Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 10

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote Mapping tree cover with Sentinel-2 data using the Support Vector Machine (SVM)
EN
The knowledge on forest resources is important for sustainable forest management at local and national level. The aim of this paper is to examine the efficacy of the Support Vector Machine (SVM) approach for tree cover mapping based on Sentinel-2 images and to explore the potential of the Sentinel-2 data for the assessment of tree cover. Sentinel-2 is a constellation of two European satellites providing innovative wide-swath (up to 290 km), high-resolution and multispectral data (13 spectral bands at 10, 20 and 60 m spatial resolution). The study area is located in the Forest Promotion Complex, which is a part of the Knyszyn Forest Landscape Park in Poland. The SVM classification was performed on the single images (spring and summer season) and on multi-date Sentinel-2 images (images from two dates classified simultaneously). In addition, the use of high-resolution bands and a combination of the 10 m and 20 m spatial resolution data was examined. The overall accuracy for all performed classification was very high and reached the level of 96.7%–99.6%, which confirms that SVM classification can be successfully applied for tree cover mapping. The analysis showed that the Sentinel-2 images acquired in the middle of the vegetation season, when the leaves are fully developed are more suitable for tree cover mapping than the images acquired in spring.
PL
Wiedza na temat terenów zadrzewionych jest istotna zarówno ze względu na zarządzanie lasami, jak i z punktu widzenia poprawności raportowania danych na potrzeby krajowych i międzynarodowych statystyk. Zobrazowania satelitarne są wykorzystywane do określania zasięgu terenów zadrzewionych, szacowania aktualnego stanu zdrowotnego lasów oraz do ciągłego monitorowania zmian zachodzących w lasach. Głównym celem badań była analiza możliwości wykorzystania metody wektorów nośnych Support Vector Machine (SVM) do kartowania powierzchni zadrzewionej na podstawie zobrazowań z europejskiego satelity Sentinel-2. Misja Sentinel-2 to konstelacja dwóch satelitów: Sentinel-2A i Sentinel-2B, rejestrujących promieniowanie w zakresie optycznym, bliskiej i dalszej podczerwieni. Największym atutem misji Sentinel-2 jest skrócony czas rewizyty (ok. 5 dni), szeroki pas obrazowania (290 km) oraz zwiększona rozdzielczość przestrzenna (10 m, 20 m i 60 m). Teren badań zlokalizowany był na terenie Leśnego Kompleksu Promocyjnego Puszczy Knyszyńskiej. W celu określenia przydatności zobrazowań Sentinel-2 do kartowania terenów zadrzewionych analizy wykonano na pojedynczych zobrazowaniach S-2 zarejestrowanych wczesną wiosną (28.03.2016) i latem (31.08.2015) oraz na kombinacji danych wieloczasowych, pochodzących z dwóch dat. Dodatkowo testowano wpływ liczby kanałów spektralnych na wynik klasyfikacji. W tym celu wykonano klasyfikację na czterech 10 m kanałach spektralnych oraz na kombinacji 10 m i 20 m kanałach spektralnych. Wyniki przeprowadzonych badań potwierdziły potencjał metody SVM do kartowania terenów zadrzewionych. W każdym przypadku całkowita dokładność wykonanych klasyfikacji osiągnęła wartość powyżej 96%. Największą dokładność osiągnięto w przypadku klasyfikacji obrazu letniego (dokładność całkowita 99.2%, Kappa 98.3%), zaś najniższą w przypadku obrazu wiosennego (dokładność całkowita 96.6, Kappa 93.3%). Wyniki klasyfikacji wykonanej na pojedynczym obrazie S-2 były nieco lepsze niż na wieloczasowych obrazach.
