Detección automatizada de pistas

Dado un área con depresiones en área abierta desde; digamos vehículos todo terreno que conducen sobre una superficie suave. Los vehículos causarán depresiones paralelas (caminos) de aproximadamente 10-20 centímetros de profundidad y alrededor de 15-30 cm de ancho, con longitudes que varían con la robustez de la superficie.

¿Qué plataformas de teledetección serían relevantes para un análisis posterior? Quickbird, drones más pequeños, lidar, fotografía aérea?
¿Hay algún procedimiento disponible en las herramientas (FME / QGIS / ESRI / otro) que pueda usarse para documentar las rutas?

En aras de simplificar esta pregunta, supongamos que sabemos positivamente que no hay otros caminos en el área, o que se han eliminado de las imágenes.

La automatización completa no es necesaria, y probablemente ni siquiera sea posible.

Este es un ejemplo de cómo se verían las pistas. ingrese la descripción de la imagen aquí

— ragnvald
fuente

Buena pregunta. Por lo general, prefiero dos plataformas: una para encontrar y otra para confirmar. Una depresión que es marrón es más probable que sea una rutina de la rueda, a la inversa, las depresiones que no son de la rueda son más propensas a ser 'verdes'. LiDAR le dará el mejor DEM para encontrar depresiones e IR es el mejor para clasificar vegetación / no vegetada. Tenga en cuenta que LiDAR, dependiendo de muchos factores, dará resultados diferentes donde el agua se haya acumulado. Tradicionalmente, estos se capturarían solo de la fotografía, que requiere muchas horas de trabajo, pero hay que sopesar el costo de la mano de obra frente a la adquisición de datos.

— Michael Stimson

Supongo que su objetivo final es identificar pistas todoterreno. ¿Cuál es el alcance de su área de estudio? ¿Dónde está el área de estudio?

— Aaron

Gracias Aron, sí, está relacionado con las pistas todoterreno. Nuestro objetivo es documentarlos para obtener una indicación del alcance de cualquier daño. Probablemente lo limitemos a alguna unidad de gestión como reservas naturales, parques nacionales o similares. Por ahora estamos tratando de descubrir nuestras opciones antes de diseñar un proyecto.

— ragnvald

No estoy seguro sobre LiDAR en la nieve (no hay mucho de eso en Queensland), los espacios abiertos son mucho más fáciles de clasificar y puedes escapar con sensores más baratos (menos retornos por pulso) ... en áreas con mucha vegetación Es imperativo utilizar múltiples retornos por pulso para encontrar el suelo; la densidad del pulso es la misma pero menos retornos. Para encontrar sus surcos, el espacio entre puntos tendrá que ser bastante fino (más de 8 pulsos / m2), lo que significa menor vuelo, más tiras, más costo, más almacenamiento, más tiempo de procesamiento. Podría ser mucho más barato obtener la captura de una fotografía realizada en China o India.

— Michael Stimson

Debería calificar mi declaración anterior, si tiene que adquirir LiDAR e imágenes multiespectrales para este proyecto y no puede compensar el costo (co-compra con otra compañía o departamento gubernamental que tiene intereses separados en la misma área) el costo es va a ser alto, probablemente más alto que la captura, siempre que pueda obtener mano de obra a una tasa baja. No digo que sea imposible, lejos de eso, sería muy interesante como documento técnico, probablemente no sea la opción más barata.

— Michael Stimson

No estoy seguro de que pueda ser la mejor solución para su objetivo, pero mi experiencia con datos SAR sugiere que podría ser la forma correcta de encontrar pistas en Savannah y en entornos arenosos.

Como el SAR es un sistema de imagen coherente, se pueden considerar dos formas de detección de cambio, a saber, la detección de cambio incoherente y coherente. La detección de cambio incoherente identifica cambios en la potencia media de retrodispersión de una escena, típicamente a través de una estadística de cambio de relación de intensidad promedio (señal de amplitud). La detección de cambio coherente, por otro lado, identifica cambios tanto en la amplitud como en la fase de las imágenes transducidas utilizando la estadística de cambio de coherencia de la muestra. Por lo tanto, la detección de cambio coherente tiene el potencial de detectar cambios de escena muy sutiles en la estructura de dispersión celular de sub-resolución que pueden ser indetectables usando técnicas incoherentes. En otras palabras, vehículos o huellas de animales.

Gracias a la detección de cambio de coherencia (CCD) puede obtener un mapa coherente de fase (pancromático). El píxel blanco significa señal coherente (sin cambios), el píxel negro significa señal incoherente (cambios). Donde puede encontrar pistas paralelas para un período de interés, significa que debería ser interesante más investigación.

ingrese la descripción de la imagen aquí

Por supuesto, depende de la longitud de onda de la fase y el factor tiempo.
Sin embargo, las imágenes SAR de repetición de paso deben adquirirse y procesarse interferométricamente.

Principalmente hay 2 buenas herramientas para realizar este tipo de análisis: Erdas con Radar Mapping Suite y ENVI con el módulo SarScape.

Mi evaluación carece de aspectos económicos.

— superifa
fuente

Este método supone que hay imágenes que muestran actividad previa y posterior. Dado que en algunos casos solo tendremos imágenes de 5 años (pancromáticas), deberíamos esperar mucho ruido y, por lo tanto, este método podría ser problemático.

— ragnvald