Wyniki wyszukiwania - BazTech

1

Klasyfikacja zorientowana obiektowo w inwentaryzacji obiektów Zielonej Infrastruktury na przykładzie dzielnicy Ursynów w Warszawie

Pyra M., Adamczyk J.

Teledetekcja Środowiska

|

2018

|

T. 59

29--49

PL

Zielona Infrastruktura jest koncepcją zintegrowanego podejścia do funkcjonalnego i przestrzennie powiązanego planowania obszarów zurbanizowanych wraz z ochroną elementów środowiska, która na przestrzeni ostatnich lat została doceniona przez podmioty odpowiedzialne za planowanie przestrzenne. Niniejsza praca przedstawia możliwości wykorzystania przetworzeń zobrazowań satelitarnych metodami klasyfikacji obiektowej w inwentaryzacji, planowaniu i monitorowaniu obiektów Zielonej Infrastruktury. Do tego celu wykorzystano zobrazowanie satelitarne pozyskane przez satelitę Pleiades w maju 2012 roku, reprezentujące obszar części dzielnicy Ursynów m.st. Warszawy. Wykorzystane w pracy metody klasyfikacji obiektowej wykazały wysoką efektywność w realizacji założonych zadań.

EN

Green Infrastructure is a conception of an integrated approach to functional and spatially related planning of urban areas, along with environmental protection, which in recent years has been appreciated by spatial planning specialists. This study presents the capabilities of using satellite image processing with Geographic Object-Based Image Analysis methods in the inventory, planning and monitoring of Green Infrastructure objects. For this purpose, a satellite image acquired by the Pleiades satellite in May 2012, representing the area of a part of the Ursynów district of the capital city of Warsaw, was used. The object-oriented classification methods used in this work showed high effectiveness in the implementation of the tasks defined.

2

Analysis of land use and land cover maps suitability for modeling population density of urban areas – redistribution to new spatial units based on the object classification of rapideye data

Pirowski T., Wietrzykowska K., Timek M.

Geoinformatica Polonica

|

2018

|

T. 17

65--75

EN

The series of articles contains a comparison of the use of information on building zones from three sources for dasymetric population mapping: from the Corine Land Cover project (CLC), from the Urban Atlas project (UA) and from the object classifi cation (OBIA) of the RapidEye data. These sources are characterized by varying spatial and thematic accuracy as well as a diff erent methodology of building separation. The experiment was carried out in the area of Kraków, using statistical data from 141 urban units (u.u.) of the city. In the fi rst part of the cycle, population conversions were presented based on the Corine Land Cover (CLC) and Urban Atlas (UA) databases. The second part presents the methodology of mapping construction zones, divided into several categories, by means of object classifi cation (OBIA). The classifi cations were carried out on four RapidEye satellite images. The developed map is the basis for the population calculation in three variants: binary method, and two surface-weight aggregation methods, where the proportions of population density for diff erent building categories are calculated by minimizing square error (RMSE) and percentage (MAPE) in census units. The obtained results of the population distribution indicate the need to determine the function of development. Therefore, in addition, experiments were carried out combining OBIA results with the LULC map of the UA project. From the experiments it appears that from the tested six variants of population mapping the best is the surface-weight method based on OBIA+UA (RMSE = 4,270 people/u.u., MAPE = 75%.). Binary method based on OBIA+UA results at RMSE = 4540 people/u.u., MAPE = 108%. Results with the use of OBIA, without correction of building functions with UA, are incorrect (RMSE: 5958–7987 people/u.u., MAPE: 2262%–6612 %). In the subsequent parts of the publication cycle, the results obtained so far will be compared: three CLC-based maps, three UA-based maps, six maps based on OBIA / OBIA+UA. To verify the population map, a detailed reference map of the Bronowice district will be used as well as a 1-kilometer GUS grid. A discussion will be conducted related to the use of RMSE and MAPE parameters in the process of results optimization. A ranking of methods and recommendations will be developed to improve the results of population conversion based on CLC, UA and OBIA.

PL

Cykl artykułów zawiera porównanie możliwości wykorzystania do kartowania ludności informacji o strefach zabudowy z trzech źródeł: z projektu Corine Land Cover (CLC), z projektu Urban Atlas (UA) oraz z wyniku klasyfikacji obiektowej (OBIA) danych RapidEye. Źródła te charakteryzują się różną dokładnością przestrzenną i tematyczną oraz różną metodologią wyodrębniania zabudowy. Eksperyment przeprowadzono na obszarze Krakowa, wykorzystując dane statystyczne ze 141 jednostek urbanistycznych miasta. W pierwszej części cyklu zaprezentowano przeliczanie populacji w oparciu o bazy danych Corine Land Cover (CLC) oraz Urban Atlas (UA). W drugiej części przedstawiono metodykę kartowania stref zabudowy, z podziałem na kilka jej kategorii, za pomocą klasyfikacji obiektowej (OBIA). Klasyfikacje przeprowadzono na czterech zmozaikowanych obrazach satelitarnych RapidEye. Opracowana mapa stanowi podstawę do dazymetrycznego przeliczenia ludności w trzech wariantach: binarnym, oraz dwóch powierzchniowo-wagowych, gdzie proporcje zagęszczenia ludności dla różnych kategorii zabudowy obliczane są poprzez minimalizację błędu kwadratowego (RMSE) i procentowego (MAPE) w jednostkach spisowych. Uzyskane wyniki rozkładu ludności wskazują na potrzebę określenia funkcji zabudowy. Dlatego dodatkowo wykonano eksperymenty łączące wyniki OBIA z mapą LULC projektu UA. Z eksperymentów wynika, że z testowanych sześciu kartowania ludności najlepszym jest metoda powierzchniowo-wagowa oparta o OBIA+UA (RMSE=4270os., MAPE=75%.). Metoda binarna oparta o OBIA+UA notuje wyniki na poziomie RMSE=4540os., MAPE =108% Wyniki z zastosowaniem OBIA, bez korekcji funkcji zabudowy przy pomocy UA, są błędne (RMSE: od 5958–7987os., MAPE: 2262%–6612%). W kolejnych częściach cyklu publikacji zostaną porównane dotychczas uzyskane wyniki: trzy mapy oparte o CLC, trzy mapy oparte o UA, sześć map opartych o OBIA/ OBIA+UA. Do weryfikacji map populacji zostanie użyta szczegółowa mapa referencyjna dzielnicy Bronowice oraz kilometrowa siatka GUS. Przeprowadzona będzie dyskusja związana ze stosowaniem parametrów RMSE i MAPE w procesie optymalizacji wyników. Opracowany zostanie ranking metod oraz rekomendacje zmierzające do uzyskania poprawy wyników przeliczania ludności w oparciu o CLC wariantów, UA i OBIA.

3

Determination of the number of trees in the Bory Tucholskie National Park using crown delineation of the canopy height models derived from aerial photos matching and airborne laser scanning data

Wężyk P., Hawryło P., Szostak M.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2016

|

Vol. 28

137--156

EN

In recent years the term "precise forestry" has been used more and more often, referring to a modern and sustainable model of forest management. Functioning of such management of wood biomass resources is based, among others, on precisely defined and log-term monitored selected forest taxation parameters of single trees and whole forest stands based on modern geoinformation technologies, including Airborne Laser Scanning (ALS) and digital photogrammetry. The purpose of the work was the analysis of the usefulness of the CHM (Canopy Height Model) generated from the image-based point cloud or ALS technology to define the number of trees using the method of the segmentation of single Scots pine (Pinus sylvestris L.) crowns. The study was carried out in the Scots pine stands located in the Bory Tucholskie National Park (Poland). Due to the intentional lack of certain silviculture treatments, over the recent decades, these forest stands have been characterized by relatively high tree density, compared to managed forests. The CHM was generated from digital airborne photos (CIR composition; GSD 0.15 m) and on the other hand - from the ALS point clouds (4 points/m2 ; ISOK project). To generate point clouds from airborne photos using stereomatching method, the PhotoScan Professional (Agisoft) software was applied. The CHM coming from the Image-Based Point Cloud (CHM_IPC; GSD: 0.30 m) and ALS data (CHM_ALS; GSD: 0.75 m) were generated using FUSION (USDA Forest Service) software. The segmentation of tree crowns was carried out in eCognition Developer (TRIMBLE GeoSpatial) software. Apart from height models, also spectral information was used (so-called true CIR orthophotomaps; GSD: 0.3 and 0.75 m). To assess the accuracy of the obtained results, the ground truth data from 248 reference areas were used. The carried out analyses showed that in forest stands of younger age classes (< 120 years) better results were achieved applying the method of image matching (CHM_IPC), while in the case of older stands (> 120 years) the accuracy of the detection rate of tree crowns was the highest when CHM_ALS model was applied. The mean percentage error (defined by the number of trees, based on the detection of single pine crowns), calculated based on 248 ground truth areas was 0.89%, which shows a great potential of digital photogrammetry (IPC) and GEOBIA. In case of almost full nationwide cover in Poland of airborne digital images (present IPC models) and ALS point clouds (DTM and DSM), at almost 71% forest stands in the Polish State Forests National Forest Holding (PGL LP), one can assume wide application of geodata (available free of charge) in precise modelling of selected tree stand parameters all over Poland.

