Détection automatisée des pistes

Étant donné une zone avec des dépressions dans la zone ouverte de; disent les véhicules tout-terrain roulant sur une surface molle Les véhicules provoqueront des dépressions (chemins) parallèles d'environ 10 à 20 centimètres de profondeur et d'environ 15 à 30 cm de largeur, avec des longueurs variant avec la robustesse de la surface.

Quelles plateformes de télédétection seraient pertinentes pour une analyse ultérieure? Quickbird, petits drones, lidar, photographie aérienne?
Existe-t-il des procédures disponibles dans les outils (FME / QGIS / ESRI / autres) qui peuvent être utilisées pour documenter les chemins?

Pour simplifier cette question, supposons que nous savons positivement qu'il n'y a pas d'autres chemins dans la zone ou qu'ils ont été filtrés hors de l'imagerie.

Une automatisation complète n'est pas nécessaire, et probablement même pas possible.

Ceci est un exemple de ce à quoi ressembleraient les pistes. entrez la description de l'image ici

— ragnvald
source

C'est une bonne question. Habituellement, je préfère deux plateformes - une pour trouver, une pour confirmer. Une dépression brune est plus susceptible d'être une ornière de roue, à l'inverse, les dépressions autres que les roues sont plus susceptibles d'être «vertes». LiDAR vous donnera le meilleur DEM pour trouver les dépressions et IR est le meilleur pour classer la végétation / non végétalisé. Sachez que le LiDAR, en fonction de nombreux facteurs, donnera des résultats différents là où l'eau s'est accumulée. Traditionnellement, ceux-ci seraient capturés uniquement à partir de la photographie, ce qui représente beaucoup d'heures de travail, mais vous devez peser le coût du travail par rapport à l'acquisition de données.

— Michael Stimson

Je suppose que votre objectif ultime est d'identifier les pistes hors route. Quelle est l'étendue de votre zone d'étude? Où est la zone d'étude?

— Aaron

Merci Aron, oui, c'est lié aux pistes hors route. Nous visons à les documenter pour obtenir une indication de l'étendue des dommages. Nous le limiterions probablement à une unité de gestion comme les réserves naturelles, les parcs nationaux ou similaires. Pour l'instant, nous essayons de comprendre nos options avant de concevoir un projet.

— ragnvald

Je ne suis pas sûr de LiDAR sur la neige (ne recevez pas beaucoup de cela dans le Queensland), les espaces ouverts sont beaucoup plus faciles à classer et vous pouvez vous en sortir avec des capteurs moins chers (moins de retours par impulsion) .. dans les zones fortement végétalisées, il il est impératif d'utiliser plusieurs retours par impulsion pour trouver le sol; la densité d'impulsion est la même mais moins de retours. Pour trouver vos sillons, l'espacement des points devra être assez fin (plus de 8 impulsions / m2), ce qui signifie un vol plus faible, plus de bandes, plus de coûts, plus de stockage, un temps de traitement plus long. Il pourrait être beaucoup moins cher de se faire photographier en Chine ou en Inde.

— Michael Stimson

Je devrais qualifier ma déclaration précédente, si vous devez acquérir des images LiDAR et multispectrales pour ce projet et que vous ne pouvez pas compenser le coût (co-achat avec une autre entreprise ou un service gouvernemental qui a des intérêts distincts dans le même domaine), le coût est va être élevé, probablement plus élevé que la capture, à condition que vous puissiez vous procurer de la main-d'œuvre à un faible taux. Je ne dis pas que c'est impossible, loin de là, ce serait très intéressant en tant que livre blanc, mais probablement pas l'option la moins chère.

— Michael Stimson

Je ne suis pas sûr que ce soit la meilleure solution pour votre objectif, mais mon expérience avec les données SAR suggère que ce pourrait être la bonne façon de trouver des pistes dans la savane et l'environnement sablonneux.

Le SAR étant un système d'imagerie cohérent, deux formes de détection de changement peuvent être envisagées, à savoir la détection de changement incohérente et cohérente. La détection de changement incohérent identifie les changements de la puissance moyenne de rétrodiffusion d'une scène généralement via une statistique de changement de rapport d'intensité moyenne (signal d'amplitude). La détection de changement cohérente, d'autre part, identifie les changements à la fois d'amplitude et de phase de l'imagerie transduite en utilisant la statistique de changement de cohérence de l'échantillon. La détection de changement cohérent a donc le potentiel de détecter des changements de scène très subtils dans la structure de diffusion cellulaire de sous-résolution qui peuvent être indétectables en utilisant des techniques incohérentes. En d'autres termes, des véhicules ou des traces d'animaux.

Grâce à la détection de changement de cohérence (CCD), vous pouvez obtenir une carte de phase cohérente (panchromatique). Le pixel blanc signifie un signal cohérent (aucun changement), le pixel noir signifie un signal incohérent (changements). Où vous pouvez trouver des pistes parallèles pour une durée d'intérêt, cela signifie que cela devrait être intéressant de faire plus d'investigation.

entrez la description de l'image ici

Bien sûr, cela dépend de la longueur d'onde de la phase et du facteur temps.
Les images SAR à répétition doivent cependant être acquises et traitées par interférométrie.

Il existe principalement 2 bons outils pour effectuer ce type d'analyse: Erdas avec Radar Mapping Suite et ENVI avec le module SarScape.

Mon appréciation est dépourvue d'aspects économiques.

— superifa
source

Cette méthode suppose qu'il y a des images montrant avant et après l'activité, étant donné que dans certains cas, nous n'aurons que des images (pancromatiques) de 5 ans, nous devrions nous attendre à beaucoup de bruit et cette méthode pourrait donc être problématique.

— ragnvald