Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 22

Liczba wyników na stronie
first rewind previous Strona / 2 next fast forward last
Wyniki wyszukiwania
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 2 next fast forward last
EN
Copernicus Programme managed by the European Commission and implemented in partnership with i.a. the European Space Agency (ESA) provides free access to satellite data from Sentinel mission including Sentinel-2 high resolution optical satellite data. The aim of the research was to recognize opportunities of water detection on Sentinel-2 imagery. Satellite data was analyzed before and after atmospheric correction. A number of tests were carried out using indices selected from the literature. Based on the gained experience, a new index for water detection has been proposed, Sentinel Water Mask (SWM), specially adapted for Sentinel-2 images. Its construction is based on the highest difference between spectral values of water surface and other land cover forms. SWM provides quick and effective detection of water which is especially important in flood assessment for crisis management. Research was performed on unprocessed images of Sentinel-2 Level-1C and images after atmospheric correction (Level-2A). Water was detected with the use of threshold values determined by the visual interpretation method. The accuracy of the obtained water masks was assessed on the basis of validation points. The performed analysis allowed to indicate indices, which enable estimation of areas covered by water on Sentinel-2 images with high classification accuracy, this is: AWEInsh (Automated Water Extraction Index), MNDWI (Modified Normalized Difference Water Index), NDWIMcFeeters (Normalized Difference Water Index). Their application allowed for achievement of overall accuracy of water detection oscillating around 95% and high Kappa coefficient. The usage of the proposed SWM index leads to slightly better results (more than 96%). The sensitivity to the selection of threshold values of analyzed indices was assessed and then the optimal threshold ranges were determined. The optimal threshold value for NDWIMcFeeters should be included in the value range (0.1, 0.2), for MNDWI (0.2, 0.3) and for SWM (1.4, 1.6). The unambiguous threshold range for AWEInsh index was impossible to indicate due to the large range of values.
EN
While it is well-known that texture can be used to classify very high resolution (VHR) data, the limits of its applicability have not been unequivocally specified. This study examines whether it is possible to divide satellite images into two classes associated with “low” and “high” texture values in the initial stage of processing VHR images. This approach can be effectively used in object-oriented classification. Based on the panchromatic channel of KOMPSAT-2 images from five areas of Europe, datasets with down-sampled pixel resolutions of 1, 2, 4, 8, and 16 m were prepared. These images were processed using different texture analysis techniques in order to discriminate between basic land cover classes. Results were assessed using the normalized feature space distance expressed by the Jeffries–Matusita distance. The best results were observed for images with the highest resolution processed by the Laplacian filter. Our research shows that a classification approach based on the idea of “low” and “high” textures can be effectively applied to panchromatic data with a resolution of 8 m or higher.
EN
Environmental changes are amongst the most important research subjects in geography. The changes may be natural, but also may be caused by human activity. Land cover is a significant component of the changing environment. Monitoring of its changes involves usage of satellite techniques. Landsat mission provides comparable data since forty years, very useful in land cover studies. Utilization of satellite techniques in such researches is developing quickly. This paper is an example of methods that enable quick and quite accurate assessment of range and spatial distribution of land cover changes. Practical application of image difference, principal component analysis and supervised classification to detect land cover changes is presented. Methods are applied to study area containing different land cover classes. Accuracy of methods was tested and compared. Combining methods presented in earlier researches, five new methods were developed: image difference, image difference with classification, classification, principal component analysis, principal component analysis with classification. Methods were applied to three different input datasets: pairs of images with different level of preprocessing. First dataset was a pair of georeferenced Landsat Thematic Mapper images. The second dataset was the same pair of images, atmospherically corrected using dark object subtraction method. Normalization of one image to the other provided the third dataset. Accuracy assessment was executed. Results were obtained from confusion matrices. Overall accuracy of methods was high, from 77% to 91%. Supervised classification was the most accurate method. Combining fully automatic methods with supervised classification has increased overall accuracy of automatic change detection, however not significantly. Studies on combining change detection methods should be continued. Future studies should concentrate on the automation of change detection process.