PL

W ostatnich latach coraz częściej w odniesieniu do nowoczesnej i zrównoważonej gospodarki leśnej używa się terminu "precyzyjne leśnictwo". Funkcjonowanie takiego modelu zarządzania zasobami biomasy drzewnej opiera się m.in. na dokładnie określonych i monitorowanych cyklicznie wybranych parametrach taksacyjnych drzewostanów i pojedynczych drzew w oparciu o nowoczesne technologie geoinformacyjne, w tym lotnicze skanowanie laserowe (ang. ALS) oraz fotogrametrię cyfrową. Celem pracy była analiza przydatności Modelu Koron Drzew (ang. CHM) generowanego z chmur punktów pochodzących z automatycznego dopasowania cyfrowych zdjęć lotniczych (ang. Image-Based Point Cloud) lub z technologii ALS w celu określania liczby drzew metodą segmentacji pojedynczych koron sosen. Badania realizowano w drzewostanach sosnowych (Pinus sylvestis L.) na obszarze Parku Narodowego "Bory Tucholskie". Drzewostany te poprzez celowe zaniechanie w ostatnich dekadach pewnych zabiegów hodowlanych charakteryzowały się stosunkowo dużym zagęszczeniem drzew w porównaniu do drzewostanów gospodarczych. Model Koron Drzew wygenerowano w jednym wariancie ze zdjęć lotniczych CIR (GSD 0.15 m) a w drugim z chmur punktów ALS (4 pkt/m2 ; CODGiK ISOK). Do generowania chmur punktów ze zdjęć lotniczych metodą dopasowania zastosowano oprogramowanie Photoscan Professional (Agisoft). Modele Koron Drzew pochodzące z dopasowania zdjęć lotniczych (CHM_IPC; GSD: 0.30 m) oraz z danych ALS (CHM_ALS; GSD: 0.75 m) zostały wygenerowane w oprogramowania FUSION (USDA Forest Service). Segmentację koron prowadzono w oprogramowaniu eCognition Developer. Oprócz modeli wysokościowych wykorzystano także informację spektralną (tzw. prawdziwe ortofotomapy CIR; GSD: 0.3 i 0.75 m). Do oceny dokładności otrzymanych wyników wykorzystano dane pochodzące z 248 powierzchni referencyjnych. Przeprowadzona analiza wykazała, że w drzewostanach młodszych klas wieku (< 120 lat), lepsze wyniki można osiągnąć stosując metody dopasowania zdjęć (CHM_IPC) natomiast w drzewostanach starszych (> 120 lat) dokładność wykrywania koron drzew jest najwyższa przy stosowaniu wariantu CHM_ALS. Średni błąd procentowy określania liczby drzew w oparciu o detekcję pojedynczych koron sosen obliczony na podstawie 248 powierzchni referencyjnych wyniósł 0.89% co świadczy o ogromnym potencjale fotogrametrii cyfrowej (metod dopasowania zdjęć) oraz analizy obrazu (OBIA; Object-Based Image Analysis). W aspekcie niemal całkowitego pokrycia kraju danymi ALS oraz blisko 70% udziału drzewostanów sosnowych w Lasach Państwowych można założyć szerokie wykorzystanie tych nieodpłatnie dostępnych geodanych w celu zbudowania modelu precyzyjnego leśnictwa dla obszaru całego kraju.

4

Wykorzystanie danych fotogrametrycznych do inwentaryzacji zieleni na terenach zurbanizowanych

Kubalska J., Preuss R.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2014

|

Vol. 26

75--86

PL

Niniejszy artykuł omawia metodykę wykonania inwentaryzacji zieleni na obszarze zurbanizowanym z wykorzystaniem danych fotogrametrycznych w postaci „prawdziwej” barwnej ortofotomapy (trueortho) w podczerwieni (CIR) oraz Numerycznego Modelu Pokrycia Terenu (NMPT) utworzonego z danych pochodzących z lotniczego skaningu laserowego (ALS) lub alternatywnie z automatycznej korelacji obrazów zdjęć lotniczych. Proces inwentaryzacji zieleni został przeprowadzony metodą klasyfikacji na podstawie analizy cech zawartych w pikselach georeferencyjnego trueortho z jednoczesnym uwzględnieniem danych wysokościowych NMPT w postaci grid. Dla przeprowadzenia tej klasyfikacji zastosowano oprogramowanie Erdas Imagine. Właściwy proces klasyfikacji był poprzedzony utworzeniem danych wejściowych do tego zadania. Dane te uzyskano w wyniku przetwarzania cyfrowych zdjęć lotniczych wykonanych kamerą UltraCam firmy Vexcel o rozdzielczości terenowej GSD = 10cm oraz chmury punktów pozyskanych techniką ALS. Przetwarzanie to obejmowało wygenerowanie Numerycznego Modelu Terenu w środowisku SCOP++ oraz Numerycznego Modelu Pokrycia Terenu w środowisku Opals i Inpho. Porównanie utworzonych NMPT z dwóch różnych źródeł danych wykazało ich pełną spójność i jednorodność oraz możliwość zastosowania obydwu modeli do generowania produktu trueortho z cyfrowych zdjęć lotniczych. Prace wykonano na fotogrametrycznej stacji cyfrowej INPHO. „Prawdziwą” cyfrową ortofotomapę generowano zarówno ze zdjęć czarnobiałych w podczerwieni (NIR) jak i zdjęć barwnych (CIR). Przeprowadzona klasyfikacja zieleni w oprogramowaniu Erdas Imagine dowiodła, iż oprogramowanie to w zupełności nadaje się do przeprowadzenia klasyfikacji na podstawie cech zawartych w pikselach z jednoczesną analizą danych wysokościowych. Wykorzystanie równoczesne zarówno danych z lotniczego skaningu laserowego jak i zdjęć barwnych w podczerwieni pozwoliło na wykonanie dokładnej klasyfikacji zieleni na bardzo trudnym terenie, jakim jest zabudowany obszar miejski. Rezultaty klasyfikacji poddano ocenie dokładności poprzez ich wizualną weryfikację w aplikacji Google Street View. W czasach, gdy platformy lotnicze posiadają na swoim pokładzie jednocześnie rejestrujące dwa sensory t.j. wysokorozdzielczą kamerę cyfrową oraz skaner laserowy fuzja danych staje się powszechnie stosowaną metodą. Dzięki temu możliwe jest połączenie zalet obydwu typów danych, a przeprowadzona inwentaryzacja roślinności na obszarze miasta jest jednym z wielu możliwych zastosowań połączenia danych ALS i CIR.

