Wpływ algorytmów scalania danych na wyniki kartowania pokrycia terenu - wybrane aspekty

• Autorzy: Pirowski T. , Garlewicz B. , Gryboś K.

Identyfikatory

DOI

10.14681/afkit.2018.005

Warianty tytułu

EN

The impact of various image data fusion methods on the results of land use and land cover mapping - selected aspects

• Języki publikacji: PL

Abstrakty

PL

W artykule dokonano waloryzacji wybranych metod scalania danych teledetekcyjnych o różnej rozdzielczości pod kątem ich przydatności do kartowania pokrycia i użytkowania terenu. Analizie poddano oryginalne dane Landsat ETM+ (30m), dane Landsat przeliczone do 5m z dodanym do zestawu kanałem IRS PAN 1D (5m) oraz dane Landsat i IRS PAN scalone czterema metodami: IHS, PCA, WMK i PL, charakteryzującymi się wyraźnie odmiennymi algorytmami integracji. Opracowanych w ten sposób sześć zestawów danych poddano klasyfikacji spektralnej metodami maksymalnego prawdopodobieństwa, drzew decyzyjnych i sieci neuronowych. Wyniki uzyskane na danych sprzed i po integracji zestawiono dodatkowo z analizami fotointerpretacyjnymi, wykonanymi równolegle do analiz klasyfikacyjnych. Testy potwierdziły przewagę metody fotointepretacyjnej nad wynikami klasyfikacji spektralnej, w zależności od zestawu danych, o 6-11% wartości dokładności całkowitej mapy pokrycia i użytkowania terenu. Scalenie danych poprawia ogólną dokładność klasyfikacji o 9% pomiędzy pracą na oryginalnym obrazie Landsat (30m) a zintegrowanym Landsat z IRS (5m), pozwalając uzyskać dokładność 64%. Dla metody fotointerpretacyjnej wzrost dokładności wynosi 6%, osiągając 71%. Wybór metody integracji jest drugorzędny - zróżnicowanie wyników w metodzie fotointerpretacyjnej wynosi 1%, dla metod klasyfikacyjnych około 5% (najlepsza - PL; najgorsza - IHS). Znaczenie dla wyników klasyfikacji ma wybór algorytmu: z wszystkich testowanych zestawów danych najlepsze wyniki uzyskano dla sieci neuronowych (64%), następnie dla drzew decyzyjnych (62%) i metody największego prawdopodobieństwa (59%).

EN

The article valorises selected methods of merging remote sensing data of different resolution in terms of their suitability for mapping land use and land cover. The original Landsat data (30m) was analyzed, Landsat data converted to 5m with IRS PAN 1D (5m) added to the set and Landsat and IRS PAN data merged with four methods: IHS (transformation into space intensity, hue, saturation), PCA (principal components analysis), WMK (Wiemker's method) and PL (laplace pyramid), characterized by distinctly different integration algorithms . Six sets of data developed in this way were subjected to spectral classification by maximum probability methods, decision trees and neural networks. The results obtained on the data from before and after the integration were additionally compiled with photointerpretation analyzes, made in parallel to the classification analyzes. The research area was the city of Kraków with adjacent suburban areas, 10x20 km in size. For the research objective being pursued, 5 reference squares 500m x 500m were prepared, ensuring diversity and representativeness for the entire analysis area. The reference data was based on a photo interpretation aerial photographs with a field pixel size of 0.75m. The tests confirmed the predominance of the photo interpretation method over the results of spectral classification, depending on the data set, by 6-11% of the accuracy value of the total land use and land cover maps. Merging data improves the overall accuracy of the 9% classification between work on the original Landsat image (30m) and the integrated Landsat with IRS (5m), allowing for an accuracy of 64%. For the photointerpretation method, the increase is 6%, reaching the accuracy of 71%. The choice of the method of integration is secondary - the variation in results in the photointerpretation method is 1%, for classification methods about 5% (best - PL, worst - IHS). The choice of the algorithm is important for classification results: of all the tested data sets, the best results were obtained for neural networks (64%), then for decision trees (62%) and the maximum probability method (59%).