PL
W artykule został scharakteryzowany Program Copernicus utworzony do monitorowania powierzchni Ziemi za pomocą zdjęć satelitarnych, lotniczych i obserwacji naziemnych. Przedstawiono główne prace Centrum Teledetekcji Instytutu Geodezji i Kartografii, służące realizacji tego Programu. Dotyczą one wykorzystania metod teledetekcyjnych do kartowania powierzchni ziemi i monitorowania różnych elementów środowiska geograficznego. Zostały zaprezentowane prace dotyczące kartowania pokrycia terenu na podstawie zdjęć satelitarnych, tworzenia systemów informacyjnych dla rolnictwa, służących ocenie stanu upraw i prognozowaniu plonów, wykorzystania obrazów radarowych dla potrzeb leśnictwa do oceny biomasy leśnej i zawartego w niej węgla, zastosowania technik teledetekcji do monitorowania zagrożeń środowiska (pożary, powodzie, susze), wykorzystania technik radarowych do śledzenia zmian deformacji gruntu, zastosowania zdjęć satelitarnych dla planowania przestrzennego do monitorowania zmian klimatu na obszarach miejskich.
EN
Copernicus Programme created for Earth monitoring with the use of satellite, aerial and in-situ data was briefly characterized in the article. Main research works of the Remote Sensing Centre, Institute of Geodesy and Cartography supporting this Programme, related to application of remotely sensed data for land cover mapping and monitoring of various environmental components, have been presented. They are concentrated on the following topics: use of satellite images for preparation of land cover maps, creation of information systems for agriculture, aimed at crop condition assessment and yield forecasting, use of radar images for estimating forest biomass and carbon content, application of remote sensing techniques for monitoring environmental hazards (forest fires, floods), application of radar interferometric techniques for monitoring ground deformations, use of satellite data for spatial planning to monitor climate changes within urban areas.
PL
Aktualne mapy pokrycia terenu są podstawą wielu dyscyplin nauki oraz mają szerokie zastosowanie aplikacyjne. Jednym z problemów aktualizacji map jest proces aktualizacji danych. Teledetekcja dostarcza codziennie nowych zobrazowań satelitarnych, które mogą zaspokoić potrzeby aktualizacji baz danych. W niniejszym artykule autorzy przedstawiają metodę klasyfikacji pokrycia terenu sztucznymi sieciami neuronowymi fuzzy ARTMAP zgodnie z założeniami i legendą Corine Land Cover na podstawie danych satelitarnych Landsat, które wykorzystywane są do opracowania map pokrycia terenu. W artykule użyto jako danych referencyjnych i weryfikacyjnych najnowszą mapę Corine Land Cover (CLC) 2012. Do przeprowadzenia klasyfikacji symulatorem wykorzystano trzy zdjęcia satelitarne Landsat TM (21.04.2011, 05.06.2010, 27.08.2011). Obszarem badań były okolice Warszawy. Wynikami pracy symulatora są mapy klasyfikacji pokrycia terenu oraz macierze błędów klasyfikacji. Uzyskane wyniki potwierdzają, że sztuczne sieci neuronowe mogą z powodzeniem być wykorzystywane do aktualizacji map pokrycia terenu.
EN
Modern land cover maps are the basis of many scientific disciplines and they are widely applied. One of the problems connected with the revision of maps is the data updating procedure. Remote Sensing daily provides us with the new satellite images, that can meet the needs of database updates. In this article the method of classification for land cover with the artificial, neural, fuzzy ARTMAP networks is presented by the authors in accordance with the objectives and legend of the CORINE Land Cover Map on the basis of the Landsat satellite data, which are used to elaborate the land cover maps. The latest CORINE Land Cover map 2012 polygons are used as the reference and verification data. Three satellite Landsat TM images of 21.04.2011, 05.06.2010, 27.08.2011 are processed by a fuzzy, artificial, neural network classificatory simulator. The area of research was Warsaw and its surrounding area. The results of this research are the classificatory land cover maps and error matrices. Acquired results confirm that the artificial neural networks can be successfully used for land cover updating.
