PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Data classification based on photogrammetry

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Klasyfikacja danych w oparciu o materiały fotogrametryczne
Języki publikacji
EN
Abstrakty
EN
The aim of the paper was to classify data from aerial laser scanning and CIR digital images, which were orientated, connected and aligned by the Agisoft Photoscan software. Then, in order to distinguish the ground a point cloud was generated. This was to create a correct terrain mesh and, in consequence, an orthophotomap. The next stage is to develop a new point cloud using ArcGIS. The land cover from the images was combined with the ground mapped by LiDAR. New heights were calculated relative to the ground surface height 0. The point cloud was converted into a raster form, providing a normalized Digital Surface Model (nDSM). It was the first element of the output composition, which also consisted of the NIR and RED channels, acquired from the cloud point generated in Agisoft. The colour composition obtained in such way was subjected to four object-oriented and pixel-oriented classification methods: I – ISO Cluster, II – Maximum Likelihood, III – Random Trees, IV – Support Vector Machine. Object grouping is possible due to information stored in the display content. This technique is prompted by human ability of image interpretation. It draws attention to more variables, so effects similar to human perception of reality are possible to achieve. The unsupervised method is based on a process of automatic search for image fragments, which allows assigning them to individual categories by a statistical analysis algorithm. In turn, supervised method uses “training datasets”, which are used to “teach” the program assigning individual or grouped pixels to classes [Benz UC et al., 2004]. The area studied for land development was the Lutowiska municipality, in the Podkarpackie Voivodeship, Bieszczady County. As a result of the classification, 11 classes of terrain features were distinguished: class 0 – road infrastructure, class 1 – roads, class 2 – buildings, class 3 – waters, class 4 – meadows, class 5 – arable lands, class 6 – pastures, class 7 – high vegetation, class 8 – medium vegetation, class 9 – low vegetation, class 10 – quarry. The area of research covers an area of about 28 km2. Aerial images were made in 2015. Field vision and photopoint measurement was carried out in May 2018.
PL
Celem opracowania jest klasyfikacja danych na podstawie lotniczego skaningu laserowego oraz zdjęć cyfrowych CIR. Do opracowania posłużyło oprogramowanie Agisoft Photoscan, w którym dokonano zorientowania, połączenia i wyrównania zdjęć. Następnie wygenerowano z nich chmurę punktów, z której wydzielono grunt. Miało to na celu poprawne utworzenie siatki terenu, a w konsekwencji ortofotomapy. Kolejny etap pracy to utworzenie nowej chmury punktów przy wykorzystaniu programu ArcGIS. Pokrycie terenu ze zdjęć połączono z gruntem z LiDAR. Obliczono nowe wysokości względem powierzchni terenu, któremu nadano wysokość 0. Dokonano konwersji chmury punktów do postaci rastrowej, uzyskując Znormalizowany Numeryczny Model Pokrycia Terenu. Był to pierwszy element kompozycji wyjściowej, która składała się także z kanału NIR oraz RED, pozyskanych z chmury wygenerowanej w Agisoft. Otrzymaną w ten sposób kompozycję barwną poddano czterem metodom klasyfikacji obiektowej i pikselowej: I- ISO Cluster, II- Maximum Likelihood, III- Random Trees, IV- Support Vector Machine. Grupowanie obiektowe jest możliwe dzięki informacji zapisanej w treści zobrazowania. Technika ta wykorzystuje podejście zainspirowane zdolnością interpretacji obrazu przez człowieka. Zwraca uwagę na więcej zmiennych, dzięki czemu można uzyskać efekty zbliżone do postrzegania rzeczywistości przez ludzi. Metoda Unsupervised bazuje na procesie automatycznego wyszukiwania fragmentów obrazu i przyporządkowania ich do poszczególnych kategorii za pomocą algorytmu wykorzystującego analizę statystyczną. Z kolei Supervised wykorzystuje „pola treningowe”, za pomocą których „uczy” program, do której klasy przyporządkować pojedyncze, czy też zgrupowane piksele [Benz U. C. i in., 2004]. Obszarem poddanym analizie jest gmina Lutowiska, w województwie podkarpackim, powiecie bieszczadzkim, na której dokonano analizy zagospodarowania terenu. W wyniku klasyfikacji wyodrębniono 11 klas form terenu: klasa 0- infrastruktura drogowa, klasa 1- drogi, klasa 2- budynki, klasa 3- woda, klasa 4- łąki, klasa 5- grunty orne, klasa 6- pastwiska, klasa 7- roślinność wysoka, klasa 8- średnia roślinność, klasa 9- roślinność niska, klasa 10- kamieniołom. Obszar opracowania stanowi powierzchnię ok. 28 km2. Zobrazowania lotnicze zostały wykonane w 2015r. Wizję terenową oraz pomiar fotopunktów przeprowadzono w maju 2018r.
Rocznik
Tom
Strony
93--110
Opis fizyczny
Bibliogr. 7 poz., rys, tab.
Twórcy
  • Uniwersytet Rolniczy w Krakowie Katedra Geodezji Rolnej, Katastru i Fotogrametrii ul. Balicka 253a, 30-198 Kraków , rmpiech@cyf-kr.edu.pl
  • Politechnika Krakowska Katedra Wodociągów, Kanalizacji i Monitoringu Środowiska ul. Warszawska 24, 31-155 Kraków , tadeusz.zaba@interia.pl
  • Graduate of the Faculty of Environmental Engineering and Land Surveying
Bibliografia
  • Benz U.C., Hofmann P., Willhauck G., Lingenfelder I., Heynen M. 2004. Multiresolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry & Remote Sensing.
  • Everaerts J. 2008. The use of UAVs for remote sensing and mapping. ISPRS, Bejing.
  • Kurczyński Z. 2014. Fotogrametria. Wydawnictwo Naukowe PWN, Warszawa.
  • Nagao T. 1980. A structural analysis of complex aerial photographs. Tokio.
  • Pfeifer N. 2008. Strip Adjustment and DSM Computation, International School on Lidar Technology IIT Kanpur, India.
  • http://www.gugik.gov.pl/__data/assets/pdf_file/0020/23762/WYKLAD-9.pdf
  • http://progea.pl/satalitarny-skaning-laserowy-sls-satellite-laser-scanning/
Uwagi
Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-f81de5ba-8995-4815-bc73-61b757afa09f
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.