PL
Teledetekcja satelitarna jest obecnie jednym z podstawowych źródeł informacji o środowisku przyrodniczym i o procesach zachodzących na powierzchni Ziemi. Zdjęcia satelitarne o różnej rozdzielczości przestrzennej, spektralnej oraz radiometrycznej umożliwiają pozyskanie informacji o charakterze przestrzennym, które mogą być interpretowane w sposób bezpośredni lub mogą być wykorzystane w procesach modelowania matematycznego. Na ich podstawie można określić m.in. klasy pokrycia i użytkowania terenu, strukturę upraw, kondycję roślinności, dostępność wody. W pracy przedstawiono wybrane przykłady możliwości zastosowania teledetekcji satelitarnej w monitoringu zmian przestrzeni rolniczej: wyznaczanie stref buforowych, detekcja zmian pokrycia terenu, ocena stanu roślinności oraz zróżnicowania środowiska przyrodniczego.
EN
Satellite remote sensing is one of the main sources of information on natural environment and the processes occurring on the surface of the Earth. Satellite images of different spatial, spectral and radiometric resolution, enable the acquisition of spatial information which may be interpreted directly, or may be used in processes of mathematical modeling. Satellite images may create a basis to determine, among the others, land cover and land use classes, cropping patterns, the condition of vegetation, water availability. This paper presents selected examples of satellite remote sensing application in monitoring of agricultural land: setting of riparian zones, detection of land cover changes, assessment of vegetation status and the diversification of natural environment.
5
Content available Zdjęcia satelitarne SICH-2 - pierwsze analizy
PL
Ukraińskie zobrazowania satelitarne pozyskane z satelity Sich-2 są nowymi danymi obrazowymi, dostępnymi w sposób operacyjny od końca 2011 roku. Powierzchnia Ziemi jest obrazowana w pięciu kanałach spektralnych. Pozyskiwane dane charakteryzują się zróżnicowaną rozdzielczością przestrzenną. Kanał panchromatyczny, zielony, czerwony i bliskiej podczerwieni (PAN, G, R, NIR) cechuje się rozdzielczością przestrzenną wynoszącą 8.2 m (nadir), natomiast rozdzielczość przestrzenna zakresu średniej podczerwieni (MIR) jest zdecydowanie mniejsza i wynosi 41.4 m (nadir). Zobrazowania Sich - 2, pod względem rozdzielczości przestrzennej, są zbliżone do danych obrazowych pochodzących z RapidEye, Formosat-2 i SPOT-5. Natomiast pod względem spektralnym odpowiadają zdjęciom SPOT-5. W artykule przedstawione są podstawowe parametry zobrazowań Sich-2 a także podane zostały przykłady wykorzystania ich w teledetekcyjnych badaniach powierzchni Ziemi. Są to wyniki prac prowadzonych przez firmę Dniprocosmos S.C., która specjalizuje się w teledetekcji satelitarnej oraz jest dystrybutorem zdjęć satelitarnych. Zespół Obserwacji Ziemi w Centrum Badań Kosmicznych PAN pozyskało raz przeanalizował jedno z pierwszych zdjęć Sich-2 obrazujących obszar Polski. Na podstawie sceny obejmującej obszar okolic Lublina wykonano m.in. ocenę możliwości interpretacyjnych. W siedmiostopniowej skali MSIIRS (Multispectral Imagery Interpretability Rating Scale) analizowane zobrazowanie zakwalifikowano na poziomie 3.
