Wyniki wyszukiwania - Biblioteka Nauki

1

Improving unsupervised classification of forest types throught the use of spectral indices

100%

Stępniewski P. , Będkowski K.

|

tom T. 7, z. 2

127-132

EN

The natural land cover class of Poland is almost entirely forest, but nowadays it is replaced by man-made ecosystems like arable, meadows, pastures and urban areas. The remaining forest forms islands, which are connected each other by corridors located mainly along rivers. Satellite images are an effective tool for the recognition of land cover structures which forms the first step for attaining a good understanding of landscape function. One of the commonly used remote sensing methods is unsupervised land use classification derived from the ISODATA (Iterative Self-Organizing Data Analysis Technique) algorithm. The logic of this routine was described by (Ball, Hall, 1965). Although the ISODATA routine applied to spectral bands acquired from multispectral scanners usually leads to good classification results, new approaches continue to be developed. In this paper we describe how classification results can be improved through the use of spectral indices instead of the original spectral bands. This will be explained using an example of analysing the structure of a forested area. The main objective of this research is to analyse how the vertical and horizontal structure of mixed forests can be assessed from satellite images. In our study we've used the IDRISI32 ISOCLUST routine, which is a specific implementation of the ISODATA approach (Eastman, 1999). The study was carried out on a 100 km2 subset of the Landsat scene p188r24 acquired on 7th May 2000 (http://www.landsat.org). This 7-band multispectral image with panchromatic band covers a region located in central Poland. The main land cover classes here are agricultural areas (arable fields, meadows, pastures) and forests. This landscape can be considered as representative of this part of Poland. The entire study area was also recorded using aerial photographs taken with a DMC 2000 digital camera. The resolution (ground sample distance) of these images was about 0.15 m. For our study NC- (natural color) and CIR-composites were produced.

PL

Naturalną formą pokrycia terenu w Polsce są lasy, które zostały jednakże zastąpione w znacznym stopniu przez obszary użytkowane rolniczo - pola uprawne, łąki i pastwiska. Pozostałości lasów tworzą w krajobrazie wyspy, które są połączone siecią korytarzy. Rolę korytarzy pełnią najczęściej lasy i zarośla położone wzdłuż cieków wodnych. Obrazy satelitarne są uważane za efektywne narzę dzie służące do rozpoznawania struktury i funkcjonowania krajobrazu na dużych obszarach. Jedną z popularnych metod analizy jest procedura klasyfikacji nienadzorowanej ISODATA. W niniejszej pra cy przedstawiono wyniki klasyfikacji sceny Landsat p188r24 za pomocą algorytmu ISOCLUST, który jest implementacją procedury ISODATA w programie IDRISI32. Głównym celem badań było spraw dzenie, czy można poprawić wyniki klasyfikacji nienadzorowanej przez zastosowanie indeksów spek tralnych, zamiast oryginalnych kanałów obrazu satelitarnego. Specjalną uwagę zwrócono na odróżnianie drzewostanów mieszanych o złożonej strukturze poziomej i pionowej w sytuacji, gdy scena jest klasyfikowana do niedużej liczby klas. Wykazano, że zastosowanie wskaźników spektralnych popra wia wynik klasyfikacji. Rozpoznano drzewostany jednogatunkowe, jednak nie udało się utworzyć oddzielnej klasy drzewostanów mieszanych - piksele reprezentujące te obiekty były klasyfikowane do klasy drzewostanów iglastych bądź liściastych. Wynik taki otrzymano zarówno w przypadku drzewo stanów mieszanych jednopiętrowych, jak i dwupiętrowych - z sosną w piętrze górnym i dębem lub innymi gatunkami liściastymi w piętrze dolnym. Autorzy sugerują, że wynik klasyfikacji można popra wić przez zwiększenie liczby tworzonych klastrów-skupień (parametr procedury ISOCLUST), a także przez uwzględnienie sezonowej zmienności lasów, czyli prowadzenie analizy na obrazach wieloczasowych.