EN

This paper discusses the methodology of the implementation of an inventory of vegetation in an urban area using photogrammetric data in the form of color NIR "true-orthophotomap" (true-ortho) and the digital surface model (DSM) created with data from airborne laser scanning, or alternatively, with an automatic correlation of images. The vegetation inventory was conducted by classification on the basis of the characteristics contained in pixels of georeferenced true-ortho while taking into account the elevation data in the form of gridded DSM. To carry out the classification Erdas Imagine software was used. The correct classification process was preceded by the creation of the input data for this task. This data was obtained from the processing of digital aerial photos taken by a Vexcel UltraCam camera with the ground resolution GSD = 10cm and point clouds acquired from ALS. This processing included the generation of digital terrain model in the SCOP++ environment and the digital surface model in an Opals and Inpho environment.The Comparison of DSM created from two different sources of data showed the overall consistency and uniformity and the ability to use both models to generate a true-ortho product from digital aerial photographs. The work was performed on an INPHO photogrammetric workstation. "True-ortho" was generated from both the black and white NIR images and colour images. The classification carried out with the Erdas Imagine software proved that this software is suitable for classification based on the features extracted from the pixels with the simultaneous analysis of elevation data. Simultaneous use of data both from airborne laser scanning and colour infrared images made it possible to make an exact classification of vegetation on very difficult terrain, like built up urban areas. The results of the classification accuracy were evaluated by the visual verification in Google Street View application. At a time when airborne platforms are equipped by both sensors, ie high resolution digital camera and laser scanner, data fusion is a commonly used approach. This makes it possible to combine the advantages of both types of data, and carrying out an inventory of the vegetation in the town area is one of many possible applications of the combined data from ALS and CIR.

5

Hybrid approach for mapping wetland habitats based on application of VHR satellite images

Bochenek Z., Shrestha S., Malek I.

Geoinformation Issues

|

2013

|

Vol. 5, no. 1(5)

21--28

EN

The article presents results of work aimed at developing methods for classifying wetland habitats, based on different types of satellite data and on various classification approaches. Very high resolution WorldView-2 satellite images were used for the research work as basic input data. An object-oriented, rule-based approach was applied to achieve high accuracy of classification of wetland vegetation classes. As a result of the research a semi-automatic classification method has been prepared within the eCognition environment, which enables high accuracy of the resultant map (ca. 90%) to be reached. At the final stage of the research, applicability of radar Terra SAR-X images for vegetation classification was studied.

PL

W artykule zostały przedstawione wyniki prac ukierunkowanych na opracowanie metod klasyfikacji obszarów podmokłych, bazujących na różnych typach danych satelitarnych oraz na różnych podejściach klasyfikacyjnych. Do prac badawczych jako podstawowe materiały wykorzystano wysokorozdzielcze obrazy satelitarne WorldView-2. Zastosowano metodę klasyfikacji obiektowej do osiągnięcia wysokiej dokładności klasyfikacji zbiorowisk roślinnych na obszarach podmokłych. W wyniku prac utworzono półautomatyczną metodę klasyfikacji w środowisku eCognition, która umożliwia osiągnięcie wysokiej dokładności (rzędu 90%). W końcowej części prac badawczych przeprowadzono analizę stosowalności obrazów radarowych Terra SAR-X dla celów klasyfikacji typów roślinności.

6

Studies on pansharpening and object-based classification of Worldview-2 multispectral image

Wyczałek I., Wyczałek E.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2013

|

Vol. Spec.

109--117

EN

The new information contained in four additional spectral bands of high-resolution images from the satellite sensor WorldView-2 should provide a visible improvement in the quality of analysis of large-scale phenomena occurring at the ground. Selected part of the image of Poznan was analyzed in order to verify these possibilities in relation to the urban environment. It includes riverside green area and a number of adjacent buildings. Attention has been focused on two components of object-oriented analysis – sharpening the image and its classification. In terms of pansharpening the aim was to obtain a clear picture of terrain objects in details, what should lead to the correct division of the image into homogenous segments and the subsequent fine classification. It was intended to ensure the possibility of separating small field objects within the set of classes. The task was carried out using various computer programs that enable the development and analysis of raster data (IDRISI Andes, ESRI ArcGIS 9.3, eCognition Developer 8) and some own computational modules. The main scientific objective of this study was to determine how much information from new spectral image layers after their pansharpening affects the quality of object-based classification of land cover in green and building areas of the city. As a basis for improving the quality of the classification was above mentioned ability of using additional data from new spectral bands of WorldView-2 image. To assess the quality of the classification we used test that examines only the uncertain areas of the picture, that is these which lie on differently classified types of land cover. The outcome of assessment confirmed the thesis of the positive albeit small impact of additional spectral channels on the result of object-based classification. But also pansharpening itself only slightly improves the quality of classified image.

PL

Nowa informacja zawarta w czterech dodatkowych kanałach spektralnych wysokorozdzielczych obrazów z sensowa satelity WorldView-2 powinna zapewnić widoczną poprawę jakości analizy wielkoskalowych zjawisk zachodzących na ziemi. Analizowano wybrany fragment obrazu Poznania w celu sprawdzenia tych możliwości w odniesieniu do środowiska miejskiego. Obejmuje on nadrzeczną zieleń, obiekty sportowe i szereg sąsiednich budynków. Uwagę skoncentrowano na dwóch elementach analizy obiektowej – wyostrzeniu obrazu i jego klasyfikacji. Z punktu widzenia pansharpeningu celem było uzyskanie czystego obrazu szczegółów obiektów terenowych, co powinno doprowadzić do prawidłowego podziału obrazu na jednorodne segmenty i jego późniejszej szczegółowej klasyfikacji. To miało zapewnić możliwość oddzielenia małych obiektów terenowych w granicach zbioru klas. Zadanie zostało przeprowadzone za pomocą różnych programów komputerowych, które pozwalają na opracowanie i analizę danych rastrowych (Idrisi Andes, ESRI ArcGIS 9.3, eCognition Developer 8) i kilku własnych modułów obliczeniowych. Głównym celem naukowym tego studium było określenie, jak bardzo informacja z nowych warstw obrazu spektralnego po jego wyostrzeniu wpływa na jakość opartej na obiektach klasyfikacji pokrycia terenu naturalnych i zabudowanych fragmentów krajobrazu miieskiego. Jako podstawa do poprawy jakości klasyfikacji była wyżej wskazana możliwość korzystania z dodatkowych danych z nowych kanałów spektralnych zobrazowania WorldView-2. Aby ocenić jakość klasyfikacji wykorzystaliśmy test, który sprawdza tylko niepewne obszary obrazu, to jest te, które znajdują się pomiędzy różnymi rodzajami pokrycia terenu. Wynik oceny potwierdza tezę o pozytywnym choć niewielkim wpływie dodatkowych kanałów spektralnych na wynik klasyfikacji obiektowej. Ale także sam pansharpening tylko nieznacznie poprawia jakość klasyfikacji obrazu. Najlepsze wyniki dała klasyfikacja bazująca na ważonej, hipersferycznej transformacji przestrzeni barwnej (HCS/W).

7

Mapa zmian pokrycia terenu małopolski 1986-2011 wykonana w oparciu o klasyfikację obiektową obrazów satelitarnych Landsat oraz RapidEye

Wężyk P., Wójtowicz-Nowakowska A., Pierzchalski M., Mlost J., Szafrańska B.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2013

|

Vol. 25

273--284

EN

Changes in land use / land cover are the result of interaction between natural processes and human activity. Using GIS analysis to estimate the dynamic of these changes we can detect former trends and their simulation in the future. Diagnosed directions of changes can be used e.g. to create local plans of spatial management or region growth policy. Main goal of this study was to diagnose main trends of changes in land use / land cover in Malopolska voivodeship in last 25 years (1986-2010). Results were shown as statistics and map compositions. Project was created based on RapidEye and LANDSAT 5 TM satellite data and aerial imagery from 2009-2010. The best way to process huge amount and various data was to use Object Based Image Analysis (OBIA). As the results of classification we received 10 classes of land use for both terms of analyses (1986-1987 and 2009-2010). Identified classes were: bare soil, grass-covered areas, urban areas, rivers and watercourses, coniferous forest, leaf forest, peatbog, and other areas. Results show, that especially 2 classes arisen much: forest (4.39%) and urban areas (2.40%), mostly at the expanse of agricultural (-3.60%) and grass-covered areas (-1.18%). Based on results we can say, that changes detected in past 25 years in Malopolska region, which we can also notice today, agree with general trends of landscape changes, that we can observe in Poland for the last 3 decades. These general changes are: renewed succession of forest on areas where agricultural production discontinued; also intense development of road infrastructure. Object Based Image Analysis allowed to realize these study for area of more than 15 000 km2 for only a few weeks.