EN
Ukrainian-Russian carrier rocket Dnepr, that was launched on August 17, 2011 from the Baikonur Dombarowskij in Russia, has placed in orbit the Sich-2 satellite. It is a satellite dedicated to Earth observation, designed and manufactured by the Ukrainian space industry. Sich-2 is a continuation of the mission Sich-1, Okean-O and Sich-1M. According to the Ukrainian National Space Policy the Sich-2 gives rise to a constellation of modern micro-satellites. They are designed to collect imagery of the Earth surface in the visible and near-infrared radiation with a spatial resolution of: 8 m (Sich-2, Sich-2M), 1 m (Sich-3-O) and the 1 m radar images (Sich-3-R). Satellites are characterized by high sophistication in terms of electronic and polymeric and composite materials used during the construction. Installed devices are designed to work under the "open" space and do not require special protection in the form of sealed enclosures. Sich-2 satellite operates at a 700 km altitude on the Sun synchronous orbit and having the inclination of 98.24°. The image data are collected in four spectral bands, with a spatial resolution of 8.2 m (PAN, R, G, B) and 41.4 m in the mid-infrared (MIR). The optical system provides the ability to change viewing angle from nadir up to 30°. Width of the panchromatic and multispectral scene is 48 km (at nadir) and 58 km for the MIR scanner. The article demonstrates the possibility of using the new Ukrainian satellite images acquired from the Sich-2, which, due to the spatial resolution are similar to the image data from FORMOSAT-2, SPOT-5 and RapidEye. Examples of using Sich-2 for monitoring of vegetation in built-up areas, monitoring of natural disasters (floods, snow drifts, fires) and classification of agricultural areas are presented. These are the results of work carried out by the company Dniprocosmos S.C., which specializes in satellite image processing and is a distributor of satellite data. The team of the Earth Observation Group from the Space Research Centre of the Polish Academy of Sciences acquired one of the first images from the Sich-2, that captured Polish territory. Based on a scene depicting the area around Lublin, in March 2012, analysis of interpretation possibilities were performed. It was done using the MSIIRS (Multispectral Imagery Interpretability Rating Scale) interpretation system. The Sich-2 image was classified at level 3 of eight-point scale.
PL
W drugiej połowie lat dziewięćdziesiątych została opublikowana metoda analizy MAD (Multivariate Alteration Detection) służąca do wykrywania różnic występujących w wielowymiarowych zbiorach danych. Opracowano ją specjalnie dla celów detekcji zmian na podstawie zdjęć wielospektralnych i hiperspektralnych zarejestrowanych w różnym czasie. W ramach programu SATChMo/Geoland2 w Centrum Badań Kosmicznych rozpoznano możliwości zastosowania transformacji IR-MAD do detekcji zmian podstawowych form pokrycia terenu na zdjęciach satelitarnych wysokiej rozdzielczości. Prezentowana praca została wykonana na podstawie pary zdjęć KOMPSAT-2 obrazującej tereny północnej Hiszpanii w roku 2008 i 2010. Zaproponowany algorytm postępowania analizuje wyniki transformacji IR-MAD oraz dodatkowo informacje o pokrywie roślinnej i teksturze. Transformacja IR-MAD wykonywana jest na podstawie czterech kanałów spektralnych B, G, R i IR o rozdzielczości 4m, zdjęcia z pierwszego i drugiego terminu. Informacje uszczegóławiające możliwość zmian pokrywy roślinnej są pozyskiwane na podstawie wskaźników NDVI, natomiast źródłem informacji o teksturze są przetworzone za pomocą filtrów Sigma kanały panchromatyczne o rozdzielczości 1 m. Przyjęto założenia rozpoznawania zmian w pokryciu terenu, które nie są wynikiem naturalnych cykli fenologicznych. Najpierw identyfikowane są miejsca występowania zmian, następnie istnieje możliwość uzyskania informacji o ich charakterze.
EN
In the second half of the 1990s, MAD (Multivariate Alteration Detection) method designed for detecting differences in multidimensional datasets was published. It was developed specifically for change detection performed on the basis of multispectral and hyperspectral images collected at different times. Within the framework of the European program SATChMo/Geoland2, the Space Research Centre of Polish Academy of Sciences has recognized the possibility of applying the IR-MAD transformation to detect changes of the main form of land cover on high resolution satellite images. Presented work was performed on the basis of a pair of KOMPSAT-2 images presenting area of Northern Spain in 2008 and 2010. The proposed algorithm analyses the results of the IR-MAD transformation and also additional information about vegetation cover and texture. Transformation of IR-MAD is performed on the basis of four spectral channels; B, G, R and IR with a resolution of 4 m, of the images from the first and second term. Additional information concerning a possibility of appearing changes in vegetation are derived on the basis of NDVI index and texture layer produced by Sigma filters of panchromatic channel of 1m resolution. An assumption was made for classified changes of land cover, which are independent of natural phenological cycles. First, places of changes are located and next information of their nature (direction of changes) is obtained.
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.
