Interpretácia obrazových údajov DPZ

Interpretácia obrazu riadkové obrazové údaje Čo vidíme, keď sa pozeráme na letecké a družicové snímky? Vidíme objekty rôznej veľkosti a tvaru. Niektoré z týchto objektov sa dajú ľahko identifikovať a iné nie, v závislosti od nášho individuálneho vnímania a skúseností. Keď identifikujeme, čo vidíme na snímkach a sprostredkovávame tieto informácie ostatným, vykonávame obrazovú interpretáciu. Snímka obsahuje riadkové obrazové údaje. Tieto údaje, spracované mozgom ľudského interpretátora, sa stávajú využiteľnmými informáciami. riadkové obrazové údaje interpretácia (ľudský mozog, počítač) využiteľné informácie

Mapovanie krajiny Údaje využívané pre mapovanie krajiny: 1. Terénny prieskum 2. Letecké meračské snímky (LMS) 3. Satelitné údaje Terénny prieskum – detailné mapovanie využívajú sa topografické mapy veľkých mierok + GPS alebo geodetické meranie časovo a finančne náročný ťažko sa pomocou neho mapujú veľké alebo nedostupné územia nerozoznáva regionálne vzory

Mapovanie krajiny Metódy založené na využití údajov DPZ: poskytujú synoptický prehľad celá scéna je snímaná ako obraz namiesto skupiny bodových údajov monitorovanie javov v krajine v príslušných časových okamihoch LMS – prvá letecká snímka v roku 1858 (z balóna) využitie LMS sa rozšírilo v rokoch 1920 až 1930 lacnejšie, menej detailné ako TP, ale skúsený interpretátor môže získať presné informácie finančne náročné v prípade rozsiahlych území mierky LMS od 1:500 do 1:100 000, ale na mapovanie KP najčastejšie 1:10 000 až 1:40 000

Mapovanie krajiny Satelitné údaje - začali sa využívať v r.1972 spolu s vypustením prvého satelitu Landsat, neskôr v 80-tych rokoch SPOT (predtým malé rozlíšenie) pravidelné časové intervaly - generovanie rozsiahlych databáz informácií o krajine obrazové údaje z jedného územia v rôznych častiach spektra (špecifické vlastnosti krajiny) vhodnosť pre mapovanie veľkých území vhodnosť pre automatizované spracovanie menej detailné a poskytujú minimálne informácie o využití zeme, v súčasnosti sú však už aj satelitné snímky s veľmi vysokým rozlíšením (VHR) < 1 m

Fotointerpretácia vyhodnocovací postup na získavanie odborných (kvalitatívnych a kvantitatívnych) informácií o objektoch a javoch z obrazových záznamov DPZ Na získanie ďalších kvalitatívnych i kvantitatívnych informácií o objektoch a javoch z obrazových záznamov DPZ využívame vyhodnocovací postup nazývaný fotointerpretácia. Ide o pomerne zložitý komplexný postup, pri ktorom vyhodnocovateľ využíva jednak všetky informačné komponenty snímky, ako aj vlastné odborné vedomosti a skúsenosti, ďalej poznatky o mieste vyhodnotenia a doplňujúce informácie z iných zdrojov. Interpretačné vyhodnotenie by sa však malo začínať skôr než pri hotovom snímkovom materiáli. Systém DPZ je potrebné vidieť ako celok od snímania údajov až po výsledky vyhodnotenia a účel vyhodnotenia musí byť v súlade s druhom a časom snímania, formou údajov, spôsobom spracovania snímok pred vlastnou interpretáciou atď. systém DPZ je potrebné vidieť ako celok od snímania údajov až po výsledky vyhodnotenia – účel vyhodnotenia musí byť v súlade s druhom a časom snímania, formou údajov, spôsobom spracovania snímok pred vlastnou interpretáciou atď.

Aspekty fotointerpretácie Vlnová dĺžka (pásmo) – ovplyvňuje druh a množstvo informácií, ktoré môžeme získať VID IČ RADAR

Aspekty fotointerpretácie Časové aspekty ročné obdobie (mapovanie vegetácie, poľ.plodín) denná doba (mapovanie pôdy - vlhkosť) snímky s listami (vegetačné mapovanie) snímky bez listov (topografické mapovanie, mestské objekty)

Aspekty fotointerpretácie Mierka snímky – ovplyvňuje úroveň využiteľných informácií LMS malej mierky – 1:50 000 a menej LMS strednej mierky – 1:12 000 až 1:50 000 LMS veľkej mierky – 1:12 000 a viac digitálne snímače - rozlíšenie

Fotointerpretácia Komplexný postup, pri ktorom sa využívajú: všetky informačné komponenty snímky odborné vedomosti a skúsenosti poznatky o mieste vyhodnotenia doplňujúce informácie (mapy, opisné, štatistické údaje a iné)

Fotointerpretácia Rozdiel medzi bežnou interpretáciou fotografií a interpretáciou leteckých a družicových snímok: pohľad na objekty zhora časté použitie vlnových dĺžok mimo viditeľného pásma spektra zobrazenie zemského povrchu v nezvyklých mierkach a rozlíšeniach Úspech vizuálnej interpretácie závisí od tréningu a skúseností interpretátora, charakteru interpretovaných objektov a javov a od kvality používaných snímok. Vo všeobecnosti najúspešnejsí interpretátori majú dobré pozorovacie schopnosti spojené s predstavivosťou a veľkou dávkou trpezlivosti. Okrem toho je dôležité, aby interpretátor rozumel študovaným javom a mal znalosti o študovanej geografickej oblasti. Aj keď mnohí majú čiastočnú skúsenosť s interpretáciou "konvenčných" fotografií v každodennom živote (napr. fotografie v časopisoch), interpretácia leteckých a družicových snímok sa často líši od takejto bežnej interpretácie v troch dôležitých aspektoch: 1. pohľad na objekty zhora, nie z bežnej perspektívy 2. časté použitie vlnových dĺžok mimo viditeľnej časti spektra 3. zobrazenie zemského povrchu v nie bežných mierkach a rozlíšeniach (Campbell, 2002)