PL

Zmiany pokrycia terenu i użytkowania ziemi są rezultatem wzajemnego oddziaływania na siebie złożonych procesów przyrodniczych oraz społeczno-ekonomicznych. Analizy przestrzenne GIS dynamiki tych zmian umożliwiają wykrycie występujących w przeszłości trendów i procesów oraz ich symulację dla nadchodzącego okresu. Zdiagnozowane kierunki przemian krajobrazu mogą zostać wykorzystane m.in. przy tworzeniu lokalnych planów zagospodarowania przestrzennego, czy generalnie kreowaniu polityki rozwoju regionów. Celem prezentowanego opracowania było zdiagnozowanie głównych trendów przemian pokrycia terenu województwa małopolskiego na przestrzeni ostatnich dwudziestu pięciu lat (19862011) oraz ich statystyczne i graficzne zaprezentowanie w postaci kompilacji map numerycznych. Projekt wykonano w oparciu o dane teledetekcyjne: zobrazowania satelitarne RapidEye i LANDSAT TM oraz lotnicze ortofotomapy (PZGiK) z lat 2009 - 2010. Duża ilość i różnorodność danych wymusiła zastosowanie obiektowego przetwarzania danych teledetekcyjnych, tj. klasyfikacji OBIA (ang. Object Based Image Analysis). W wyniku przeprowadzanej klasyfikacji otrzymano 10 klas pokrycia i użytkowania terenu dla dwóch terminów badawczych (1986-87 oraz 2010-11), tj.: grunty orne, użytki zielone, tereny zurbanizowane, rzeki i cieki, zbiorniki wodne, lasy iglaste, lasy liściaste, zadrzewienia i zakrzewienia, tereny różne oraz torfowiska. Wykazano, iż na obszarze Małopolski wystąpiło znaczne zwiększenie powierzchni lasów (wzrost o 4.4%) oraz terenów zurbanizowanych (wzrost o 2.4%), głównie kosztem powierzchni gruntów rolnych (ubytek o 3.6%) oraz trwałych użytków zielonych (ubytek o 1.2%). Otrzymane wyniki pozwoliły wysunąć wniosek, iż zmiany jakie zachodziły w przeciągu 25 lat oraz te, z którymi wciąż mamy do czynienia w województwie małopolskim, pokrywają się z ogólnymi kierunkami i trendami przemian krajobrazu obserwowanymi w Polsce w ostatnich trzech dekadach, tj. procesami sukcesji wtórnej zbiorowisk leśnych na gruntach, na których zaprzestano produkcji rolnej oraz związanych z inwestycjami infrastruktury drogowej i kolejowej. Zastosowanie automatycznej klasyfikacji obiektowej oraz analiz przestrzennych GIS pozwoliło na realizację opracowania dla obszaru ponad 15.000 km2 w ciągu zaledwie kilku tygodni.

8

Dokładność NMPT tworzonego metodą automatycznego dopasowania cyfrowych zdjęć lotniczych

Kubalska J.L., Preuss R.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2013

|

Vol. Spec.

47--58

PL

NMPT stanowią w bazach danych GIS coraz częściej samodzielny produkt, jak również są niezbędnymi danymi inicjalnymi do tworzenia innych produktów takich jak modele 3D miast, true-ortho czy klasyfikacja obiektowa. W niniejszym artykule prezentowane są wyniki badań praktycznych generowania NMPT na potrzeby klasyfikacji zieleni na terenach zurbanizowanych. Posiadane dane źródłowe pozwoliły na wytworzenie potrzebnego produktu zarówno stosując metodę automatycznego dopasowania cyfrowych zdjęć wykonaną kamerą Ultra Cam-D firmy Vexel, jak również poprzez przetwarzanie chmury punktów zarejestrowanych techniką lotniczego skaningu laserowego (ALS). Do utworzenia NMPT z zastosowaniem techniki automatycznego dopasowania zastosowano program Match –T DSM firmy INPHO. Program ten optymalizuje konfiguracje stereogramów z bloku wykorzystywanych zdjęć do tego procesu, co gwarantuje wysoką dokładność wysokościową wyznaczanych punktów i minimalizuje obszary martwych pól. Ocena uzyskanej dokładności wysokościowej punktów metodą matchingu została dokonana poprzez porównanie NMPT wytworzonego programem Match–T DSM z modelem wygenerowanym na podstawie danych lidarowych. Dalsze przeznaczenie tworzonego NMPT zadecydowało, że został on utworzony w siatce GRID o wymiarze oczka siatki 1m. Przy takich parametrach wyznaczono model różnicowy, który pozwolił na wyznaczenie dokładności względnej porównywanych modeli. Przeprowadzona analiza wskazuje, że generowanie NMPT techniką automatycznego dopasowania cyfrowych zdjęć jest konkurencyjne względem modeli opracowanych z chmury punktów pozyskanej techniką ALS. Dlatego też jeżeli na dany obszar terenu wykonywane są cyfrowe zdjęcia lotnicze o geometrii minimalizującej w praktyce obszary martwych pól dodatkowa rejestracja przy pomocy techniki skaningu laserowego wydaje się zbędna.

EN

Digital Surface Models (DSM) areused inGISdatabasesas single product more often. They are also necessary to create otherproducts such as3D city models, true-ortho and object-orientedclassification. This article presents results of DSM generatation for classification of vegetation in urban areas. Source data allowed producing DSM with using of image matching method and ALS data. The creation of DSM from digital images, obtained by Ultra Cam-D digital Vexcel camera, was carried out in Match-T by INPHO. This program optimizes theconfiguration ofimages matching process, which ensures high accuracy andminimize gap areas. The analysis of the accuracy of this process was made by comparison of DSM generated in Match-T with DSM generated from ALS data. Because of further purpose of generated DSM it was decided to create model in GRID structure with cell size of 1 m. With this parameter differential model from both DSMs was also built that allowed determining the relative accuracy of the compared models. The analysis indicates that the generation of DSM with multi-image matching method is competitive for the same surface model creation from ALS data. Thus, when digital images with high overlap are available, the additional registration of ALS data seems to be unnecessary.

9

Wzmocnienie procesu klasyfikacji obiektowej wielospektralnych ortofotomap lotniczych danymi z lotniczego skanowania laserowego

Wężyk P., Mlost J., Pierzchalski M., Wójtowicz-Nowakowska A., Szwed P.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2012