EN
Actual land cover maps are a very good source of information on present human activities. It increases value of actual spatial databases and it is a key element for decision makers. Therefore, it is important to develop fast and cheap algorithms and procedures of spatial data updating. Every day, satellite remote sensing deliver vast amount of new data, which can be semi-automatically classified. The paper presents a method of land cover classification based on a fuzzy artificial neural network simulator and Landsat TM satellite images. The latest CORINE Land Cover 2012 polygons were used as reference data. Three satellite images acquired 21 April 2011, 5 June 2010, 27 August 2011 over Warsaw and surrounding areas were processed. As an outcome of classification procedure, the maps, error matrices and a set of overall, producer and user accuracies and a kappa coefficient were achieved. The classification accuracy oscillates around 76% and confirms that artificial neural networks can be successfully used for forest, urban fabric, arable land, pastures, inland waters and permanent crops mapping. Low accuracies were obtained in case of heterogenic land cover units.
5
Content available remote CORINE Land Cover 2012 - 4th CLC inventory completed in Poland
EN
The first European and Polish CORINE Land Cover map was created for the reference year 1990, then subsequently for 2000 and 2006. The long heritage of CLC inventories allows researchers to perform a long-term analysis of land cover dynamics at national and European scale. This article focuses on the results of the CLC2012 inventory and analysis of land cover changes which occured between 2006 and 2012. The 4th CORINE Land Cover inventory was carried out by the Institute of Geodesy and Cartography (IGiK). After an effort of one and a half year of mapping using visual satellite image interpretation, the CORINE Land Cover 2012 and land cover changes 2006-2012 for the entire coutry have been completed. The total area of land cover changes between 2006 and 2012 reached about 1% of the terrority of Poland (309 741 ha). More than 75% of land cover changes occured in forest and semi-natural class, almost 19% in the artificial class, 5% in agriculture land and the remaining 1% in wetlands and water bodies.
PL
Pierwsza mapa i baza danych CORINE Land Cover zawierająca informacje o pokryciu terenu została opracowana dla krajów Europy Zachodniej i Środkowej, w tym Polski, dla roku 1990, następnie dla lat 2000, 2006 i 2012. Porównanie baz danych pozwala na analizę dynamiki pokrycia terenu w okresie ostatnich 22 lat. W niniejszym artykule przedstawiono wyniki czwartej inwentaryzacji pokrycia terenu - CORINE 2012 dla Polski. Projekt CORINE Land Cover 2012 był realizowany przez Instytut Geodezji i Kartografii (IGiK) w Warszawie. W wyniku trwającej prawie półtora roku wizualnej interpretacji zobrazowań satelitarnych została opracowana baza danych, która obejmowała zmiany pokrycia terenu w latach 2006-2012 oraz baza danych pokrycia terenu CLC2012. Całkowita powierzchnia zmian pokrycia terenu w latach 2006-2012 stanowiła niemal 1% powierzchni kraju (309 741 ha). Ponad 75% wszystkich zmian pokrycia terenu miało miejsce na obszarach leśnych i w ekosystemach seminaturalnych, 19% na terenach antropogenicznych, 5% na obszarach rolnych i pozostałe 1% objęło obszary podmokłe i wodne.