Interpretačné znaky tón / farba tvar veľkosť rozlíšenie Systematické štúdium snímok obyčajne berie do úvahy niekoľko základných charakteristík objektov na snímkach. Hoci tieto charakteristiky a spôsob ich použitia závisia od konkrétnej aplikácie, väčšina aplikácií berie do úvahy tieto základné charakteristiky alebo ich variácie: tvar, veľkosť, vzor, tón (farba), textúra, tiene, miesto, asociácia, a rozlíšenie (Olson, 1960). Tón je každá rozlíšiteľná variácia hodnoty šedi od bielej až po čiernu. Na čiernobielej snímke je vlastne náhradou skutočnej farby, existuje teda iba na snímke. Hodnota šedi zodpovedá množstvu odrazeného svetla. Farba je každá rozlíšiteľná variácia vytvorená kombináciami odtieňa, jasu a farebnosti (chrómy). Farby nebývajú na snímke úplne totožné so skutočnosťou, pretože farebný film má trochu iné vnímanie farieb ako ľudské oko. Napriek tomu majú farebné snímky veľkú výhodu oproti čiernobielym, pretože zaznamenávajú mnohonásobne väčšie množstvo odtieňov, čo veľmi uľahčuje interpretáciu. Bez tónovej (farebnej) variácie by sa nedali rozoznávať ani tvary, vzory alebo textúry objektov. Tvar zahŕňa formu, usporiadanie a ohraničenie individuálnych objektov. Tvar ako interpretačná charakteristika umožňuje napr. odlíšiť človekom vytvorené objekty od prírodných (prírodné nemajú rovné hrany) alebo cesty od železníc (železnice nemôžu mať pravé uhly).Tvar niektorých objektov je taký nezameniteľný, že ich môžeme identifikovať len na základe tohot kritéria (napr. budova Pentagonu vo Washingtone). Z hľadiska veľkosti ako interpretačnej charakteristiky je dôležitá absolútna aj relatívna veľkosť objektov. Využívame ju najmä pri rozlišovaní objektov alebo javov (napr. autá versus autobusy).Tvar a veľkosť sú interpretačné znaky, ktoré závisia od mierky a rozlíšenia snímky podľa zákonov stredového premietania. Rozlíšenie je schopnosť celého fotogrametrického systému (vrátane šošoviek, expozície, spracovania a iných faktorov) poskytnúť ostro definovaný obraz. Závisí teda od mnohých faktorov, ale vždy predstavuje praktický limit pre interpretáciu, pretože niektoré objekty sú príliš malé alebo majú príliš malý kontrast s okolím na to, aby sa dali jasne rozoznať na snímke. Z hľadiska interpretácie sa rozlíšenie chápe aj ako najmenší normálny kontrast objektu identifikovateľný na snímke.

Interpretačné znaky tón / farba tvar veľkosť rozlíšenie textúra Textúra je frekvencia tónových zmien na snímke. Je tvorená zoskupením jednotiek, ktoré sú príliš malé, aby sa dali rozlíšiť individuálne (napr. listy stromov alebo ich tiene). Určuje celkový vizuálny dojem "hladkosti" alebo "drsnosti" obrazových objektov. Pri zmenšovaní mierky sa textúra akéhokoľvek objektu alebo areálu stáva jemnejšou a nakoniec sa stráca. Interpretátor často odlišuje objekty s rovnakou odraznosťou na základe rozdielov v ich textúre.

Interpretačné znaky tón / farba tvar veľkosť rozlíšenie textúra vzor (štruktúra) Vzor (štruktúra) vyjadruje priestorové usporiadanie objektov. Opakovanie určitých všeobecných foriem alebo vzťahov charakterizuje mnohé objekty (prírodné aj umelo vytvorené) a pomáha ich rozoznávať (napr. pravidelné usporiadanie stromov v ovocnom sade ho umožňuje odlíšiť od lesného porastu). Prvky textúry aj štruktúry závisia od mierky snímky.

Interpretačné znaky tón / farba tvar veľkosť rozlíšenie textúra vzor (štruktúra) tiene Tiene sú pre interpretátora dôležité z dvoch protichodných hľadísk: 1. tvar a ohraničenie tieňa umožňuje pohľad na objekt z profilu (čo napomáha interpretácii) 2. objekty vnútri tieňa odrážajú málo svetla a ťažko sa na snímke rozonávajú (čo prekáža v interpretácii). Tiene, ktoré sú výsledkom zmien výšky terénu, pomáhajú interpretovať topografické zmeny a rôzne geologické útvary, najmä ak bolo slnko v čase snímania nízko nad obzorom. Vo všeobecnosti sa snímky ľahšie interpretujú, keď tiene smerujú smerom k pozorovateľovi. V opačnom prípade vzniká opačný vnem - chrbty vnímame ako údolia a naopak. Je to spôsobené tým, že človek podvedome "očakáva", že zdroj svetla je nad objektmi (ASPRS, 1997).

Interpretačné znaky tón / farba tvar veľkosť rozlíšenie textúra vzor (štruktúra) tiene poloha asociácia (vzájomné vzťahy) Poloha vyjadruje topografickú a geografickú lokalizáciu a je dôležitá napr. pri identifikácii vegetačných typov. Asociácia je "nehmotný" interpretačný znak, ktorý hovorí o výskyte určitých objektov vzhľadom k iným objektom. Vychádza z predpokladu, že niektoré objekty sú zvyčajne združené s inými, takže identifikácia jedného môže indikovať alebo potvrdiť existenciu druhého. Je to veľmi dôležitý kľúč pri identifikácii človekom vytvorených objektov (napr. budova v blízkosti pristávacej dráhy je pravdepodobne budova letiska).

Interpretačné kľúče súbory interpretačných znakov dve základné časti: 1. súbor popísaných snímok (stereodvojíc) 2. grafický alebo slovný popis dva základné druhy kľúčov: 1. výberové (selekčné) – početné príklady 2. vylučovacie (eliminačné) – rozhodovacie stromy obdoba legendy na mape nepoužívajú sa až tak často

Interpretačné kľúče príklad vylučovacieho interpretačného kľúča: Vylučovací interpretačný kľúč na rozoznávanie ovocných stromov a orechov v Sacremento Valley v Kanade z panchromatických LMS v mierke 1:6000.

Pomôcky Ďalšie pomôcky pri interpretácii: texty tabuľky mapy grafy číselné údaje fotografie iné letecké alebo družicové snímky metaúdaje (údaje o snímkach) terénny prieskum .....

