All’interno di ciascun fotoplot è stata definita la verità a terra per fotointerpretazione della copertura ortofotografica digitale IT2000.

Sulla base dei dati raccolti sono stati calcolati gli indici overall accuracy (OA), Kappa index of agreement (KIA), accuratezza del produttore (AP) e accuratezza dell’utilizzatore (AU), che quantificano la concordanza della classificazione rispetto alla verità a terra ([6]).

Risultati 

Accuratezza tematica

Tra le modalità di classificazione sperimentate le migliori prestazioni sono state registrate per quelle object oriented generate sulla base del 1° livello CLC e sulla base della nomenclatura mista in cui le classi di 3° livello delle aree boscate sono combinate con le classi di 1° livello per le restanti superfici: in entrambi i casi sono stati riscontrati valori di OA pari a 0.93 (errore standard = 0.012) e valori di KIA pari a 0.84 (Tab. 3). Anche considerando il set di classificazioni generate per interpretazione visuale, i risultati migliori sono stati quelli ottenuti con la nomenclatura di 1° livello CLC (OA = 0.91 con err.std. = 0.012; KIA = 0.80).

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 object oriented (Fig. 4), e pari a 0.67 (err.std. = 0.025) e 0.59 con la procedura per interpretazione visuale. Per quanto riguarda la nomenclatura CLC di 2° livello invece sono stati raggiunti valori di OA e KIA rispettivamente pari a 0.82 (err.std. = 0.019) e 0.76 con la procedura object oriented, e pari a 0.72 (err.std. = 0.023) e 0.64 con la procedura per interpretazione visuale.

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 (Tab. 4).

Considerando le classificazioni prodotte per il terzo livello CLC, la procedura object oriented offre livelli di accuratezza soddisfacenti per le classi rappresentative dei centri urbani a tessuto continuo (111), dei boschi di conifere (312) e dei corpi idrici (511, 512, 523) per le quali si sono riscontrati livelli di AP e AU pari o prossimi a 1. Buoni sono anche i risultati di classificazione per i seminativi (AP = 0.90; AU = 0.82) e i boschi di latifoglie (AP = 0.85; AU = 0.90), mentre le peggiori prestazioni si registrano in termini di AP per le aree di transizione (AP = 0.45) e in termini di AU per gli oliveti (AU = 0.50). Tuttavia laddove il classificatore object oriented ha riscontrato difficoltà per la corretta identificazione delle classi anche l’interpretazione visuale si è dimostrata poco efficace.

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.

Tempi e costi di lavoro

I tempi richiesti per l’interpretazione visuale dell’area oggetto di studio sono risultati pari a circa 150 ore, mentre ai fini della classificazione object oriented sono state necessarie circa 200 ore di lavoro, di cui il 20% dedicato alla scelta dei parametri opportuni dell’algoritmo di segmentazione multirisoluzione, il 70% per la definizione delle funzioni di appartenenza e la selezione degli attributi ottimali da applicare al classificatore STD.N.N. e il 10% destinato alla realizzazione delle classificazioni e loro successiva validazione.

In Tab. 5 sono riportati i costi per la realizzazione delle coperture CLC ricorrendo rispettivamente a procedure di classificazione automatiche e di interpretazione visuale dell’immagine.

Discussione e conclusioni 

Con il presente lavoro sperimentale sono stati confrontati i risultati di procedure di classificazione object oriented rispetto alla procedura convenzionale di interpretazione visuale, per la produzione di cartografie di uso e copertura del suolo CLC in scala 1:100.000 a partire da un’immagine telerilevata a media risoluzione spaziale. La qualità dei risultati è stata verificata sulla base della verità a terra definita all’interno di plot dislocati sull’area di studio attraverso l’interpretazione a video della copertura ortofotografica IT2000.

In termini di accuratezza tematica la modalità di classificazione object oriented tramite l’applicazione congiunta di STD.N.N. e di criteri parametrici ottiene risultati migliori rispetto alla classificazione realizzata per interpretazione visuale. Tale miglioramento è risultato tanto più accentuato quanto maggiore è il grado di dettaglio del sistema di nomenclatura.

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 object oriented si riscontrano per queste classi valori di AP e AU comunque superiori a quelli conseguiti per interpretazione visuale.

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 object oriented.

L’utilizzo di procedure di pan-sharpening si è confermata utile al fine di incrementare la precisione delle operazioni automatiche di segmentazione preliminari alla classificazione object oriented. Al contrario, come atteso, il dato pan-sharpened non ha apportato in genere un significativo contributo nella fase di classificazione. L’utilizzo della banda pancromatica si è dimostrato di supporto alla classificazione automatica attraverso l’estrazione di caratteri tessiturali e statistici discriminanti delle classi adottate. Il dato pancromatico è stato inoltre utilizzato in combinazione con il dato multispettrale per il calcolo del parametro ZABUD1, risultato particolarmente utile per l’identificazione delle classi urbane.

La combinazione di appropriate funzioni di appartenenza con il classificatore STD.N.N. ha permesso, rispetto alle classificazioni basate sull’utilizzo esclusivo di procedure Nearest Neighbour (Chirici e Corona, 2006), di ridurre al minimo il numero di poligoni di training da selezionare per la classificazione.

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 object oriented rispetto a quelle per interpretazione visuale. Tuttavia si tratta di tempi che tendono a ridursi, in termini relativi per unità di superficie, all’aumentare della dimensione dell’area cartografata, in quanto su di essi pesa soprattutto la fase iniziale di individuazione degli attributi e parametri ottimali del processo di classificazione.

In conclusione, l’applicazione di procedure automatiche di segmentazione e classificazione object oriented rispetto all’interpretazione visuale risulta vantaggiosa in termini di maggiore accuratezza e oggettività di lavoro intesa come replicabilità dei risultati. A scapito dell’applicazione in ambito operativo rimane l’elevato grado di professionalità da parte degli operatori e l’investimento iniziale per l’acquisto di software dedicato, fattori che, di fatto, selezionano l’utenza.

Ringraziamenti 

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).

References