|

Vol. 23

467--476

PL

Klasyfikacja obiektowa (OBIA, ang. Object Based Image Analysis) jest nowatorską metodą analizy zobrazowań teledetekcyjnych, w której homogeniczne obiekty (segmenty), na które podzielony został obraz (za pomocą specyficznych algorytmów) poddawane są klasyfikacji. Dotychczasowe projekty wykazały, iż OBIA przeprowadzana na wysokorozdzielczych i wielospektralnych lotniczych ortofotomapach cyfrowych, wspierana modelami wysokościowymi, prowadzi do uzyskania bardzo dokładnych wyników. Stosunkowo niewiele prac koncentruje się na określeniu wpływu produktów pochodnych chmury punktów lotniczego skanowania laserowego (ang. Airborne Laser Scanning), takich jak wartość: odchylenia standardowego wysokości, gęstości punktów czy intensywności odbicia, na poprawę wyników klasyfikacji OBIA. W prezentowanej pracy poddano ocenie wzmocnienie procesu klasyfikacji OBIA danymi ALS na podstawie dwóch transektów badawczych („A” oraz „B”) o powierzchni 3 km2, położonych w okolicach Włocławka. Celem końcowym procesu analizy OBIA było uzyskanie aktualnej mapy klas pokrycia terenu. W opracowaniu wykorzystano lotnicze ortofotomapy cyfrowe oraz dane z lotniczego skaningu laserowego, pozyskane na przełomie sierpnia I września 2010 roku. Na podstawie punktów danych ALS wygenerowano warstwy pochodne takie jak: liczba odbić, intensywność, odchylenie standardowe, jak również wygenerowano znormalizowany Numeryczny Modelu Powierzchni Terenu (zNMPT). W wariancie pierwszym „I” wykorzystano dane uzyskane wyłącznie w nalocie fotogrametrycznym, tj. wielospektralne ortofotomapy lotnicze (kamera Vexcel) oraz indeksy roślinności (w tym NDVI i in.). Wariant drugi prac ”II” zakładał wykorzystanie dodatkowo danych z lotniczego skaningu laserowego. Określona dokładność klasyfikacji OBIA wykonanej w oparciu o cyfrową ortofotomapę lotniczą wyniosła 91.6% dla transektu badawczego „A” oraz 93.1% dla transektu „B”. Użycie danych ALS spowodowało podniesienie dokładności ogólnej do poziomu 95.0% („A”) oraz 96.9% („B”). Praca wykazała, iż zastosowanie danych ALS podnosi dokładność klasyfikacji segmentów o bardzo zbliżonych właściwościach spektralnych (np. rozróżnienie powierzchni dużych, płaskich dachów budynków od parkingów czy klas roślinności niskiej od średniej i wysokiej. Wprowadzenie warstw pochodnych ALS do procesu segmentacji poprawia także kształt powstających obiektów a tym samym klas końcowych. Analiza „surowych” danych ALS w postaci plików w formacie LAS otwiera dodatkowe możliwości, których nie daje wykorzystywanie rastrowych warstw takich jak zNMPT. Pojawiająca się w nowej wersji oprogramowania eCognition (TRIMBLE) możliwość operowania segmentami przestrzennymi jeszcze te możliwości klasyfikacji podnosi. Niewątpliwie sporym problemem w integracji informacji spektralnej (ortoobraz) oraz geometrycznej (ALS) jest efekt rzutu środkowego skutkujący przesunięciami radialnymi dla wysokich obiektów leżących w znacznej odległości od punktu głównego zdjęcia.

EN

Object Based Image Analysis (OBIA) is an innovative method of analyzing remote sensing data based not on the pixels, but on homogenous features (segments) generated by specific algorithms. OBIA based on high-resolution aerial orthophotography and powered by digital terrain models (nDSM) brings high accuracy analysis. Not many scientific papers brings implementation of ALS point cloud directly into OBIA image processing. Paper present study done on two test areas of approx. 3 km2, situated close to Wloclawek, representing different land use classes (transect “A” – urban area; transect “B” – rural and forest landscape). Geodata (digital aerial orthophotographs and Airborne Laser Scanning data) were captured almost at the same time (September 2010). Different raster layers were created from *. LAS file, like: intensity, number of returns, normalized elevation (nDSM). Two version (I and II) of OBIA classification were performed. First version (I) based only on aerial orthophotographs and different coefficients (like NDVI). Second variant of OBIA (wariant II) based additionally on ALS data. Total accuracy of variant I was 94.1% (transect “A”) and 92.6% (transect “B”). OBIA classification powered by ALS data provide to increase of the results up to 96.9% (transect “A”) and 95.0% (transect “B”) as well. Classification of objects with similar type of surface properties (like buildings and bare soil) was much better using ALS information. The ALS data improve also the shape of objects, that there are more realistic. Data fusion in OBIA processing brings new capabilities,. These capabilities are bigger thanks to processing based on 3-dimensional segments. The results of analysis would be more accurate, when orthoimages (“true ortho”) would be used, instead of standard orthophotographs. The running ISOK project in Poland will bring soon a huge data set (approx. 150 TB) of ALS and photogrammetry connected products. This situation requires suitable software to analyze it fast and accurate on the full automatic way. The OBIA classification seems to be a solution for such challenge.

10

Ocena możliwości wykorzystania tekstury w rozpoznaniu podstawowych klas pokrycia terenu na zdjęciach satelitarnych różnej rozdzielczości

Lewiński S., Aleksandrowicz S.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2012

|

Vol. 23

229--237

PL

Podjęto próbę prześledzenia możliwości podziału treści zdjęcia, stosowanego w klasyfikacji obiektowej, na dwie podstawowe klasy związane z „niskimi” i „wysokimi” wartościami tekstury w funkcji rożnej rozdzielczości zdjęć. Na podstawie kanału panchromatycznego zdjęcia KOMPSAT-2 o rozdzielczości 1 m przygotowano zestaw danych o rozdzielczości 1, 2, 4, 8, 16, 32 i 64 m. Następnie przetworzono je wybranymi funkcjami tekstury, które wykorzystywane są w toku klasyfikacji obiektowej: filtr Sobel, filtr Laplacian, suma filtrów Sigma, przekształcenie PanBF oraz funkcje Haralick’a: korelacja, homogeniczność i entropia. Na ich podstawie wykonano analizę rozróżnialności czterech podstawowych klas pokrycia terenu: tereny zabudowane, lasy, pola uprawne i woda. Dla każdej rozdzielczości i przekształcenia obliczono odległość Bhattacharya oraz odległość Jeffries-Matusita (J-M). Założono, że dwie klasy są dobrze rozróżnialne jeżeli wartość J-M jest większa od 1.7. Uzyskane wyniki w postaci odległości J-M przedstawione są w tabelach 1-7. W przypadku wszystkich siedmiu przekształceń najlepsze wyniki rozróżnialności klas zaobserwowano na zdjęciach o największej rozdzielczości. Natomiast wyraźne pogorszenie rozróżnialności nastąpiło w przypadku zdjęć o rozdzielczości 8 m i mniejszej. Zdecydowanie najlepsze wyniki uzyskano na podstawie przekształceń wykonanych filtrem Laplacian, a następnie Sobel, Sigma oraz przekształceniem PanBF. W porównaniu z nimi przydatność funkcji Haralick’a do podziału treści zdjęcia na dwie klasy tekstury okazała się zdecydowanie mniejsza. Przedstawione wyniki znajdują praktyczne zastosowanie w pracach nad doborem odpowiednich algorytmów klasyfikacyjnych zdjęć satelitarnych o bardzo wysokiej, wysokiej a także średniej rozdzielczości.

EN

An attempt was made to trace the possibility of division of the content of satellite images into two basic classes associated with the "low" and "high" values of the texture. This classification approach is applied during object-oriented classification and results are dependent on spatial resolution. On the basis of panchromatic channel of KOMPSAT-2 image of 1m resolution a data set with a resolution of 1, 2, 4, 8, 16, 32 and 64 m were prepared. Then images were processed using selected texture functions: Sobel, Laplacian and Sigma filters, transformation PanBF as well as Haralick functions: correlation, homogeneity and entropy. On the basis of texture images an analysis of discrimination of four basic land cover classes has been done: built-up areas, forests, agriculture areas and water. These classes were selected because built-up areas and forest belong to “high” texture and remaining two are usually represented by “low” values of texture. For each texture image form using different functions and spatial resolution, Bhattacharya distance and next Jeffries-Matusita (J-M) distance between land cover classes were calculated. Results are presented in tables 1, 2, 3, 4, 5, 6 and 7. They also include J-M distance between “low” and “high” texture. It was assumed that two classes are well seperated if the value of J-M distance is over 1.7. In the case of all seven texture transformations the best results of class discrimination were observed for images with the highest resolution. Distinct deterioration of discrimination between “low” and “high” texture took place in the case of images with a resolution of 8 m or less. By far the highest J-M values were obtained on the basis of Laplacian filter and next using Sigma filter, PanBF and the Sobel filter. In comparison usefulness of the Haralick function has proved much less. The presented results could be practically applied in the work on classification algorithms of very high, high and medium resolution satellite images.