Druhy fotointerpretácie Vizuálna interpretácia – vykonáva ju interpretátor Automatizovaná interpretácia – obrazová klasifikácia, vykonávaná počítačom Čiastočne automatizovaná interpretácia – niektoré fázy spracovania sú vykonávané počítačom

Pravidlá fotointerpretácie Pred fotointerpretáciou je dôležité si zvoliť: Klasifikačný systém (schému) Minimálnu mapovaciu jednotku (MMU – Minimum Mapping Unit) v závislosti od: druhu snímok, ich rozlíšenia a iných vlastností účelu vyhodnotenia druhu fotointerpretácie mierky výslednej mapy

Klasifikačný systém predstavuje množinu kritérií, na základe ktorých sú oddeľované jednotlivé triedy objektov na snímke odporúča sa vybrať niektorý z uznávaných klasifikačných systémov, ak už taký existuje pre javy, ktoré sú predmetom interpretácie umožňuje to porovnanie výsledkov interpretácie s inými údajmi - interoperabilita

Klasifikačný systém hierarchický systém - hlavné triedy sa delia na podtriedy, ktoré sú ďalej detailnejšie delené výhodou je jednoduchá generalizácia a vhodnosť pre rôzne mierky nehierarchický systém - môže obsahovať mix detailných a generalizovaných tried dá sa ľahko modifikovať pre rôzne aplikácie väčšina klasifikačných systémov je hierarchických a obyčajne obsahujú nejaký typ klasifikačného stromu Pri tvorbe klasifikačného systému môžeme použiť hierarchický alebo nehierarchický prístup. Hierarchické systémy sa často používajú v prípadoch, keď je potrebná zhoda s národnými klasifikačnými systémami.

LCCS (Land Cover Clas. System) FAO Klasifikačný systém organizácie FAO Príklady klasifikačných systémov: Klasifikačný systém krajinnej pokrývky (LCCS – Land Cover Classification System) navrhnutý Organizáciou Spojených národov pre výživu a poľnohospodárstvo (FAO – Food and Agriculture Organization of the United Nations). http://www.fao.org/DOCREP/003/X0596E/X0596E00.HTM

LULC (Land Use & Land Cover) USGS Klasifikačný systém Geologickej služby USA Level I Level II 1 Urban or Built-up Land 11 Residential 12 Commercial and Services 13 Industrial 14 Transportation,Communications, Utilities 15 Industrial and Commercial Complexes 16 Mixed Urban or Built-up Land 17 Other Urban or Built-up Land 2 Agricultural Land 21 Cropland and Pasture 22 Orchards, Groves, Vineyards, Nurseries.... 23 Confined Feeding Operations 24 Other Agricultural Land 3 Rangeland 31 Herbaceous Rangeland 32 Shrub and Brush Rangeland 33 Mixed Rangeland 4 Forest Land 41 Deciduous Forest Land 42 Evergreen Forest Land 43 Mixed Forest Land 5 Water, 6 Wetland, 7 Barren Land, 8 Tundra, 9 Perennial Snow or Ice Príklady klasifikačných systémov: Klasifikačný systém krajinnej pokrývky a využitia zeme (LULC Classification System) vyvinutý Geologickou službou USA (USGS – US Geological Survey) pre interpretáciu využitím údajov DPZ. http://landcover.usgs.gov/pdf/anderson.pdf

Klasifikačný systém vs. legenda klasifikačný systém by mal byť nezávislý od mierky a použitých údajov aplikáciou klasifikačného systému na konkrétnom území pre určitú mierku a konkrétnu sadu údajov je legenda legenda predstavuje zoznam tried, a môže, ale nemusí byť odvodená od klasifikačného systému u nás najpoužívanejšia legenda CORINE Land Cover (CLC) a Katalóg objektov ZB GIS (KO ZB GIS)

Minimálna mapovacia jednotka MMU - minimálna veľkosť areálu, resp.minimálna šírka línie, ktorá bude mapovaná ako samostatný objekt má vplyv na veľkosť detailu interpretácie Rôzne triedy je možné identifikovať na snímke s rôznou presnosťou. Veľkosť MMU pre jednotlivé triedy môže byť ovplyvnená aj ich dôležitosťou z hľadiska cieľa interpetácie. Napr.pre vzácne a dôležité triedy môže byť zvolená menšia MMU ako pre ostatné. V prípade, že veľkosť MMU nie je vôbec definovaná, sa mapujú všetky objekty rozoznateľné na snímke.

Minimálna mapovacia jednotka veľkosť MMU by mala byť približne 10-násobkom veľkosti pixla na výslednej mape určitej mierky je ťažké vyjadriť plošný areál menší ako 0,10 inch (2,54 mm) na jednej strane MMU nemusí byť rovnako veľká pre všetky triedy v rámci klasifikačného systému areály < MMU – zlúčenie so susednými areálmi

Projekt CORINE Land Cover program CORINE (Coordination of Information on the Environment) – schválený Európskou komisiou v roku 1985 cieľom bolo zabezpečovať kompatibilné údaje o životnom prostredí členských štátov EÚ v r.1991 sa rozhodlo, že 3 projekty sa rozšíria aj na štáty strednej a východnej Európy – medzi nimi aj projekt Land Cover (CLC) – vytvorenie digitálnej bázy údajov o krajinnej pokrývke v mierke 1:100 000 aplikáciou družicových snímok projekt koordinuje EEA (European Environmental Agency) databázy CLC 1970, CLC 1990, CLC 2000 EEA – Európska agentúra životného prostredia

Projekt CORINE Land Cover údaje Landsat TM, ETM+, SPOT, IRS geometrická presnosť < 50 m, od CLC90 < 25 m MMU plošná 25 ha (500 x 500 m, čo v mierke 1:100 000 predstavuje 5 x 5 mm) MMU líniová 100 m (1 mm v mierke 1:100 000) geometrická presnosť údajov CLC < 100 m tematická presnosť < 85 % metóda interpretácie – počítačom podporovaná vizuálna interpretácia CLC 2006 – mala by byť hotová v roku 2009 www stránka CLC Slovensko

Legenda CORINE Land Cover 3 hierarchické úrovne: 5 tried na prvej hierarchickej úrovni 15 tried na druhej hierarchickej úrovni 44 tried na tretej hierarchickej úrovni Geografický ústav SAV – Feranec, Oťahel r.1995-96 – návrh legendy CLC pre mierku 1:50 000 pre krajiny strednej a východnej Európy doplnená 4.hierarchická úroveň