EN
It is the most beneficial to apply geomatics to research projects for which the spatial aspect of data is important. Tools offered by GIS improve collection of spatial data, their modifications and analysis. Moreover, when large spatial data sets of various types are considered, it becomes even more important to refer to geomatics. Simultaneous analysis of digital maps, satellite images, aerial photos, feature data base and multimedia, requires special tools which are offered by GIS software. The aim of this paper is to present an example of the application of geomatics to a research project. The project is aimed at an investigation of crop recognition on microwave satellite images. In this project, GIS software on desktop and mobile platforms were applied to spatial data collection and analysis. One of the most important tasks of the project is to classify the content of satellite images. This task is related to the collection of appropriate ground data. The classification method used in the project belongs to supervised methods. In supervised approach it is necessary to collect samples representing each class on the image. These samples allow to train the classifier and help to determine the decision boundaries in the feature space defined by satellite images. The quality of final classification results depends on how adequately these training samples are selected. In the case of crop recognition on satellite images, training samples for various crops are initially specified in the study area. Next, pixels representing selected sample areas are identified on satellite images. More than 30 training samples are needed for each crop class in order to satisfy statistical requirements. Moreover, the validation of classifier requires a set of independent validation samples. On the whole, 700 fields covered by unique crops were selected in the study area. It has been assumed that only fields with an area larger than 5 hectares can form training and validation sets. The record of crop type and several parameters characterizing crop condition or its phenological phase for each of these fields were taken during the visits to the test site. Data collection was correlated with satellite overpasses and repeated during the consecutive acquisitions of images within the whole crop growth season. The project started in 2003 and was continued in 2004 and 2005. Each year the set of sample fields was slightly different. Due to crop rotation and other farming practices, the selection of crop representation varied from one year to another. Moreover, the boundaries of some of the fields had to be modified and a full record of these modifications was kept in the project database. The initial version of field geometry was obtained by digitization of crop boundaries on a LANDSAT ETM image. This initial layer was updated during the field campaign using a palmtop with GPS receiver and ARCPad software. GIS tools helped to define the boundaries of sample fields and to register all estimated or measured parameters which characterized crops in the fields. GIS tools were used during the initial phase of the project, as well as at the subsequent steps of spatial data handling. The following tasks were completed using GIS ARCMap software: collection of spatially oriented microwave satellite images which were acquired during the crop growth season; collection of thematic maps for the study area . DTM, soil map etc.; processing of thematic maps aimed on derivation of some useful products like for example maps of slope and aspect based on DTM; management of images showing various phases of crop development in the study area; creation of the relational database which contains descriptive data referring to the fields. Crop recognition on microwave images is based on the assumption that different types of crops backscatter microwave uniquely, giving a "spectral signature". Average values of microwave response registered in satellite image within the boundaries of the training fields were used as crop signatures in the project. These signatures were calculated using zonal functions available in GIS software. Afterwards, crop signatures were assembled in the relational database and classified using other software. GIS tools were also used for the assessment of classification results. Geostatistical analysis made it possible to look for any spatial bias of crop recognition results. Geostatistical tools also help to investigate the influence of spatially distributed factors on crop classification.
PL
Program GMES podzielony jest na tematykę „Środowisko” i „Bezpieczeństwo”. Tematyka Środowisko obejmuje zadania monitorowania oceanów i atmosfery oraz monitorowanie powierzchni Ziemi w tym prognozowanie plonów, rozwój roślinności, udostępnienie systemu wczesnego ostrzegania, zrównoważone wykorzystanie zasobów wodnych w celu odpowiedniego zarządzania. Tematyka „Bezpieczeństwo” obejmuje zarządzanie obszarami w razie zagrożeń naturalnych i zapewnienie bezpieczeństwa cywilnego w razie zagrożeń naturalnych. W ramach tematyki GMES został przyjęty zintegrowany projekt pt. „Produkty GMES i ich użyteczność w integrowaniu danych obserwacji Ziemi wspomagających wprowadzenie Europejskich dyrektyw i Europejskiej polityki w odniesieniu do pokrycia terenu oraz do roślinności.”. W Projekcie tym wśród 56 instytucji bierze udział Instytut Geodezji i Kartografii. W ramach wykonywanych prac zostaną zastosowane agro – meteorologiczne modele oparte o zmienne parametry klimatyczne oraz zostanie wprowadzony system prognozy plonów, oparty o modele teledetekcyjne uwzględniające wyprowadzone z danych teledetekcyjnych wartości ewapotranspiracji, indeksy roślinne, oraz indeksy suszy. Badania nad poszczególnymi modelami prowadzącymi od stosunkowo prostych do skomplikowanych metod uzyskiwania parametrów biofizycznych będzie przeprowadzone dla obszaru Polski.
