Μεθοδολογία σύνθεσης δεδομένων AIS και Τηλεπισκόπησης

Abstract

Η παρούσα εργασία προτείνει μια μεθοδολογία σύνθεσης γεωχωρικών ναυτιλιακών δεδομένων με δεδομένα εντοπισμού αντικειμένων στη θάλασσα από εικόνες δορυφορικού ραντάρ. Ο εντοπισμός στόχων στη θάλασσα σε εικόνες ραντάρ πραγματοποιείται με τη μέθοδο Constant False Alarm Rate και την παραδοχή ότι η οπισθοσκέδαση της επιφάνειας της θάλασσας όπως καταγράφεται στο ραντάρ ακολουθεί κατανομή k. Ο εντοπισμός σε εικόνες ραντάρ έγινε σε δύο περιοχές μελέτης. Η κυρίως περιοχή καλύπτει θαλάσσια περιοχή στη δυτική ακτή των ΗΠΑ και η δεύτερη αποτελεί τμήμα του Αιγαίου Πελάγους στην Ελλάδα. Για το Αιγαίο Πέλαγος δεν διατίθεται σύνολο γεωχωρικών δεδομένων ναυτιλίας. Εξετάστηκε εάν η έντονη μορφολογία του Αιγαίου Πελάγους επηρεάζει τα αποτελέσματα του αυτόματου εντοπισμού στόχων σε εικόνες δορυφορικού ραντάρ. Τα δύο είδη δεδομένων συνδυάστηκαν με σκοπό την επαλήθευση των αποτελεσμάτων του αλγορίθμου εντοπισμού στόχων. Επιπρόσθετα, εντοπισμός στόχων πραγματοποιήθηκε και με αλγόριθμο που κάνει την παραδοχή μιας Gaussian κατανομής. Δεν αποτελεί στόχο της εργασίας η σύγκριση των δύο μεθόδων. Από τα αποτελέσματα προκύπτει ότι η έντονη μορφολογία σε μια περιοχή μελέτης αποτελεί εν δυνάμει πηγή σφαλμάτων κατά τον αυτόματο εντοπισμό στόχων σε εικόνες δορυφορικού ραντάρ. Όλα τα λογισμικά και δεδομένα που χρησιμοποιήθηκαν είναι δωρεάν και διαθέσιμο στον Παγκόσμιο Ιστό

This study presents a methodology for fusion of SAR ship detection and vessel self – reporting data. The detection method used was Constant False Alarm Rate with the assumption of k - distributed sea clutter. Ship detection was applied on SAR images in two Areas of Interest (AoI). The main Area of Interest is an oceanic region offshore California, US. The second is central Aegean Archipelago in the Mediterranean. Unfortunately, no solid AIS dataset was available for this region. Still an attempt was made to examine whether the intense topography of the Aegean influences SAR ship detection. Ship detection results were fused with vessel self – reporting data (AIS) for validation purposes. Complementary, ship detection was also run with a CFAR detector that assumes a Gaussian distribution. The present work is not a comparative study of the two CFAR implementations. The results indicate that irregular topography in a study area potentially gives rise to false maritime object detections in SAR images. Finally, all the software tools and datasets used are freely available on the World Wide Web.