Vizuálna interpretácia najjednoduchšia a najrozšírenejšia metóda najstaršia – vyvinutá pre takmer 100 rokmi, keď boli k dispozícii iba analógové LMS vyhodnocovateľ na základe pozorovania kvalitatívnych a kvantitatívnych charakteristík objektov a s použitím vlastných znalostí a skúseností, prípadne rôznych pomocných materiálov určuje na snímke rôzne objekty a javy dá sa vykonávať pohotovo a s minimálnym technickým vybavením

Vizuálna interpretácia 3D interpretácia – využíva stereoskopické videnie potrebná snímková dvojica (sterodvojica) špecializovaný fotogrametrický softvér (Image Station, PCI geomatica, Leica Photogrammetry Suite, Socet Set, PhoTopol) ZB GIS – 3D údaje (X,Y,Z) Ako vzniká stereoskopický vnem? Je možný vďaka binokulárnemu videniu –máme dve oči, ktorými sa pozeráme z dvoch mierne odlišných uhlov a rozdiely medzi pohľadmi sú v mysli spracované do podoby hĺbkového vnemu. To isté funguje aj pri LMS, ktoré sú snímané z dvoch rôznych uhlov. Keď pozorujeme jednu snímku jedným okom a druhú druhým, dosiahneme steroskopický vnem.

Vizuálna interpretácia 2D interpretácia – na snímke (rovina), ortofotosnímke, ortofotomape postačuje GIS softvér alebo iný softvér určený na digitalizáciu (ArcMap, Geomedia, Quantum GIS, GRASS, Geomatica, IrasC + Microstation, Topol, AutoCAD, R2V) Ako vzniká stereoskopický vnem? Je možný vďaka binokulárnemu videniu –máme dve oči, ktorými sa pozeráme z dvoch mierne odlišných uhlov a rozdiely medzi pohľadmi sú v mysli spracované do podoby hĺbkového vnemu. To isté funguje aj pri LMS, ktoré sú snímané z dvoch rôznych uhlov. Keď pozorujeme jednu snímku jedným okom a druhú druhým, dosiahneme steroskopický vnem.

Vizuálna interpretácia v minulosti – zakresľovaním priamo do snímky alebo na priehľadnú fóliu, s využitím rôznych pomôcok a prístrojov jednoduché - lupa, šošovkový alebo zrkadlový stereoskop zložitejšie - stereokomparátor, prekresľovač, obkresľovač v súčasnosti – počítačom podporovaná (computer aided) vizuálna interpretácia (napr. digitalizácia na obrazovke, 3D interpretácia s využitím stereookuliarov)

Obrazová klasifikácia proces triedenia pixlov do konečného počtu tried na základe ich údajových hodnôt klasifikácia obrazu je úzko spätá s pojmom rozoznávanie vzoru (Pattern Recognition) ide o hľadanie zmysluplných vzorov v údajoch (spektrálnych, ale aj iných vizuálnych alebo akustických), ktoré môžeme extrahovať klasifikáciou napr.technika OCR (Optical Character Recognition), rozoznávanie PSČ, ľudskej reči, ľudských tvárí, klasifikácia emailov atď.

Obrazová klasifikácia klasifikácia obrazových údajov DPZ – na základe digitálnych hodnôt pixlov (DN – Digital Number) – numerická klasifikácia

Multispektrálna klasifikácia multispektrálna klasifikácia - zaraďovanie pixlov do tried na základe ich meracích vektorov merací vektor (measuremenet vector) - sada údajových hodnôt pre jeden pixel vo všetkých n pásmach

Multispektrálna klasifikácia rôzne typy objektov – rôzne kombinácie DN

Príznakový priestor n spektrálnych pásiem tvorí n-rozmerný spektrálny priestor, ktorý sa všeobecne nazýva príznakový priestor (feature space) je to n-rozmerný abstraktný priestor s počtom rozmerov odpovedajúcim počtu vlastností (príznakov), ktorými je objekt (pixel,vzor) opísaný Scatter Plot

Delenie klasifikácie založená na pixloch založená na oblastiach pixel-based, per-pixel, classification založená na oblastiach region-based, per-field, per-parcel classification

Delenie klasifikácie podľa stupňa zasahovania užívateľa do klasifikačného procesu: Kontrolovaná klasifikácia Nekontrolovaná klasifikácia supervised classification unsupervised classification

Kontrolovaná klasifikácia pozostáva z troch krokov: 1. trénovací krok - analyzátor identifikuje reprezentatívne trénovacie oblasti a vytvára numerický opis spektrálnych vlastností každej záujmovej triedy klasifikačnej pokrývky na scéne 2. klasifikačný krok - každý pixel obrazu zaradí do tej triedy KP, na ktorú sa najviac podobá - ak nie je dostatočne podobný žiadnej triede KP, označí sa ako "neznámy" 3. výstupný krok - vzniká výstupný obraz, v ktorom je každý pixel označený buď atribútom príslušnej triedy alebo atribútom „neznámy“ - 3 druhy výstupov – tematické mapy, štatistické tabuľky a digitálne údaje pre GIS

Kontrolovaná klasifikácia

Klasifikačný krok aplikácia rozhodovacieho pravidla (decision rule) - matematický algoritmus, ktorý s využitím trénovacích údajov vykonáva triedenie pixlov do oddelených tried stovky typov klasifikátorov tri najznámajšie: 1. klasifikátor minimálnej vzdialenosti (Minimum Distance Classifier) 2. paralelný klasifikátor (Parallelepiped Classifier) 3. klasifikátor maximálnej pravdepodobnosti (Maximum Likelihood Classifier)

Klasifikátor min.vzdialenosti najjednoduchšia metóda počíta sa vzdialenosť neznámeho pixla od priemeru každej triedy v spektrálnom priestore neberie do úvahy variabilitu tried Klasifikátor minimálnej vzdialenosti (Minimum Distance classifier) je najjednoduchšia metóda, pri ktorej sa počíta spektrálna vzdialenosť medzi hodnotou klasifikovaného pixla a stredom (priemerom) každej triedy v spektrálnom priestore. Priemer predstavuje vlastne priemerný vektor (mean vector). Pixel je potom zaradený do tej triedy, k priemeru ktorej je v spektrálnom priestore najbližšie. Výhodou je, že týmto spôsobom sa dajú klasifikovať všetky pixle v obraze. Môžeme však tiež definovať prahovú vzdialenosť, za ktorou pixle ostanú neklasifikované. Nevýhodou tejto metódy je, že neberie do úvahy variabilitu tried. Preto v prípade, že sú trénovacie množiny v spektrálnom priestore príliš blízko pri sebe alebo majú príliš veľký rozptyl, je vhodnejšie použiť iný klasifikačný algoritmus.