11

Aktualizacja mapy glebowo-rolniczej z wykorzystaniem klasyfikacji obiektowej (OBIA) zobrazowań teledetekcyjnych oraz analiz przestrzennych GIS

Wężyk P., Pierzchalski M., Szafrańska B., Kortas G.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2012

|

Vol. 23

477--488

PL

Aktualność map glebowo-rolniczych w Polsce sięga najczęściej lat sześćdziesiątych poprzedniego wieku, stąd wymagają one nie tylko konwersji z formy analogowej (papierowej) do cyfrowej, ale przede wszystkim weryfikacji treści w stosunku do rzeczywistych klas pokrycia i użytkowania terenu. Rozwój miast, wsi, dróg i innych inwestycji infrastrukturalnych, jaki nastąpił w minionych 50 latach oraz nasilenie się w ostatniej dekadzie procesów socjoekonomicznych skutkujących porzucaniem upraw rolnych i zajmowania tych terenów przez lasy, spowodował dużą dezaktualizację treści geometrycznej mapy glebowo-rolniczej. Przeprowadzenie weryfikacji treści geometrycznej mapy glebowo-rolniczej dla skali województwa małopolskiego wymagało zastosowania obiektowej klasyfikacji (OBIA, ang. Object Based Image Analysis) aktualnych zobrazowań teledetekcyjnych. Proces OBIA realizowano w oprogramowaniu eCognition Developer 8.64 (Trimble GeoSpatial). Należało go możliwie daleko zautomatyzować ze względu na dużą powierzchnię opracowania (ok. 15000 km2). Otrzymane wyniki skontrolowano na podstawie kilkuset powierzchni referencyjnych (wektoryzacja ekranowa dokonana przez operatora). Analizy przestrzenne GIS aktualizujące przebieg poligonów mapy glebowo-rolniczej o nowe powstałe obiekty zrealizowano w trybie wsadowym (Model Builder, Esri). Uzyskane wyniki wykazały, iż największe zmiany, tj. przyrost powierzchni (procentowo) zanotowano w przypadku klas: „Las” (Ls; +8.2%) oraz „Tereny zabudowane” (Tz; +6.3%), przy jednoczesnym ubytku wszystkich kompleksów (ID 1÷13) wykorzystywanych pod uprawy rolne o -10.5% (z czego -4.9% w rejonach górskich). Ubytek trwałych użytków zielonych (1z, 2z oraz 3z) na zaktualizowanej mapie glebowej oceniona na około (-4.2%). Zastosowane algorytmy weryfikacyjne oraz aktualizacyjne pozwalają stwierdzić, iż klasyfikacja obiektowa OBIA aktualnych zobrazowań teledetekcyjnych (satelitarnych i lotniczych) w połączeniu z daleko zautomatyzowanymi analizami przestrzennymi GIS może być wykorzystywana w procesie aktualizacji mapy glebowo-rolniczej.

EN

The analogue soil maps (paper sheets; scale 1:5000) were made in Poland most likely in the 60-ties of XX century. Today, they need not only conversion from analogue form to digital (raster or vector) format but also quick and objective map revision. Soil maps become outdated and they don't represent actual land use or land cover (LULC). Rapid growth of cities and the country side development as well as infrastructure constructions have to be included in up-dated soil map. During the last 50 years in Małopolska Voivodeship, many hectares of arable land were abandoned and changed in natural way (succession) in to the class forest. In year 2010 the Marshal office of Małopolska Voivodeship decide to convert the archive of analogue soil map to shape file with connected database. In 2011 another project was started with main goal of up-date of the soil map (about 15 000 km2). The special work-flow of geoinformation technologies was used for fulfill this goal. Object Based Image Analysis (OBIA) meets the criteria for fast and accurate Land Use & Land Cover (LULC) classification method of the RapidEye (from years 2010/2011) high resolution satellite images. Application of this object based classification method, together with GIS analysis ensures very high degree of work automation. The results obtained shows, that the most changes in a land cover were observed in urban areas (Tz; +6.3%) and forests (Ls; + 8.2%). The area of all other agricultural used soil complexes decreased in the same time about -10.5% (in the mountainous areas approx. -4.9%). The class pastures and meadows also decrease during the last 50 years about -4.2%. This project demonstrates success story of using the modern GIS techniques to verify and update soil map of Małopolska Voivodeship based on the OBIA of RapidEye satellite imaginary and aerial orthophotomaps (RGB).

12

Kartowanie pokrycia terenów zurbanizowanych przy zastosowaniu klasyfikacji obiektowej zintegrowanych geodanych lotniczego skanowania laserowego oraz zobrazowań GeoEye-1

Tompalski P., Wężyk P.

Roczniki Geomatyki

|

2011

|

T. 9, z. 2

121-132

PL

Głównym celem prezentowanych badań było opracowanie zautomatyzowanej metody kartowania klas pokrycia terenu występujących w przestrzeni miejskiej, na drodze integracji komplementarnych technologii, tj.: wysokorozdzielczych zobrazowań satelitarnych (GeoEye-1) oraz chmur punktów lotniczego skanowania laserowego (ALS). Cel cząstkowy polegał również na porównaniu dokładności klasyfikacji OBIA zbiorowisk roślinnych w oparciu o różne zestawy danych wejściowych, w stopniu możliwie maksymalnie zautomatyzowanym, bez stosowania jakichkolwiek pól treningowych. Jednocześnie autorzy postawili sobie za cel przedstawienie statystyk przestrzennych opisujących zieleń miejską w wymiarze 3D i zaproponowali szersze wykorzystanie danych ALS.

EN

The paper presents first results of advanced research concerning the use of integrated airborne laser scanning data and high resolution satellite images for the purpose of urban land cover mapping, particularly vegetation. Object-based image analysis was used for data processing, without any training areas and with three different approaches: A - only ALS data; B - based on GeoEye-1 satellite image only; C - based on both integrated datasets. Using integrated point clouds with spectral information stored in GeoEye-1 bands resulted in the best classification outcome (Kappa = 0.83), allowing detection of all classes that were the subject of analysis. Vertical structure assessment possibilities with the use of point cloud data were also shown in the paper.

13

Application of object-oriented method for classification of VHR satellite images using rule-based approach and texture measures

Lewinski S., Bochenek Z., Turlej K.

Geoinformation Issues

|

2010

|

Vol. 2, no. 1(2)

19-26

EN

New approach for classification of high-resolution satellite images is presented in the article. That approach has been developed at the Institute of Geodesy and Cartography, Warsaw, within the Geoland 2 project - SATChMo Core Mapping Service. Classification algorithm, aimed at recognition of generic land cover categories, has been elaborated using the object-oriented approach. Its functionality was tested on the basis of KOMPSAT-2 satellite images, recorded in four multispectral bands (4 m ground resolution) and in panchromatic mode (1 m ground resolution). The structure of the algorithm resembles decision tree and consists of a sequence of processes. The main assumption of the presented approach is to divide image contents into objects characterized by high and low texture measures. The texture measures are generated on the basis of a panchromatic image transformed by Sigma filters. Objects belonging to the so-called high texture are classified at first steps. In the following step the classification of the remaining objects takes place. Applying parametric criteria of recognition at the first group of objects four generic land cover classes are classified: forests, sparse woody vegetation, urban / artificial areas and bare ground. Non-classified areas are automatically assigned to the second group of objects, which contains water and agricultural land. In the course of classification process a few segmentations are performed, which are dedicated to particular land cover categories. Classified objects, smaller than 0.25 ha are removed in the process of generalization.

PL

W artykule przedstawiona jest metoda klasyfikacji wysokorozdzielczych zdjęć satelitarnych. Została ona opracowana w Instytucie Geodezji i Kartografi i w ramach europejskiego projektu Geoland 2 - serwisu SATChMo. Algorytm klasyfikacyjny, którego celem jest rozpoznanie podstawowych klas pokrycia terenu, został opracowany z zastosowaniem podejścia obiektowego. Jego działanie zostało sprawdzone na podstawie zdjęć KOMPSAT-2 rejestrujących obrazy w czterech kanałach wielospektralnych (4 m) oraz w kanale panchromatycznym (1 m). Struktura algorytmu zbliżona jest do drzewa decyzyjnego i składa się z szeregu kolejno wykonywanych procesów. Podstawowe założenie przyjętego sposobu postępowania stanowi podział treści zdjęcia na obiekty charakteryzujące się niskimi i wysokimi wartościami tekstury. Jest on wykonywany na podstawie przetworzonego filtrami Sigma kanału panchromatycznego. Najpierw klasyfikowane są obiekty z grupy tzw. wysokiej tekstury a następnie pozostałe. Stosując parametryczne kryteria rozpoznania, w pierwszej grupie obiektów klasyfikowane są lasy, roślinność rozproszona, zabudowa oraz tereny pozbawione pokrywy roślinnej. Obiekty niesklasyfikowane są automatycznie dołączane do drugiej grupy obiektów, w ramach której rozpoznawane są wody oraz tereny rolnicze. W toku procesu klasyfikacji jest wykonywany szereg segmentacji dedykowanych poszczególnym klasom. Obiekty mniejsze od 0.25 ha są poddawane generalizacji.