EN
The study has been carried out at the Biebrza Basin in Poland. The investigation aimed at finding the best vegetation index characterising different marshland habitats. The various indices were calculated on the basis of all considered spectral bands of low spatial resolution satellites as SPOT/VEGETATION, ERS-2/ATSR, and NOAA/AVHRR. The GEMI and EVI index calculated from SPOT/VEGETATION images was the best for distinguishing vegetation classes. The best correlation between LAI measured at the ground and the derived indices was with GEMI and EVI index. Soil moisture values calculated from ERS2/ SAR well characterised distinguished marshland humidity classes.
PL
Biebrzański Park Narodowy został założony w 1993 roku w celu ochrony unikalnych walorów przyrodniczych bagiennej doliny rzeki Biebrzy. W wyniku panujących warunków wodnych oraz morfologii terenu na obszarze tym wykształcił się największy w Polsce ekosystem torfowisk niskich i wysokich. Na skutek zmian w użytkowaniu rolniczym oraz z powodu budowy kanałów odwadniających, ten unikalny naturalny ekosystem bagienny został zachwiany. Zmienione warunki wilgotnościowe doprowadziły do degradacji gleb torfowych i w konsekwencji do zmiany szaty roślinnej. Obecnie istnieje potrzeba monitorowania niekorzystnego dla środowiska procesu osuszania bagien, a jedynie możliwą do zastosowania na tak dużą skalę metodą, jest metoda teledetekcji. Badania skoncentrowano na obszarze zlokalizowanym w Basenie Środkowym Biebrzy, na którym do tej pory przeprowadzono wiele eksperymentów naukowych, i dla którego zgromadzono wiele informacji niezbędnych do realizacji niniejszego przedsięwzięcia. W opracowaniu uwzględnione zostały dane satelitarne i naziemne archiwalne pochodzące z lat 1995 i 1997 oraz dane otrzymane w trakcie trwania badań lat 2000–2002. Wykorzystano dane satelitarne otrzymywane w optycznym i mikrofalowym zakresie widma elektromagnetycznego. Z zakresu optycznego (Landsat ETM, ERS-2.ATSR, SPOT VEGETATION, NOAA/AVHRR) zostały wyznaczone wskaźniki roślinne charakteryzujące powierzchnię ze względu na stopień uwilgotnienia i fazę rozwoju roślin. Poprzez klasyfikację obszaru wyróżniono łąki na różnych rodzajach siedlisk. Klasyfikowane były zdjęcia wykonane przy użyciu skanerów Thematic Mapper (TM) i Enhanced Thematic Mapper (ETM+) pracujących na satelitach z serii Landsat oraz zdjęcia mikrofalowe wykonane przy użyciu urządzenia SAR umieszczonego na satelicie ERS-2. Przy klasyfikacji wykorzystano wyniki badań terenowych. Z danych mikrofalowych zarejestrowanych przez satelitę ERS-2 obliczono współczynnik wstecznego rozpraszania i wyprowadzono algorytmy wyznaczania wilgotności gleby. Wyznaczono również związek pomiędzy poszczególnymi klasami wilgotności gleby a wskaźnikami roślinnymi uzyskanymi z różnych satelitów oraz wyznaczono obszary, na których zaszły największe zmiany wilgotności. W wyniku przeprowadzonych analiz wybrano następujące wskaźniki roślinne: ARVI, EVI, GEMI, MI, NDVI, których wzory podane są poniżej: ARVI = ( NIR - BLUE ) / ( NIR + BLUE ) EVI = 2.0 * ( NIR - RED ) / ( 1 + NIR + 6 * RED - 7.5 * BLUE ) GEMI =⋅[η * ( 1 - 0.25η ) - ( RED - 0.125 )] / [ 1 - RED ], η = [ 2 * ( NIR2 - RED2 ) + 1.5 NIR + 0.5 RED ] / 9 NIR + RED + 0.5 ] NDVI = ( NIR - RED ) / ( NIR + RED ) MI = ( SWIR - RED ) / (SWIR + RED ) gdzie: ARVI – Atmospherically Resistant Vegetation Index, Kaufman i Tanre, 