Paralelný klasifikátor takisto rýchla a jednoduchá metóda triedy sú ohraničené minimálnymi a maximálnymi hodnotami – pravouhlé oblasti (obdĺžniky v 2D) problémy pri prekryte Paralelný klasifikátor (Parallelepiped classifier) je takisto jednoduchý a rýchly algoritmus, pri ktorom sa variabilita tried berie do úvahy prostredníctvom ich rozsahu, t.j. minimálnej a maximálnej spektrálnej hodnoty v každom pásme. Toto ohraničenie tried vytvára v spektrálnom priestore pravouhlé oblasti a v dvojrozmernom spektrálnom priestore obdĺžniky. Neznámy pixel je potom zaradený do kategórie podľa toho, do ktorého obdĺžnika padne, resp. je označený ako neklasifikovaný, ak nepadne do žiadneho z obdĺžnikov. Táto metóda je rýchla a jednoduchá a je neparametrická, teda nevyžaduje normálne rozdelenie vstupných údajov. Jej použitie však môže byť problematické v prípade, ak sa trénovacie množiny v spektrálnom priestore prekrývajú, čo je častý prípad, pretože údaje DPZ v rôznych pásmach vykazujú koreláciu alebo vysokú kovarianciu. Kovariancia je tendencia údajov meniť sa rovnako v obidvoch pásmach. V 2D majú údaje s koreláciou tvar elipsy pretiahnutej nahor (pozitívna kovariancia) alebo nadol (negatívna kovariancia), preto ich pravouhlé oblasti nevhodne vymedzujú. Ak sa klasifikovaný pixel nachádza v oblasti prekrytu dvoch pravouhlých oblastí, je označený ako neistý alebo je zaradený do jednej alebo do obidvoch tried.

Klas. max.pravdepodobnosti parametrický klasifikátor – vyžaduje normálne (Gaussovo rozdelenie) triedy sú ohraničené izolíniami pravdepodobnosti rozšírením je Bayesiánsky klasifikátor, kt. berie do úvahy a priori pravdepodobnosti Klasifikátor maximálnej pravdepodobnosti (Maximum Likelihood classifier) je parametrický klasifikátor založený na predpoklade, že rozloženie spektrálnych hodnôt trénovacích množín je normálne, čiže Gaussovské. Toto rozdelenie umožňuje opísať polohu trénovacej množiny pomocou jej priemernej hodnoty, veľkosť pomocou rozptylu hodnôt a tvar a orientáciu pomocou kovariancie. Na základe týchto parametrov môžeme vypočítať štatistickú pravdepodobnosť príslušnosti neznámeho pixla k danej kategórii. Táto pravdepodobnosť je vyjadrená pomocou funkcií hustoty pravdepodobnosti a v dvojrozmernom spektrálnom priestore sa zobrazí v podobe eliptických “izolínií pravdepodobnosti”. Pixel je zaradený do tej kategórie, do ktorej patrí s najväčšou pravdepodobnosťou alebo je označený ako „neznámy“, ak sú vypočítané hodnoty pravdepodobnosti pod stanovenou prahovou hodnotou. MLC odstraňuje nedostatky predchádzajúcich metód využitím teórie pravdepodobnosti. Jeho nevýhodou je výpočtová náročnosť, najmä v prípade väčšieho množstva spektrálnych kanálov alebo klasifikovaných tried. Hoci je výpočtovo náročnejšia a je založená len na spektrálnych informáciách, bola ustanovená ako štandardná štatistická metóda digitálnej klasifikácie obrazu.

Trénovací krok trénovacie množiny (signatúry) – sady pixlov, ktoré reprezentujú rozoznateľný vzor alebo potenciálnu triedu dôležité je, aby obsahovali len pixle danej triedy nemusia nutne obsahovať veľa pixlov ani byť rozptýlené po celom území, ale musia reprezentovať všetky variácie danej triedy na scéne (reprezentatívne a kompletné) môžeme ich vytvoriť zberom jednotlivých pixlov al. digitalizáciou polygónov (zhluky pixlov) iteratívny proces – zahŕňa pridávanie, vymazávanie a spájanie signatúr

Trénovací krok výber klasifikačnej schémy: Aké triedy chceme extrahovať? informácie o údajoch: Aké triedy sa tam pravdepodobne vyskytujú?

Trénovací krok informácie o území – najlepšie tzv. Ground Truth, t.j.najpresnejšie z dostupných údajov (napr.terénny prieskum, LMS...), zberaných najlepšie v čase snímania pri výbere záleží aj na našich vlastných zručnostiach v rozoznávaní vzoru a a priori znalostiach na základe trénovacích množín sa vypočítajú štatistické charakteristiky jednotlivých tried (minimálna, maximálna, priemerná hodnota jasu v jednotlivých pásmach, smerodajná odchýlka...)

Nekontrolovaná klasifikácia je založená na prirodzenom zoskupovaní pixlov obrazu v príznakovom priestore, preto sa nazýva aj zhlukovanie výsledkom sú zhluky pixlov alebo klastre (cluster) zhuky predstavujú spektrálne triedy, kt. identita nie je známa analyzátor ich musí porovnať s referenčnými údajmi, aby mali informačnú hodnotu podmienka - hodnoty pixlov v rámci jednej triedy musia byť v spektr. priestore blízko seba, kým hodnoty rôznych tried musia byť oddeliteľné

Nekontrolovaná klasifikácia nekontrolovaná klasifikácia na rozdiel od kontrolovanej vyžaduje na začiatku len minimálny vstup od užívateľa zadáva sa napr. počet výsledných zhlukov, veľkosť zhlukov, vzdialenosť zhlukov, smerodajná odchýlka v rámci zhluku, počet iterácií najpoužívanejšie metódy: metóda k priemerov (K-Means) metóda zhlukovania ISODATA metóda štatistického zhlukovania všetky sú iteratívne (k výsledku sa dopracúvajú postupne určitým počtom opakovaní)