Słowa kluczowe

PL

integracja danych teledetekcyjnych; klasyfikacja; fotointerpretacja; pokrycie i użytkowania terenu

EN

image fusion; visual interpretation; classification; LULC

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2018
• Tom: vol. 30
• Strony: 67--82
• Opis fizyczny: Bibliogr. 34 poz.

Twórcy

autor

Pirowski T.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, Wydział Geodezji Górniczej i Inżynierii Środowiska, AGH Akademia Górniczo – Hutnicza

autor

Garlewicz B.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, Wydział Geodezji Górniczej i Inżynierii Środowiska, AGH Akademia Górniczo – Hutnicza

autor

Gryboś K.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, Wydział Geodezji Górniczej i Inżynierii Środowiska, AGH Akademia Górniczo–Hutnicza

Bibliografia

• 1. Aiazzi B., Alparone L., Argenti F., Baronti S., 1999. Wavelet and pyramid techniques for multisensor data fusion: a performance comparison varying with scale ratios. The EOS/SPIE Symposium on Remote Sensing, Genua.
• 2. Aiazzi B., Baronti S., Selva M., 2007. MS and Pan image fusion by an enhanced Gram-Schmidt spectral sharpening. New Developments and Challenges in Remote Sensing, Z. Bochenek (red.). Millpress, Rotterdam.
• 3. Ashraf S., Brabyn L., i Hicks B. J., 2012. Image data fusion for the remote sensing of freshwater environments. Applied Geography, 32(2), 619-628.
• 4. Bochenek, Z., 2006. Analiza metod klasyfikacji obszarów miejskich zobrazowanych na wysokorozdzielczych zdjęciach satelitarnych. Prace IGiK, Tom LII, zeszyt 110.
• 5. Borkowski A., Głowienka E., Hejmanowska B., Kwiatkowska-Malina J., Kwolek M., Michałowska K., Mikrut S., Pękala A., Pirowski T., Zabrzeska-Gąsiorek B., 2015. GIS i teledetekcja w monitoringu środowiska E. Głowienka (red.), Wyższa Szkoła Inżynieryjno-Ekonomiczna, Rzeszów.
• 6. Chavez P. S., Jr., S. C. Sides, J. A. Anderson, 1991. Comparison of three different methods to merge multiresolution and multispectral data: Landsat TM and SPOT panchromatic. Photogrammetric Engineering and Remote Sensing, 57(3), 295-303.
• 7. Congalton, R. G., 1997. Exploring and Evaluating the Consequences of Vector-to-Raster and Raster-to-Vector Conversion. Photogrammetric Engineering and Remote Sensing, 63(4), 425-434.
• 8. Ehlers M., Klonus S., Johan Ã., Strand P., Rosso P., 2010. Multi-sensor image fusion for pansharpening in remote sensing. International Journal of Image and Data Fusion, 1(1), 25-45.
• 9. Garzelli, A., Nencini, F., Alparone, L., Aiazzi, B., Baronti. S., 2004. Pan-sharpening of Multispectral Images: a Critical Review and Comparison. IEEE Geoscience and Remote Sensing Letters, vol.1, No. 1, s. 81-84
• 10. Haydn R., Dalke G. W., Henkel J., Bare J. E., 1982. Application of the MS Color Transform to the Processing of Multisensor Data and Image Enhancement, Proceedings of the International Symposium on Remote Sensing of Arid and SemiArid Lands, Cairo, Egypt, pp. 599-616
• 11. Hejmanowska B., 2005. Wpływ jakości danych na ryzyko procesów decyzyjnych wspieranych analizami GIS. Rozprawa monograficzna nr. 141, AGH, Kraków
• 12. Hill J., Diemer C., Stöver O., Udelhoven Th., 1999. A local correlation approach for the fusion of remote sensing data with different spatial resolutions in forestry applications. International Archives of Photogrammetry and Remote Sensing, 32.
• 13. Iwaniak, A., Krówczyńska, M., Paluszyński, W., 2002. Użycie sieci neuronowych do klasyfikacji obszarów miejskich na zdjęciach satelitarnych. Acta Scientiarum Polonorum. Geodesia et Descriptio Terrarum, 1(1-2), 5-13.