14

Klasyfikacja obiektowa zdjęcia satelitarnego średniej rozdzielczoścI MODIS, pierwsze wyniki

Lewiński S.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2010

|

Vol. 21

211--219

PL

W artykule przedstawione są pierwsze wyniki klasyfikacji obiektowej zdjęcia satelitarnego średniej rozdzielczości MODIS. Prace wykonano na podstawie dwóch zdjęć zarejestrowanych z pokładu satelity Terra w kwietniu i w sierpniu 2009 r. Przyjęto założenie wykonania równoczesnej klasyfikacji obu zdjęć. Dzięki czemu w procesie rozpoznania można było wykorzystać informacje związane ze zmianami spektralnymi poszczególnych klas pokrycia terenu, które nastąpiły w okresie kilku tygodni. Jako poligon badawczy wybrano fragment zdjęcia obrazujący centralno wschodnią część Polski o powierzchnię 85 267 km2, na którym zobrazowane są podstawowe formy pokrycia terenu występujące w kraju. Danymi wejściowymi są kanały spektralne zakresu promieniowania czerwonego i bliskiej podczerwieni, pierwszego i drugiego zdjęcia MODIS. Dodatkowo wykorzystano kanał PC 2 uzyskany w wyniku zastosowania analizy składowych głównych (PCA). Przyjęte zasady postępowania pozwoliły na rozpoznanie 6 podstawowych klas pokrycia terenu: wody, zabudowa zwarta, zabudowa rozproszona, lasy, tereny rolnicze, łąki. Ocena wyników została wykonana poprzez porównanie klasyfikacji zdjęć MODIS z bazą danych o pokryciu i użytkowaniu ziemi CORINE CLC2006. Całkowita dokładność klasyfikacji została oceniona na poziomie 78%.

EN

The article presents preliminary results of object based classification of multispectral middle resolution MODIS satellite images. In order to use information about spectral diversity of land cover classes, two MODIS Terra images, registered in April and August 2009, were analysed simultaneously. As the study area, a polygon of 85 267 km2 situated in central Poland was selected. Within its borders all typical classes of Polish land cover can be found. The object oriented classification was performed using red and infrared bands of both images. Additionally, channel PC 2 obtained as an outcome of the Principal Component Analysis, was incorporated into the classification as one of the main features for discrimination of land cover classes. The first segmentation is prepared only for classification of water bodies. Next segmentation of the rest of the scene is done, and after that the object domain is divided into two parts characterized by high and low values of PC 2 channel. Using consecutive processes inside the first part of the object domain, the objects were classified as: urban areas, forest and agriculture areas. Grasslands and other agriculture areas are recognized in the second part of the object domain. The applied classification rules, based on threshold values of the bands R, IR, PC 2 and NDVI index, allow detection of six basic land cover classes: water, dense urban areas, spread urban areas, forest, agricultural area and grassland. The accuracy assessment of the final classification was done using the CORINE CLC2006 datasets. Before determining the error matrix, the classification image was re-projected from Sinusoidal into the 1992 coordinate system while the vector data base CLC2006 was exported to the raster format. The overall accuracy was estimated at the level of 78%.

15

Mapy podstawowych form pokrycia i użytkowania terenu zlewni Raby powyżej Zbiornika Dobczyckiego - porównanie dokładności klasyfikacji pikselowej i obiektowej obrazów LANDSAT TM

Badurska M., Drzewiecki W., Tokarczyk P.

Teledetekcja Środowiska

|

2009

|

T. 42

15--21

EN

The research presented in the paper has been aimed at mapping the basic types of land-use in the upper Raba watershed (south Poland). The maps have been prepared for a study of the influence of land-use changes within the watershed on the sediment yields introduced into the reservoir. Because the erosion models used for sediment yields prediction need only to identify the main land-use / land cover classes (arable land, meadows and pastures, forests, waters, developed areas), the maps have been based on classification of middle-resolution satellite images (Landsat TM). In the research the results of traditional pixel-based classification were compared to the ones obtained in the object based approach. Six different Landsat TM images were classified. The methodology of both classification approaches have been described in the paper. The accuracy assessment of the classification results was based on their comparison with the land use types defined by the photo interpretation of colour composite images. The assessment was done by two operators. Each of them used different set of two hundred and fifty randomly generated sample points. In most cases the pixel-based approach resulted in higher overall accuracy. However, if overall accuracy confidence intervals are taken into consideration, none of the methods can be definitely recognised as a better one.

16

The concept of the islands extraction in satellite images using mathematical morphology

Kupidura P.

Roczniki Geomatyki

|

2009

|

T. 7, z. 2

69-73

EN

The neighborhood is one of the indirect features of the object which may be used in the interpretation of an image. Sometimes, this feature may be essential, as can be shown using an example of islands. According to the Oxford Dictionary (Internet edition) island is "a piece of land surrounded by water" so, as we can see, this element of landscape is defined by its neighborhood. The traditional, pixel-based classification is useless in such a case, taking into account only digital numbers of individual pixels. It is impossible to classify islands properly, using this kind of non-contextual algorithm. This paper proposes a mathematical morphology, with the potential to change the structure of an image depending on the different contextual features of the objects presented to it to resolve such a problem. The proposition is based on a relatively simple application of the close-hole operation presented in (Angulo, Flandrin. 2003). Although the application is simple, the operation itself is quite complicated, so its presentation in this article is essential for its understanding. Close-hole operation

PL

Artykuł przedstawia przykład zastosowania morfologii matematycznej w przetwarzaniu danych teledetekcyjnych. Wyspy, element krajobrazu definiowany wyłącznie przez swoje sąsiedztwo stanowi nierozwiązywalny problem dla bezkontekstowych przetworzeń cyfrowych typu tradycyjnej pikselowej klasyfikacji. Zastosowanie morfologicznej operacji wypełniania dziur pozwala stworzyć algorytm, który, bazując na cesze sąsiedztwa, umożliwia automatyczne wykrywanie wysp na zdjęciach satelitarnych. To stosunkowo proste zastosowanie morfologii matematycznej ukazuje jej duży potencjał w przetwarzaniu obrazów, również zdjęć lotniczych i satelitarnych.

17

Zastosowanie metody parametrycznej w klasyfikacji obiektowej obrazu satelitarnego SPOT

Lewiński S., Bochenek Z.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2008

|

Vol. 18a

355--364

PL

W artykule przedstawione są wyniki klasyfikacji obiektowej zdjęcia satelitarnego SPOT, o rozdzielczości przestrzennej 20 m. W klasyfikacji zastosowano zasady postępowania zbliżone do stosowanych w metodzie tzw. drzewa decyzyjnego. Podstawowe klasy pokrycia terenu są identyfikowane podczas sekwencji niezależnych procesów, w czasie których analizowane są obiekty jeszcze niesklasyfikowane w toku poprzednich procesów. Dodatkowo przyjęto założenie wykonania klasyfikacji bez stosowania metody Najbliższego Sąsiada (dostępnej w oprogramowaniu eCognition). Treść zdjęcia satelitarnego została podzielona z zastosowaniem parametrów charakteryzujących w sposób bezpośredni obiekty. Wykorzystano również specjalnie w tym celu opracowane funkcje. Algorytm postępowania rozpoczyna się od rozpoznania klasy wody, której obiekty są definiowane w wyniku procesu wielopoziomowej segmentacji. Następnie wykonywana jest nowa segmentacja dla pozostałych klas. Z treści zdjęcia zostaje wydzielana ogólna klasa lasów a po niej zabudowa; obie klasy dzielone są później na podklasy. Pozostałe, jeszcze nierozpoznane, obiekty dzielone są na łąki i pola. W drugim etapie klasyfikacji, na podstawie już sklasyfikowanych obiektów wyłaniane są dodatkowe klasy: tereny podmokłe, działki i sady, zieleń miejska, place budów oraz zmiany w lesie. W sumie rozpoznano 13 klas. Końcowy wynik klasyfikacji został opracowany z zastosowaniem procedury generalizacji mającej na celu uzyskanie danych spełniających kryterium jednostki odniesienia o wielkości 4 ha. Całkowita dokładność klasyfikacji wyniosła ponad 89%.