Klasifikátor k priemerov produkuje užívateľom zadaný počet k zhlukov, pričom každý zhluk je reprezentovaný jeho stredom v spektrálnom priestore počiatočná poloha stredov zhlukov je určená na základe analýzy vstupného rastra pixle sú zaradené do zhluku, k stredu kt. majú najmenšiu spektrálnu vzdialenosť

Klasifikátor k priemerov následne sú vypočítané nové stredy zhlukov nový stred je bod, ktorý minimalizuje sumu štvorcov vzdialeností medzi bodmi zhluku a jeho stredom proces sa iteratívne opakuje, až kým posun stredov zhlukov nie je menší než zadaný limit al. kým nie je dosiahnutý maximálny počet iterácií

ISODATA ISODATA (Iterative Self-organizing Data Analysis Technique) – často používaná sofistikovaná verzia metódy K-Means hlavný proces je zhodný s K-Means, ale zároveň dovoľuje meniť počet zhlukov medzi jednotlivými iteráciami ich spájaním, delením al. vymazávaním ak je vzdialenosť priemerov dvoch zhlukov < ako zadaná minimálna hodnota, zhluky sa spoja ak je smerodajná odchýlka zhluku < ako zadaná maximálna hodnota, zhluk sa rozdelí na dva ak je počet pixlov zhluku < ako zadaná minimálna hodnota, zhluk sa vymaže

Štatistické zhlukovanie berie do úvahy textúru obrazu, ktorá je definovaná rozptylom v rámci pohybujúceho sa okna (napr. 3x3) po obraze stredy „hladkých“ (homogénnych) okien sa stávajú stredmi zhlukov výsledné zhluky sa potom klasifikujú niektorou z metód kontrolovanej klasifikácie Analyzátor stanoví prahovú hodnotu rozptylu, ktorá oddeľuje okno považované za "hladké" (homogénne) a za "drsné" (heterogénne). Priemer prvého hladkého okna nájdeného v obraze sa stáva centrom prvého zhluku atď., až kým sa nedosiahne špecifikovaný maximálny počet centier zhlukov (napr. 50). Potom sa spoja dva najbližšie zhluky v meracom priestore a proces pokračuje, kým nie je analyzovaný celý obraz.

Typy výstupov zhlukovania Táto tabuľka ilustruje tri možné typy výstupov nekontrolovanej klasifikácie. Ideálny výsledok predstavuje typ 1, kedy sa dá každá spektrálna trieda priradiť jednému typu objektov záujmu analyzátora. Tento výstup sa však objavuje, len keď majú objekty na scéne veľmi odlišné spektrálne charakteristiky. Častejší je výstup typu 2, kde sú rôzne spektrálne triedy priraditeľné do niektorej zo želaných informačných tried. Tieto "podtriedy" môžu mať malú informačnú hodnotu (napr. osvetlené a zatienené ihličnany) alebo predstavujú užitočné rozdelenie (napr. mútna vs. čistá voda alebo listnáče na nížine a na pahorkatine). V oboch prípadoch sa môžu spektrálne triedy spojiť po klasifikácii do menšieho počtu želaných tried. Výstup 3 predstavuje problematickejší výsledok, kedy niektoré spektrálne triedy prislúchajú viac ako jednej informačnej triede. To znamená, že tieto informačné kategórie sú spektrálne podobné a v danej sade údajov sa nedajú oddeliť (podobne ako triedy abiota a polia bez vegetácie pri klasifikácii scény SPOT).

Výber metódy trénovania kontrolovaná klasifikácia - ak chceme identifikovať relatívne málo tried, ak máme vybrané trénovacie lokality, ktoré môžeme verifikovať terénnym prieskumom alebo ak chceme identifikovať homogénne regióny nekontrolovaná klasifikácia - vhodná na identifikáciu charakteristických spektrálnych tried na scéne, ktoré nemusia byť zjavné pre operátora umožňuje ľahko definovať mnoho tried, a dokáže identifikovať aj triedy v nesúvislých, ťažko rozozonateľných oblastiach Podľa akých kritérií si vybrať metódu klasifikácie? Hybridná klasifikácia predstavuje kombináciu metód kontrolovanej a nekontrolovanej klasifikácie. Bola vyvinutá na zjednodušenie a zvýšenie správnosti čisto kontrolovanej alebo nekontrolovanej klasifikácie. Často sa používa napr. pri vegetačnom mapovaní, kedy variabilita spektrálnej odpovede nájdených vzorov pochádza (1) z variácie v rámci samotného vegetačného typu (druhy) a (2) z odlišných stanovištných podmienok (pôdy, sklon, orientácia, zápoj korún). Hybridná klasifikácia pomáha analyzátorovi pri vyhľadávaní spektrálnych podtried reprezentujúcich danú triedu objektov.

Výber metódy trénovania hybridná klasifikácia - na zjednodušenie a zvýšenie správnosti čisto kontrolovanej alebo nekontrolovanej klasifikácie využíva sa napr. pri vegetačnom mapovaní softvéry umožňujúce klasifikáciu údajov DPZ – Idrisi, ERDAS Imagine, Geomatica, GRASS, SPRING Podľa akých kritérií si vybrať metódu klasifikácie? Hybridná klasifikácia predstavuje kombináciu metód kontrolovanej a nekontrolovanej klasifikácie. Bola vyvinutá na zjednodušenie a zvýšenie správnosti čisto kontrolovanej alebo nekontrolovanej klasifikácie. Často sa používa napr. pri vegetačnom mapovaní, kedy variabilita spektrálnej odpovede nájdených vzorov pochádza (1) z variácie v rámci samotného vegetačného typu (druhy) a (2) z odlišných stanovištných podmienok (pôdy, sklon, orientácia, zápoj korún). Hybridná klasifikácia pomáha analyzátorovi pri vyhľadávaní spektrálnych podtried reprezentujúcich danú triedu objektov.

Klasifikácia zal.na oblastiach prvým krokom je obrazová segmentácia – proces delenia obrazu na relatívne homogénne oblasti z hľadiska spektrálnych alebo iných vlastností tento proces je podobný zhlukovaniu, ale na rozdiel od zhlukov sa segmenty vytvárajú s požiadavkou, aby pixle v nich boli priestorovo súdržné vlastnosti vytvorených segmentov ovplyvňujeme pomocou nastavenia parametrov segmentačných algoritmov Nie je možné obraz rozdeliť tak, aby to bolo ideálne pre všetky klasifikačné úlohy.