EN
The work presents a methodology of processing MODIS satellite images in order to obtain information on the degree of correlation and dependence between vegetation index NDVI and a percentage of a vegetation cover. The low resolution satellite image from MODIS scanner placed on AQUA satellite was used in the analysis and as a reference data – an image from Landsat TM satellite. The test area was Warsaw and its surroundings. The analysis allowed to obtain a function which defines the relation between NDVI index and a percentage of vegetation cover (R2 = 0,85) This analysis permitted to create vegetation cover maps of Masovian Voivodeship. The work proved the possibility of mapping land vegetation cover on the base of low resolution satellite images. That kind of a map can be used as a background material to carry out various types of environmental studies.
EN
In May and June 2010 a flood occurred in Poland, which was the result of intensive rainfalls in the upper sections of the Vistula and Odra Rivers. Medium-resolution TERRA-MODIS satellite images were used for analysis of the extent of the flood wave. Images taken on 6 June for the Vistula River Valley and on 9 June for the Odra River Valley were selected from a generally accessible database. The size of flooded areas was delineated using an object-oriented classification methods in the eCognition software environment. Statistical analysis of classification results was performed at the municipality level, by comparing the classification with Corine Land Cover 2006 database. During the discussed flood, areas in 184 municipalities along the Vistula River and in 120 municipalities along the Odra River were flooded. The most extensive flooding occurred in Slonsk Municipality in the Odra River Valley, where 4055 hectares were flooded. In total, the Vistula waters flooded 4.01% of the area of municipalities located within the Vistula River Valley, and 3.29% of the area of Odra municipalities were flooded by the Odra River waters.
PL
W maju i w czerwcu 2010 roku Polskę nawiedziły powodzie, powstałe w wyniku intensywnych opadów deszczu w górnych odcinkach rzek Wisły i Odry. Do analizy zasięgu fali wezbraniowej wykorzystano średnio-rozdzielcze obrazy satelitarne TERRA-MODIS. Z ogólnodostępnej bazy obrazów wybrano zdjęcia z 6 czerwca dla doliny Wisły i 9 czerwca dla doliny Odry. Zasięg obszarów zalanych wyznaczono przy użyciu metod klasyfikacji obiektowej w środowisku oprogramowania eCognition. Analiza statystyczna wyników klasyfikacji została wykonana na poziomie gmin przez porównanie klasyfikacji z bazą danych Corine Land Cover 2006. Podczas powodzi zalane zostały tereny w 184 gminach wzdłuż Wisły i w 120 gminach wzdłuż Odry. Największy obszar objęty powodzią wystąpił w gminie Słońsk, w dolinie Odry gdzie zalany został obszar 4055 ha. Łącznie wody Wisły zalały 4,01% powierzchni gmin wiślańskich, natomiast wody Odry - 3,29% powierzchni gmin odrzańskich.
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%.
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.
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.
EN
The results of object-oriented classification based on multispectral and panchromatic Landsat ETM+ data, conducted with the use of eCognition software, are presented in the paper. The classification image was prepared using an algorithm aimed at obtaining a database similar to the one resulting from traditional visual interpretation. After the classification, generalisation of data was performed using a working unit of 1 ha for built-up areas and 4 ha for the remaining classes. Next, raster to vector conversion was performed and the edges of objects delineations were smoothed. Verification using a method of visual interpretation was the last stage of works. After combining the verification results with the classification, the final database was obtained. The applied methods of classification enabled identification of 18 land cover and land use classes, at least four of which cannot be identified using traditional methods. The obtained total accuracy of classification reached 94%. The principles of segmentation of the Landsat ETM+ image based on the panchromatic channel and fused multispectral and panchromatic data are specified in the paper. Fusion was based on PanSharp algorithm within PCI Geomatica software, which preserves spectral characteristics of the original data. The adopted principles of land use and land cover classes were also described. What is particularly worth attention is the method of identification of four built-up land classes, which were extracted from the general class of built-up areas classified using the nearest neighbour method. This task involved use of a parameter defined as a square root of the sum of squares of differences between spectral values of particular channels, while the classification of shadows of buildings was used for identification of built-up areas with apartment blocks. The presented method of classification and processing of the obtained results can support or, in certain cases, entirely replace traditional visual interpretation of satellite images, aimed at creating a land cover and land use database.