1992; EVI – Enhanced Vegetation Index, Liu i Huete, 1995; GEMI – Global Environment Monitoring Index, Pinty i Verstraete, 1992; MI –Medium Infrared Index, wyprowadzony przez autorów, 2002; NDVI – Normalized Difference Vegetation Index, powszechnie używany od dawna. Wskaźniki roślinne łączą dane teledetekcyjne z biofizycznymi charakterystykami powierzchni czynnej, a w szczególności z powierzchnią projekcyjną liści, akumulowaną radiacją w procesie fotosyntezy, biomasą, i gęstością pokrycia roślinnością. Istnieje duże zainteresowanie rozwijaniem i wprowadzaniem wciąż nowych indeksów ze względu na ich związek z wieloma cechami roślinnymi, a równocześnie nie czułych na osłabiający wpływ gleby i atmosfery. Pozostaje jednak nadal aktualne, jakie cechy roślin wpływają na wartość wskaźnika, dla jakich warunków dany indeks może być zastosowany, jak również z jaką dokładnością mogą być poszczególne parametry roślinne obliczane. Wskaźniki roślinne, ze względu na łatwość ich obliczania bez konieczności stosowania dodatkowych danych, znalazły zastosowanie w rolnictwie do prognozowania plonów, ustalania terminów nawodnień. Istotnym elementem pracy było znalezienie takich wskaźników roślinnych obliczanych ze zdjęć satelitarnych wykonanych w optycznym zakresie widma, które pozwoliłyby na dokładne szacowanie wskaźnika powierzchni projekcyjnej liści tzw. LAI. Wskaźnik ten jest niezbędny do szacowania wilgotności gleby ze zdjęć mikrofalowych, gdyż odzwierciedla szorstkość badanej powierzchni roślinnej. Analiza zmian wilgotności gleby umożliwiła wyznaczenie obszarów o zróżnicowanym uwilgotnieniu i opracowanie metody jej monitorowania na obszarach bagiennych. Najsilniejszą zależność otrzymano dla wskaźników EVI i GEMI obliczonych z danych satelitarnych SPOT VEGETATION (R2 = 0.81), najsłabszą dla wskaźnika GEMI obliczonego z danych NOAA/AVHRR (R2 = 0.41). Wyprowadzone na podstawie analizy statystycznej algorytmy o najwyższych korelacjach mogą być zastosowane do szacowania wskaźnika LAI dla roślinności bagiennej.
PL
Satelitarne mapy obrazowe stanowią cenny dokument łączący cechy tradycyjnych opracowań kartograficznych z bogatą treścią obrazów satelitarnych, zwłaszcza tych o podwyższonej rozdzielczości. Użycie obrazu satelitarnego jako podkładu do mapy turystycznej Biebrzańskiego Parku Narodowego czyni mapą plastyczną, żywą, pobudza wyobraźnią odbiorcy i kształtuje umiejętność kompleksowego patrzenia na środowisko przyrodnicze. Taka mapa spełnia funkcję krajoznawczą, poglądową i dydaktyczną. Dodatkowo poprzez właściwe opracowanie treści kartograficznej, wyważenie odpowiedniej ilości niezbędnych informacji może służyć szerszemu gronu odbiorców (naukowcy, turyści, uczniowie itp.), a także władzom parku w celu wywierania wpływu na wzrost intensywności ruchu turystycznego.
PL
Proces osuszania Bagien Biebrzy w wyniku zmian gospodarki terenu trwa od wielu lat. W wyniku obniżenia zwierciadła wody i zmian stosunków wodnych nastąpiła zmiana w rozwoju torfowisk co wpłynęło na sukcesją roślinności zaroślowej i leśnej. Informacje pozyskane z satelity Landsat ETM w zakresie widzialnym, z satelity ERS-2 w zakresie mikrofalowym i z satelity NOAA w zakresie dalekiej podczerwieni termalnej zasiliły bazę GIS i w rezultacie doprowadziły do przeprowadzenia procesu modelowania bilansu wodnego dla zlewni środkowej Biebrzy.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.