Obrazová segmentácia najdôležitejšie vlastnosti: 1. veľkosť segmentov – určuje „mierku“ mapovania alebo mieru abstrakcie objektov na snímke - ak sú segmenty príliš veľké (nadsegmentovanie), môžu obsahovať pixle viacerých objektov - ak sú naopak príliš malé (podsegmentovanie), zbytočne to sťažuje klasifikáciu 2. podobnosť segmentov (spektrálna, priestorová) – prahová hodnota určujúca, či budú objekty súčasťou jedného segmentu alebo budú ohraničené samostatne

Obrazová segmentácia používané segmentačné algoritmy: Prahovanie (Thresholding) Narastanie oblastí (Region growing) Spájanie oblastí (Merging) Štiepenie oblastí (Splitting) Štiepenie a spájanie (Split-and-merge) Texturálne segmentačné algoritmy Segmentácia rozvodí (Watershed segmentation) Technika priemerného posunu (Mean Shift) .... Existuje veľké množstvo segmentačných algoritmov, ktoré boli vyvinuté nielen na segmentáciu obrazových údajov DPZ, ale aj iných obrazových údajov, ktoré sa používajú napr. v biológii, medicíne atď.

Klasifikácia zal.na oblastiach po segmentácii nasleduje klasifikácia podobné metódy ako pri per-pixel klasifikácii: nekontrolovaná – zhlukovanie segmentov kontrolovaná – ako trénovacie množiny sa vyberajú reprezentatívne segmenty alebo užívateľ sám definuje klasifikačné pravidlá

Segmentácia a klasifikácia vhodné pre segmentáciu a klasifikáciu obrazových údajov DPZ: 1. Definiens Developer (predtým eCognition) - viacúrovňovňová segmentácia a iné druhy 2. SPRING (voľne šíriteľný) - segmentácia spájaním oblastí 3. ImageSegmentation (modul pre ERDAS Imagine) - segmentácia spájaním oblastí 4. Feature Analyst (modul pre ERDAS, ArcGIS, GeoMedia) 5. Imagine Objective (modul pre ERDAS)

Objektovo-orientovaná klasifikácia väčšina klasifikátorov zal.na oblastiach sú objektovo-orientované klasifikátory, ktoré využívajú objektovo-orientovaný prístup Objektovo-orientovaná klasifikácia je akási podmnožina klasifikátorov založených na oblastiach, pretože okrem objektovo-orientovaných klasifikátorov, ktoré využívajú vzájomné vzťahy medzi objektami existujú aj „obyčajné“ klasifikátory založené na oblastiach, ktoré využívajú len spektrálne alebo textúrne vlastnosti jednotlivých segmentov (napr. klasifikátory v prostredí SPRING). Pri objektovo-orientovanom prístupe jednotlivé objekty o sebe navzájom „vedia“. Pri klasifikácii to znamená, že jednotlivé obrazové oblasti (segmenty) poznajú svojich susedov. Obrázok znázorňuje hierarchickú štruktúru obrazových objektov, ktorá sa vytvára v procese viacúrovňovej segmentácie v prostredí Definiens Developer. Tento algoritmus umožňuje vytvoriť segmentačné úrovne s rôznou mierou abstrakcie objektov (t.j. s rôznou priemernou veľkosťou segmentov). To je výhodné pri klasifikácii, keď rôzne objekty potrebujeme (môžeme) rozoznávať s rôznou detailnosťou. V takejto hierarchickej štruktúre sú navzájom prepojené nielen obrazové objekty na jednej hierarchickej úrovni, ale aj medzi jednotlivými úrovňami. Každý objekt preto okrem svojich susedov pozná aj svoje nadobjekty a podobjekty. Takýmto spôsobom môžeme pomocou objektovo-orientovaného prístupu pri klasifikácii daného objektu využívať nielen vlastnosti objektu samotného, ale aj vlastnosti jeho susedov ako aj nadobjektov a podobjektov.

Objektovo-orientovaná klasifikácia ďalšia charakteristika objektovo-orientovaného prístupu – objekty poznajú metódy, ktoré sa môžu na nich vykonávať v prípade klasifikácie to znamená, že môžeme aplikovať určité operácie na objekty vybranej triedy (tried), napr. rozdeliť ich na objekty nižšej úrovne alebo naopak zlúčiť susediace objekty danej triedy takto je možná cyklická súhra medzi segmentáciou a klasifikáciou Tento obrázok znázorňuje postup, akým sa dopracovávame od prvotných obrazových údajov (a vytvorených obrazových objektov) až k želaným objektom záujmu, ktoré korešpondujú s objektmi reálneho sveta.

Klasifikácia zal. na oblastiach výhody – napodobňuje proces vizuálnej interpretácie berie dú úvahy vzájomné vzťahy medzi pixlami výsledok je menej rozdrobený vhodná najmä pre údaje s vysokým rozlíšením, preto sa v súvislosti s rastom rozlíšenia družicových snímačov čoraz viac používa bohaté možnosti a presné výsledky poskytuje najmä objektovo-orientovaná klasifikácia nevýhody – zatiaľ ju umožňuje len málo komerčných softvérov, ktoré sú drahé o-o klasifikácia vyžaduje užívateľa s odbornými znalosťami Pri fuzzy klasifikácii metódou najbližšieho suseda sa funkcie príslušnosti tvoria automaticky v mnohorozmernom príznakovom priestore. Počet rozmerov závisí od počtu vlastností použitých pri klasifikácii, ktoré vyberá užívateľ. Definiens Developer ponúka široké spektrum vlastností obrazových objektov, ktoré môžeme použiť na definovanie tried pri oboch klasifikačných metódach. Okrem spektrálnych vlastností obrazových objektov sa dajú použiť aj ich priestorové vlastnosti (tvar, veľkosť), textúrne vlastnosti, vlastnosti založené na atribútoch pomocných rastrových alebo vektorových vrstiev, vlastnosti vyjadrujúce vzťahy objektov k susedom alebo nadobjektom a podobjektom, a v neposlednom rade aj vlastnosti založené na predchádzajúcej klasifikácii (napr. môžeme objekty klasifikovať na základe susedstva alebo vzdialenosti k objektom určitej triedy). Pri fuzzy klasifikácii metódou najbližšieho suseda sa objekt zaradí do tej triedy, k vzorovému objektu (signatúre) ktorej má najmenšiu vzdialenosť v príznakovom priestore. Stupeň príslušnosti je potom daný sklonom funkcie príslušnosti, ktorú tvorí klasifikátor automaticky a klesá so vzdialenosťou od vzorového objektu. V mieste vzorového objektu nadobúda stupeň príslušnosti hodnotu 1 a postupne klesá až k hodnote 0. Strmosť sklonu funkcie môže užívateľ definovať. Na príklade dvoch vlastností a dvoch tried (červenej a modrej) vidíme, že vzorové objekty sú reprezentované malými kruhmi. Keď neznámy objekt padne do modrej časti, bude zaradený do triedy modrá a naopak. Biele časti reprezentujú oblasti, kde je stupeň príslušnosti k obom triedam menší ako prahová hodnota (defaultne 0,1) a objekt ostane neklasifikovaný.