PL
Głębokie i długotrwałe odwodnienie siedlisk hydrogenicznych wywołuje procesy przeobrażeń, prowadzące do ich degradacji. Identyfikacja przeobrażeń tych siedlisk i ich monitorowanie, jeśli występują one na dużych powierzchniach, są trudne, a czasami mało efektywne, metodami tradycyjnymi. Podjęto próbę wykorzystania zdjęć z satelity Landsat TM do identyfikacji przeobrażonych wskutek głębokiego odwodnienia siedlisk hydrogenicznych i ich zasięgu. Porównanie informacji zawartych na zdjęciach satelitarnych z informacją uzyskaną metodami konwencjonalnymi w toku bezpośrednich badań terenowych wykazało zadowalającą zgodność identyfikacji siedlisk łąkowych przeobrażonych w wyniku odwodnienia oraz oceny zasięgu ujemnego wpływu leja depresji wód gruntowych KWB Bełchatów na użytki zielone.
EN
Deep and long-lasting drainage of hydrogenic habitats causes transformation processes leading to their degradation. Identification of these sites transformations and their moniotoring, if they occur in large areas, are difficult and sometimes low-effective by traditional methods. In the paper an attempt to use images from the Landsat TM satellite for the identification of transformed due to deep drainage hydrogenic habitatats and of their range has been made. A comparison of information contained in the satellite images with information obtained by conventional methods during direct field studies showed satisfactory agreement of identification of grassland sites transformed as a result of drainage and of assessment of the range of the KWB Betchatow ground water depressioncone negative effect on grasslands.
EN
This paper presents results of object-oriented classification of Landsat ETM+ satellite image conducted using eCognition software. The classified image was acquired on 7 May 2000. In this particular study, an area of 423 km² within the borders of Legionowo Community near Warsaw is considered. Prior to classification, segmentation of the Landsat ETM+ image is performed using panchromatic channel, fused multispectral and panchromatic data. The applied methods of classification enabled the identification of 18 land cover and land use classes. After the classification, generalization and raster to vector conversion, verification and accuracy assessment are performed by means of visual interpretation. Overall accuracy of the classification reached 94.6%. The verification and classification results are combined to form the final database. This is followed by comparing the object-oriented with traditional pixel-based classification. The latter is performed using the so-called hybrid classification based on both supervised and unsupervised classification approaches. The traditional pixel-based approach identified only 8 classes. Comparison of the pixel-based classification with the database obtained using the object-oriented approach revealed that the former reached 72% and 61% accuracy, according to the applied method.
PL
W artykule przedstawiono wyniki klasyfikacji obiektowej zdjęcia satelitarnego Landsat ETM+, uzyskane z zastosowaniem specjalistycznego oprogramowania eCognition. Klasyfikację wykonano na przykładzie zdjęcia zarejestrowanego 7 maja 2000 r., obrazującego obszar badawczy o powierzchni 423 km², znajdujący się w granicach powiatu legionowskiego w pobliżu Warszawy. Proces klasyfikacji obiektowej polega na rozpoznaniu obiektów, którymi są grupy pikseli spełniające założone kryterium jednorodności. Granice obiektów zostały zdefiniowane w czasie segmentacji zdjęcia, wykonanej na podstawie wartości pikseli kanału panchromatycznego skanera ETM+ oraz danych uzyskanych w wyniku połączenia wybranych kanałów wielospektralnych z kanałem panchromatycznym. Zastosowane metody klasyfikacyjne, związane nie tylko z wartościami spektralnymi charakteryzującymi poszczególne obiekty, lecz również z kryteriami parametrycznymi, umożliwiły identyfikację 18 klas pokrycia i użytkowania ziemi. Następnie wynik klasyfikacji został przetworzony funkcjami: generalizacji, konwersji formatu danych oraz poddany weryfikacji. Generalizację wykonano z zastosowaniem jednostki odniesienia wynoszącej 1 ha dla klas zabudowy i wody oraz 4 ha dla pozostałych klas. Następnie format klasyfikacji został zmieniony z rastrowego na wektorowy, w którym wykonano wygładzenie granic wydzieleń. Klasyfikacja została zakończona weryfikacją wektorowej bazy danych metodą interpretacji wizualnej. Całkowita dokładność klasyfikacji została oceniona na poziomie 94.6%. Po uwzględnieniu zmian wprowadzonych w czasie weryfikacji uzyskano końcową postać bazy danych. Wyniki klasyfikacji obiektowej zostały porównane z wynikami tradycyjnej (pikselowej) klasyfikacji, wykonanej z zastosowaniem algorytmu tzw. klasyfikacji hybrydowej, składającej się z następujących po sobie klasyfikacji nadzorowanej i nienadzorowanej. Rozpoznano jedynie 8 klas pokrycia i użytkowania ziemi. Dokładność tradycyjnej klasyfikacji oceniono przez porównanie jej z wynikami klasyfikacji obiektowej. Uzyskano wyniki na niskim poziomie, wynoszącym jedynie 72% i 61%, w zależności od przyjętej metody oceny.