EN

The paper presents results of object-oriented classification of whole 20-meter resolution SPOT scene covering the Kujawy region. The classification approach applied in this work was similar to that used in the so-called decision tree method. The main land cover classes were identified in a sequence of independent processes, assuming that each subsequent process deals solely with objects not classified yet. Another assumption was to implement rule-based approach rather than the Standard Nearest Neighbor classifier (available in eCognition software). In this approach, contents of satellite image were characterized by various spectral/texture parameters directly describing individual land cover/land use classes; in addition, by pre-defined functions, determined on the basis of graphical analysis of feature space constructed for particular terrain objects were used. The classification process begins with recognition of water class the objects of which were delineated using multiresolution segmentation. New segmentation is prepared for the remaining land cover classes. Subsequently, the general forest class and the urban class are discriminated; at the next stage, both classes are divided into sub-categories. Consequently, broad agricultural and grassland classes are determined. At the second stage of classification, more detailed classes are discriminated within the general land cover categories: wetlands, orchards, urban green areas, construction sites, and deforestations. Overall, 13 land cover/land use categories were discriminated in the work presented. The final classification map was prepared using the aggregation procedure to obtain a map resolution fulfilling the 4ha size of Minimum Mapping Unit. The accuracy was assessed using the method of randomly distributed points; the number of points assigned to each class for checking was proportional to the acreage of that class. The overall accuracy of all classes checked in the verification process reached 89%. The method presented was applied to two other test sites in Poland: the regions of Podlasie and Wielkopolska. Despite differences in land cover/land use patterns, both regions were classified with a comparable, high accuracy.

18

Wybrane przykłady wykorzystania morfologii matematycznej w przetwarzaniu obrazów w teledetekcji

Kupidura P., Marciniak J., Koza P., Kowalczyk M.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2008

|

Vol. 18a

323--332

PL

Morfologia matematyczna stanowi zbiór nieliniowych operacji, umożliwiających zmianę struktury obrazu cyfrowego. Jej specyficzna natura pozwala na przetwarzanie obrazów w zależności od kształtu, wielkości, tekstury czy sąsiedztwa obiektów obecnych na zdjęciu. W artykule przedstawiono wyniki uzyskiwane w projekcie MNiSzW Nr N526 034 32/3448, poświęconym w całości wykorzystaniu operacji morfologicznych w przetwarzaniu danych teledetekcyjnych. Wnioski wynikające z przeprowadzonych badań potwierdzają wysoką skuteczność morfologii matematycznej w wielu różnorodnych zastosowaniach, jak filtracja dolnoprzepustowa, wydzielanie na obrazie heterogenicznych typów obiektów, czy wykrywanie krawędzi obiektów. W artykule przedstawiono analizę możliwości wykorzystania funkcji morfologicznych w przetwarzaniu danych teledetekcyjnych. Zaprezentowano również założenia darmowego oprogramowania BlueNote, tworzonego w ramach projektu.

EN

The paper presents results of a research project concerning the application of mathematical morphology in remote sensing. Mathematical morphology was developed created in the 1960s by two Fench scientists: Jean Serra and George Matheron. Since then, the great progress in this discipline has led to the development of many different operators. Their most important advantage is involving important features of objects in the image, such as size, shape, texture, and neighbourhood. Because of that, selected morphological operators are used in digital image processing in many fields, including remote sensing. However, the analysis shows mathematical morphology to have an even greater potential in this field. The first line of thought presented is the object-oriented classification. The traditional, pixelbased algorithms are often ineffective when classifying selected heterogenic types of land cover. A morphological operator developed by Kupidura, involving a combination of results of opening and closing of the original image, allows to extract the class of orchards by using a simple pixelbased algorithm. The subsequent research showed that granulometric maps, first presented by Serra, which – for each pixel - generate a set of values denoting heterogeneity of the pixel neighbourhood, allow to extract the built-up class in a traditional classification process. The issue in which morphological operators prove their high efficiency is noise removal. Application of alternate filters allows to filter out both optical and microwave images with a high noise level. Noteworthy is that the filters show inpressive results wherever detail preservation is concerned. The project involved also experiments on edge detection with morphological gradient Preliminary results showed a high efficiency of those procedures comperable to Sobel’s gradient. An additional aim of the project was to develop software that would allow running any combination of morphological operators. The software called BlueNote will be available free of charge, which could lead to further increase of applications of mathematical morphology to remote sensing.

19

Klasyfikacja obiektowa użytków zielonych z wykorzystaniem wieloletnich zmian NDVI i filtracji kierunkowych obrazu satelitarnego

Kosiński K., Hoffmann-Niedek A.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2008

|

Vol. 18a

273--282

PL

W artykule przedstawiono algorytm półautomatycznej klasyfikacji obiektowej kompleksów krajobrazowo-roślinnych użytków zielonych na podstawie dwóch zobrazowań satelitów serii Landsat, wykonanych w odstępie 17 lat. NDVI z dwóch terminów, wskaźnik wieloletnich zmian NDVI oraz wskaźnik struktury pasowej wykorzystano do wydzielenia użytków zielonych spośród innych form użytkowania. Przedstawiono mapę poklasyfikacyjną okolic Bełchatowa. Wyróżniono 5 kategorii użytków zielonych.

EN

Semi-automated object classification of grasslands is presented. Landscape-vegetation complexes were distinguished on panchromatic data composites of two Landsat ETM+ images registered on 1999-09-10 and 2001-05-01. Bitemporal spectral data were used for classification. Two Landsat images were used: TM, 19870503 and 2001-05-01. Four indices were calculated: NDVI 1987-05-03, NDVI 2001-05-01, wzNDVI87/01 (NDVI change index), and WSP (strip structure index). The analysis confirmed the hypothesis that meadows may be distinguished from arable lands and from formerly arable sods after directional filtering of the index of multi-year NDVI change. Cluster analysis was performed to classify landscape-vegetation complexes. The full algorithm is described. Some errors found during terrain verification are discussed. A postclassification map of the Bełchatów environs (central Poland) was developed. Five grassland categories were distinguished.

20

Porównanie klasyfikacji obiektowej z tradycyjną klasyfikacją pikselową z punktu widzenia automatyzacji procesu tworzenia bazy danych o pokryciu i użytkowaniu terenu

Lewiński S.

Roczniki Geomatyki

|

2007

|

T. 5, z. 1

63-70

EN

The capabilities of land cover and land use classes identification using object-oriented classification and traditional, so-called pixel-based classification are compared in the paper. The comparison is based on the Landsat satellite image showing a study area of over 423 km2, located within the borders of the Commune of Legionowo (near Warsaw). The results of both classifications were generalised, using a working unit of 1 ha for built-up areas and water and 4 ha for the remaining classes. Object-oriented classification was performed within eCognition software environment. The applied tools of object-oriented classification enabled identification of 18 classes. Subsequent generalisation caused changes only to the area constituting 1.1% of the entire study area. Classification accuracy assessment using the method of visual interpretation and creation of the final land cover and land use database was the final stage of works. The accuracy for the entire study area reached over 94%. Traditional pixel-based classification was performed using so-called hybrid classification, which involves performing supervised classification and then unsupervised classification for unclassified pixels. The pixel-based approach enabled identification of only 8 classes. In the process of generalisation, based on the same principles as in the case of object-oriented classification, 26% of the area of the analysed image was changed. The accuracy of pixel-based classification, assessed by comparing the post-generalisation image to the database obtained after the visual verification of object-oriented classification, reached 72% and 61%, according to the comparison method applied. The results of comparing these two methods of classification prove a significant advantage of objectoriented classification over traditional pixel-based classification. The tools of object-oriented classification enabled identification of twice as many number of classes and a high level of accuracy of the classification process. Moreover, object-oriented classification enables proper generalisation, necessary for creating a land use and land cover database with a defined level of spatial resolution of class recognition.