• 14. Krętowski, M., Bobrowski Ł., 2002. Generowanie wielowymiarowych drzew decyzyjnych na podstawie zbiorów danych.[w:] Stepaniuk J. (red.) Zeszyty Naukowe Politechniki Białostockiej „Informatyka”. Zeszyt 1. Wyd. Politechniki Białostockiej.
• 15. Mularz S., Pirowski T., 2006. Aspekty metodyczne integracji danych teledetekcyjnych w oparciu o metodę IHS i jej modyfikacje. AGH, „Geodezja”, T.12, z.2, cz.1, 330-332.
• 16. Nikolakopoulos K. G., 2008. Comparison of nine fusion techniques for very high resolution data. Photogrammetric Engineering & Remote Sensing, 74(5), 647-660.
• 17. Osińska-Skotak K., 2012. Ocena przydatności różnych metod integracji obrazów panchromatycznych i wielospektralnych w odniesieniu do zobrazowań WorldView 2. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 24, 231-244.
• 18. Pirowski T., 2006. Integracja danych teledetekcyjnych pochodzących z różnych sensorów – propozycja kompleksowej oceny scalonych obrazów. Geoinformatica Polonica, 8, 59-75.
• 19. Pirowski T., 2009. Ranking metod integracji obrazów teledetekcyjnych o różnej rozdzielczości – ocena formalna scalenia danych Landsat TM i IRS-PAN. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 20, 343-357.
• 20. Pirowski T., 2010. Ranking metod integracji obrazów teledetekcyjnych o różnej rozdzielczości – ocena walorów fotointerpretacyjnych scalenia danych Landsat TM. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 21, 327-340.
• 21. Pirowski T., Szczasiuk G., 2013. Selekcja i przetwarzanie wzmocnionych przestrzennie obrazów wielospektralnych Landsat TM – porównanie wyników opartych o dane scalone i dane źródłowe. Archiwum Fotogrametrii, Kartografii i Teledetekcji, 25, 155-167.
• 22. Pohl C., van Genderen J. L., 1998. Multisensor image fusion in remote sensing: concepts, methods and applications. International Journal Remote Sensing, 19., 823-854.
• 23. Ranchin T., Wald L., 2000. Comparison of different algorithms for the improvement of the spatial resolution of images. Fusion of Earth Data, Sophia Antipolis, France
• 24. Raptis V. S., Vaughan R. A., Ranchin T., Wald L., 1998. An assessment of different data fusion methods for the classification of an urban environment. Fusion of Earth
• 25. Rockinger O., Fechner T., 1998. Pixel-level image fusion: the case of image sequences. Proceedings SPIE, Vol. 3374.
• 26. Shettigara V. K., 1992. A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set. Photogrammetric Engineering & Remote Sensing, 58, 561-567.
• 27. Schowengerdt R. A., 1980. Reconstruction of multispatial, multispectral image data using spatial frequency content. Photogrammetric Engineering & Remote Sensing, 46 (10)
• 28. Shymala R., Kumaran T. V., Marino L., Howarth P., 1994. Classification methods for Land Cover Mapping, SPIE vol. 2231.
• 29. Tadeusiewicz, R., 1993. Sieci neuronowe. Warszawa: Akademicka Oficyna Wyd. RM.
• 30. Wald L., 2000. Quality of high resolution synthesized images: is there a simple criterion? Fusion of Earth Data, Sophia Anipolis, France.
• 31. Wiemker R., Prinz B., Meister G., Franck R., Spitzer H., 1998. Accuracy assessment of vegetation monitoring with high spatial resolution satellite imagery. Contribution to the ISPRS ECO BP’98, Budapest.
• 32. Witharana C., Civco D., Meyer T. H., 2013. Evaluation of pansharpening algorithms in support of earth observation based rapid-mapping workflows. Applied Geography, 37, 63-87.
• 33. Xiao G., Jing Z. L., Li J. X., 2003. Analysis of color distortion and improvement for IHS image fusion. Intelligent Transportation Systems, 1, 80-85
• 34. Zhang Y., 1999. A new merging method and its spectral and spatial effects. International Journal of Remote Sensing, 20(10).