EN
This paper presents the works performed during realisation of a project, which enabled designing an automatic support method of satellite image interpretation of land cover forms. The method is based on object-oriented classification and it comprises five basic stages: image segmentation, classification, generalisation, conversion of the classification images into vector format, verification of the classification using the method of visual interpretation. Based on a study area of nearly 800 sq. km, rules of object-oriented classification of ASTER satellite images were defined. Object-oriented classification was carried out with a division into 19 classes of land cover and land use. The result of classification was generalised using a working unit of 4 hectares and 1 hectare for water and build-up areas (working units are connected with the scale of 1:50000). Next, raster classification images were converted into vector format. The polygon edges of the vector layer were smoothed in order to make them more similar to the borders identified during visual interpretation. Assessment of classification was performed in order to verify correctness of classification codes and borders identified during visual interpretation. To this end, the procedure used in the CORINE 2000 programme was applied. Interpretation resulted in obtaining information about the differences between classification and interpretation. On the basis of these results, it was possible to precisely specify the accuracy of classification of all classes (within the entire study area) and to create an accurate database of land cover and land use. In the process of object-oriented classification, diverse classification criteria were applied. The metod of classification of mixed forest and apartment blocks is particularly interesting: mixed forests were classified as deciduous or coniferous forests characterised with high non-uniformity, while apartment blocks were identified according to shadows of high buildings. During generalisation of the images, only 1.4% of the study area was changed, which indicates that satellite image segmentation was performed properly. Total accuracy of classification was over 86% and half of the classification mistakes occurred as a result of the fact that an image was taken in spring. The suggested method may accelerate interpretation of land cover and land use even by 50% and in some cases it may even replace visual interpretation. The condition for the method to be effective is defining the rules of object-oriented classification for all types of satellite images, as it was done for the ASTER image. The rules of classification do not necessarily have to cover all classes of land cover (sometimes it may even be impossible). Correct automatic identification of even a few classes will accelerate the process of land cover database creation.
PL
Artykuł prezentuje wstępną ocenę zdjęć satelitarnych ASTER, wykonywanych z pokładu satelity Terra, dla potrzeb teledetekcji i fotogrametrii. Obraz powierzchni Ziemi rejestrowany jest w 14 kanałach spektralnych o różnej rozdzielczości przestrzennej: 3 kanały zakresu VNIR – 15 m, 5 kanałów zakresu SWIR – 30 m oraz 6 kanałów TIR – 90 m. Wielkość sceny satelitarnej wynosi 60 x 60 km. Na podstawie zobrazowania z maja 2002 wykonano wstępną analizę zdjęć ASTER z punktu widzenia teledetekcji i fotogrametrii. Przedstawiono parametry statystyczne opisujące poszczególne kanały spektralne oraz zestawy kanałów tworzących kompozycje barwne. Na podstawie kanału 3 (0.78-0.86 µm, rozdzielczość 15 m) zarejestrowanego z pokryciem stereoskopowym z jednej orbity, wygenerowano NMT. Ocenę dokładności NMT wykonano w oparciu o profile pomierzone na zorientowanych przestrzennie modelach zdjęć lotniczych w skali 1:26 000.