2

Geomorphometry of the physical and geographical microregion of the Polkowice Hills

84%

Bidzińska P.

|

tom no. 2

59--70

EN

In this paper, a morphometric analysis of the terrain sculpture was carried out along with the editing of a geomorphometric map of the physical and geographical microregion of the Polkowickie Hills, which so far was not present in the literature for the studied area. The analysis was performed using the GIS program (ESRI ArcMap), which is based on a digital elevation model (LiDAR ‒ DEM). Following primary topographic parameters were selected through digital elevation model processing: aspect, slope, planar curvature, vertical curvature and local height differece, which provide exact information about the variability of the topography and its surface morphological processes. The obtained results of primary parameters allowed for the classification of relief forms in the studied area using the unsupervised ISODATA classification method. The final stage consisted of editing a geomorphometric map of the Polkowickie Hills microregion and a presentation of the distribution of morphometric classes with the height division of boundaries of the obtained geomorphometric separations. The results of the calculations and analyses allowed for the separation of various areas in the Polkowice Hills, and giving them their own names by the author. The choice of the unsupervised classification method and the independent definition of the number of classes gave positive results of terrain clustering of the studied area. The compliance of the results of the selected classification method with the actual topography (of which the author has extensive field and observational knowledge) confirms the selection of appropriate geomorphometric indicators and the unsupervised classification method, which in the examined case turned out to be computationally effective.

PL

W tym artykule wykonano analizę morfometryczną rzeźby terenu wraz z redakcją mapy geomorfometrycznej mikroregionu fizyczno-geograficznego Wzgórza Polkowickie, która do tej pory w literaturze nie została sporządzona dla badanego obszaru. Analiza została wykonana przy użyciu programu GIS (ESRI ArcMap) w oparciu o cyfrowy model wysokościowy (LiDAR - DEM). Wybrano pierwotne parametry topograficzne będące rezultatem przetwarzania cyfrowego modelu wysokości, takie jak: nachylenie, ekspozycja, krzywizna planarna, krzywizna wertykalna oraz deniwelacja lokalna, które są jednoznaczną informacją o zmienności ukształtowania rzeźby terenu oraz o procesach morfologicznych jakie zachodzą na jego powierzchni. Na podstawie otrzymanych wyników parametrów pierwotnych dokonano klasyfikację form rzeźby terenu na badanym obszarze wykorzystując metodę klasyfikacji nienadzorowanej ISODATA. Końcowy etap stanowiło zredagowanie mapy geomorfometrycznej mikroregionu Wzgórza Polkowickie oraz przedstawienie udziału klas morfometrycznych wraz z podziałem wysokościowym granic otrzymanych wydzieleń geomorfometrycznych. Wyniki przeprowadzonych obliczeń i analiz pozwoliły na wydzielenie zróżnicowanych obszarów na terenie Wzgórz Polkowickich wraz z nadaniem im autorskiego nazewnictwa. Wybór metody klasyfikacji nienadzorowanej i samodzielne zdefiniowanie liczby klas dały pozytywne wyniki klasteryzacji rzeźby terenu badanego obszaru. Zgodność wyników wybranej metody klasyfikacji z rzeczywistą rzeźbą terenu (o której Autorka posiada bogatą wiedzę terenowo - obserwacyjną) jest potwierdzeniem doboru odpowiednich wskaźników geomorfometrycznych oraz metody klasyfikacji nienadzorowanej, która w badanym przypadku okazała się skuteczna obliczeniowo.

3

Data classification based on photogrammetry

84%

Piech I. , Żaba T. , Jankowska A.

|

tom no. 2

93--110

EN

The aim of the paper was to classify data from aerial laser scanning and CIR digital images, which were orientated, connected and aligned by the Agisoft Photoscan software. Then, in order to distinguish the ground a point cloud was generated. This was to create a correct terrain mesh and, in consequence, an orthophotomap. The next stage is to develop a new point cloud using ArcGIS. The land cover from the images was combined with the ground mapped by LiDAR. New heights were calculated relative to the ground surface height 0. The point cloud was converted into a raster form, providing a normalized Digital Surface Model (nDSM). It was the first element of the output composition, which also consisted of the NIR and RED channels, acquired from the cloud point generated in Agisoft. The colour composition obtained in such way was subjected to four object-oriented and pixel-oriented classification methods: I – ISO Cluster, II – Maximum Likelihood, III – Random Trees, IV – Support Vector Machine. Object grouping is possible due to information stored in the display content. This technique is prompted by human ability of image interpretation. It draws attention to more variables, so effects similar to human perception of reality are possible to achieve. The unsupervised method is based on a process of automatic search for image fragments, which allows assigning them to individual categories by a statistical analysis algorithm. In turn, supervised method uses “training datasets”, which are used to “teach” the program assigning individual or grouped pixels to classes [Benz UC et al., 2004]. The area studied for land development was the Lutowiska municipality, in the Podkarpackie Voivodeship, Bieszczady County. As a result of the classification, 11 classes of terrain features were distinguished: class 0 – road infrastructure, class 1 – roads, class 2 – buildings, class 3 – waters, class 4 – meadows, class 5 – arable lands, class 6 – pastures, class 7 – high vegetation, class 8 – medium vegetation, class 9 – low vegetation, class 10 – quarry. The area of research covers an area of about 28 km2. Aerial images were made in 2015. Field vision and photopoint measurement was carried out in May 2018.