PL
Do oceny możliwości interpretacyjnych zdjęć satelity IRS-1C wykorzystane zostały cztery kompozycje barwne. Analizie poddano dwie kompozycje barwne skanera LISS-III oraz dwie kompozycji powstałe w wyniku połączenia ze zdjęciem panchromatycznym: LISS(4, 5, 3), LISS(NAT), LISS(4, 5, 3)+PAN oraz LISS(NAT)+PAN. Kompozycja LISS(NAT), w barwach zbliżonych do naturalnych, została utworzona z zastosowaniem sztucznego kanału niebieskiego „synthetic blue” wygenerowanego przez firmę Euromap. Interpretacja form pokrycia i użytkowania ziemi została wykonana zgodnie z legendą CORINE IV opracowaną w IGiK. W przypadku kompozycji LISS(4, 5, 3) uzyskano 84.75% poprawności interpretacji, natomiast dla kompozycji LISS(NAT) jedynie 72.69%. Po połączeniu kompozycji LISS-III ze zdjęciem IRS-1C PAN uzyskano zdecydowany wzrost poprawności interpretacji: 89.84% dla kompozycji w barwach nienaturalnych oraz 87.54 dla kompozycji w barwach zbliżonych do naturalnych. Udział kanału panchromatycznego pozwolił na istotne zwiększenie poprawności interpretacji klas związanych z zabudową. W przypadku barw naturalnych zaobserwowano również istotny wzrost rozpoznawalności klas związanych z lasami i ekosystemami seminaturalnymi. Na podstawie wyników interpretacji kompozycji w barwach naturalnych połączonej ze zdjęciem panchromatycznym opracowano mapę użytkowania ziemi, która powstała przez nałożenie na obraz satelitarny barwnej warstwy tematycznej o różnym stopniu przeźroczystości.
EN
Four colour composites were used for evaluating interpretation possibilities of IRS-1C satellite images. Two composites formed from LISS-III bands – LISS(4, 5, 3) and LISS(NAT) were analyzed, as well as two composites created as a result of their merging with panchro-matic image LISS (4, 5, 3)+PAN and LISS (NAT)+PAN were applied. LISS(NAT) composite, resembling natural colours, was prepared with the use of “synthetic blue” band, generated by Euromap company. Interpretation of land cover and land use forms was performed in accor-dance with CORINE Level 4th legend, prepared at the Institute of Geodesy and Cartography. In case of LISS (4, 5, 3) composite interpretation was done with 84.75% accuracy, while for LISS(NAT) composite only 72.69% was achieved. After merging LISS-III composite with IRS-1C panchromatic image significant increase of interpretation accuracy was obtained: 89.84% for false-colour composite and 87.54% for composite resembling natural colours. Contribution of panchromatic image enabled to increase considerably correctness of interpreta-tion of built-up classes. In case of natural colours classes related to forests and semi-natural ecosystems were also much better recognized. Land use map was prepared as a result of interpretation of composite resembling natural colours merged with panchromatic image. This map was generated through making overlay of colour thematic layer with varied degree of transparency on satellite image.
PL
W referacie przedstawiona je t ocena przydatności indyjskich zdjąć IRS-1C z punktu widzenia interpretacji form pokrycia terenu. Analizie interpretacyjnej poddano kompozycją barwną zdjęcia wielospektralnego LISS-III oraz obraz uzyskany w wyniku połączenia kompozycji barwnej z kanałem panchromatycznym PAN. Prace badawcze zostały wykonane na przykładzie powiatu legionowskiego. Interpretacją form pokrycia i użytkowania terenu przeprowadzono metodą wizualną (na monitorze komputera) a podział treści zdjąć satelitarnych dokonano w oparciu o rozbudowaną legendą CORINE - poziom IV.
PL
Pod koniec roku 1999 w Instytucie Geodezji i Kartografii powstały mapy satelitarne województwa opolskiego i dolnośląskiego.Na podstawie indyjskich zdjęć satelitarnych zarejestrowanych skanerem LISS-III opracowano mapy województwa opolskiego w skali 1:100 000 i 1:200 000. Kompozycje barwne utworzone z 4, 5 i 3 kanału spektralnego zostały przetworzone przy zastosowaniu metody pozwalającej na uzyskanie szczegółowego obrazu powierzchni ziemi, mimo udziału w obrazie 5-go kanału o niskiej rozdzielczości. Mapę województwa dolnośląskiego wykonano w skali 1:100 000 na podstawie pięciu scen zdjęć Landsat TM.
first rewind previous Strona / 2 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.