PL

Celem opracowania jest klasyfikacja danych na podstawie lotniczego skaningu laserowego oraz zdjęć cyfrowych CIR. Do opracowania posłużyło oprogramowanie Agisoft Photoscan, w którym dokonano zorientowania, połączenia i wyrównania zdjęć. Następnie wygenerowano z nich chmurę punktów, z której wydzielono grunt. Miało to na celu poprawne utworzenie siatki terenu, a w konsekwencji ortofotomapy. Kolejny etap pracy to utworzenie nowej chmury punktów przy wykorzystaniu programu ArcGIS. Pokrycie terenu ze zdjęć połączono z gruntem z LiDAR. Obliczono nowe wysokości względem powierzchni terenu, któremu nadano wysokość 0. Dokonano konwersji chmury punktów do postaci rastrowej, uzyskując Znormalizowany Numeryczny Model Pokrycia Terenu. Był to pierwszy element kompozycji wyjściowej, która składała się także z kanału NIR oraz RED, pozyskanych z chmury wygenerowanej w Agisoft. Otrzymaną w ten sposób kompozycję barwną poddano czterem metodom klasyfikacji obiektowej i pikselowej: I- ISO Cluster, II- Maximum Likelihood, III- Random Trees, IV- Support Vector Machine. Grupowanie obiektowe jest możliwe dzięki informacji zapisanej w treści zobrazowania. Technika ta wykorzystuje podejście zainspirowane zdolnością interpretacji obrazu przez człowieka. Zwraca uwagę na więcej zmiennych, dzięki czemu można uzyskać efekty zbliżone do postrzegania rzeczywistości przez ludzi. Metoda Unsupervised bazuje na procesie automatycznego wyszukiwania fragmentów obrazu i przyporządkowania ich do poszczególnych kategorii za pomocą algorytmu wykorzystującego analizę statystyczną. Z kolei Supervised wykorzystuje „pola treningowe”, za pomocą których „uczy” program, do której klasy przyporządkować pojedyncze, czy też zgrupowane piksele [Benz U. C. i in., 2004]. Obszarem poddanym analizie jest gmina Lutowiska, w województwie podkarpackim, powiecie bieszczadzkim, na której dokonano analizy zagospodarowania terenu. W wyniku klasyfikacji wyodrębniono 11 klas form terenu: klasa 0- infrastruktura drogowa, klasa 1- drogi, klasa 2- budynki, klasa 3- woda, klasa 4- łąki, klasa 5- grunty orne, klasa 6- pastwiska, klasa 7- roślinność wysoka, klasa 8- średnia roślinność, klasa 9- roślinność niska, klasa 10- kamieniołom. Obszar opracowania stanowi powierzchnię ok. 28 km2. Zobrazowania lotnicze zostały wykonane w 2015r. Wizję terenową oraz pomiar fotopunktów przeprowadzono w maju 2018r.

4

Using Sentinel-2 satellite imagery in the analysis of forest cover changes following the storm of 2017 – case study of the Przymuszewo Forest Inspectorate in Poland

84%

Szczepańska M. , Rurek M.

|

tom Vol. 10, No. 2

17--31

EN

Climate change is causing increasingly frequent extreme events (including strong winds), which are becoming an integral part of the natural environment. In 2017, from the 11th to 12th of August, a storm passed causing catastrophic damage in general and to forest resources in particular. The study aims to determine the feasibility of using Sentinel-2 satellite imagery and other GIS tools and techniques for estimating forest damage caused by the storm in the Przymuszewo Forest Inspectorate. The analysis of forest cover changes was performed using the NDVI and BI2 index as well as unsupervised classification predicated on satellite imagery obtained before and after the storm. It was calculated that a total of 2,048.1 hectares of forest was damaged based on the NDVI index and 1,661.7 hectares based on the unattended classification, whereas the area of agricultural and and non-forest land based on the BI2 index was 1,739.1 hectares. These figures are comparable to the records of post-storm losses from the Przymuszewo Forest Inspectorate. This indicates a considerable feasibility of Sentinel-2 satellite imagery in assessing damage caused by extreme phenomena (strong winds) in forest areas, which is true both on a regional and global scale owing to the wide range of imaging (up to 290 km). The only limitation for Sentinel-2 satellites is heavy cloud cover, as the emitted radiation does not penetrate clouds.