Hodnotenie správnosti klasifikácia nie je úplná, kým nie je zhodnotená jej správnosť chyba klasifikácie obsahuje systematickú a náhodnú zložku systematická – miera vychýlenia (napr.nesprávne stanovené trénovacie množiny) náhodná – napr.prekryt trénovacích množín obvyklý spôsob hodnotenia správnosti je porovnanie s údajmi, ktoré sú považované za správne (tzv. ground truth) nie je reálne testovať každý pixel scény, preto sa používa buď sada testovacích pixlov alebo testovacie polygóny (zhluky pixlov)

Hodnotenie správnosti testovacie pixle sú vyberané náhodne, pričom sa však môžu zanedbať malé, ale potenciálne dôležité oblasti preto sa často robí tzv. stratifikovaný výber, kedy sa pixle vyberajú náhodne v rámci jednotlivých klasifikačných tried môžu tiež vzniknúť problémy vyplývajúce z chybnej registrácie pixlov, čomu sa dá zabrániť výberom pixlov vzdialenejších od hraníc areálov často sa tiež využívajú testovacie polygóny, ktoré by v prípade kontrolovanej klasifikácie mali byť odlišné od trénovacích a mali by byť zásadne väčšie

Klas.chybová matica Classification Error Matrix chyby podhodnotenia (Errors of Omission) chyby nadhodnotenia (Errors of Commission) producentská presnosť (Producent’s Accuracy) užívateľská presnosť (User’s Accuracy) celková presnosť (Overall Accuracy) Najpoužívanejšou metódou hodnotenia správnosti klasifikácie je príprava klasifikačnej chybovej matice (Classification Error Matrix). Je to štvorcová matica, ktorej bunky vyjadrujú počet pixlov patriacich podľa výsledkov klasifikácie do určitej triedy krajinnej pokrývky v porovnaní so skutočnou krajinnou pokrývkou (referenčné údaje). Stĺpce matice predstavujú referenčné údaje a riadky predstavujú výsledky klasifikácie. Počet riadkov a stĺpcov sa rovná počtu tried v hodnotenej klasifikácii. Na diagonále matice sa nachádzajú správne klasifikované pixle, mimo diagonály sa nachádzajú chyby. Bunky mimo diagonály v riadkoch matice predstavujú chyby z pričlenenia alebo nadhodnotenia (Errors of Commission), bunky mimo diagonály v stĺpcoch predstavujú chyby z vynechania alebo podhodnotenia (Errors of Omission). Chyby nadhodnotenia udávajú, aká časť údajov bola nesprávne zaradená do danej triedy, pričom v skutočnosti patrí do inej triedy. Chyby podhodnotenia naopak udávajú, aká časť údajov mala byť zaradená do danej triedy a bola zaradená do inej, nesprávnej. Vydelením počtu správne klasifikovaných pixlov počtom všetkých pixlov dostávame celkovú presnosť klasifikácie (Overall Accuracy). Podobne môžeme vypočítať aj presnosť klasifikácie v jednotlivých kategóriách. Ďalšími často používanými hodnoteniami kategórií sú producentská a užívateľská presnosť. Producentskú presnosť (Producer’s Accuracy) vypočítame ako podiel správne klasifikovaných pixlov danej kategórie a celkového počtu referenčných pixlov danej kategórie. Udáva nám, ako dobre boli klasifikované referenčné pixle danej kategórie. Užívateľskú presnosť (User’s Accuracy) vypočítame zase ako podiel správne klasifikovaných pixlov danej kategórie a celkového počtu pixlov klasifikovaných do danej kategórie. Táto presnosť vyjadruje pravdepodobnosť, že pixel klasifikovaný do danej kategórie skutočne reprezentuje túto kategóriu aj v teréne. Producentská a užívateľská presnosť sú vlastne opakom chýb podhodnotenia a nadhodnotenia.

Kappa koeficient Kappa koeficient (KHAT) – je štatistickou mierou zhody medzi referenčnými a klasifikovanými údajmi, vylučujúc zhodu z titulu náhody vychádza z prepokladu, že aj pri úplne náhodnej klasifikácii môže byť časť výsledkov správna vyjadruje rozdiel medzi skutočnou zhodou referenčných a klasifikovaných dát a medzi pravdepodobnou zhodou referenčných a náhodne klasifikovaných dát

Kappa koeficient r je počet riadkov v matici chýb xii je počet pixlov v i-tom riadku a i-tom stĺpci (na hlavnej diagonále) xir je počet všetkých pixlov v i-tom riadku xic je počet všetkých pixlov v i-tom stĺpci N je počet všetkých pixlov

Kappa koeficient hodnoty indexu Kappa sa pohybujú od 0 do 1 0 znamená, že hodnotená klasifikácia nie je lepšia než náhodné usporiadanie pixlov 1 znamená, že bolo odstránených 100 % chýb, ktoré by vyprodukoval náhodný proces klasifikácie obvykle sa za dobrý výsledok považuje hodnota k > 0,75 – 0,80 hodnota k > 0,40 sa považuje za priemernú zhodu a k < 0,40 za malú zhodu tieto hodnotenia vyjadrujú len to, ako dobre sú klasifikované testovacie plochy, výsledná správnosť je preto často príliš “optimistická”

Klasifikácia vs. viz.interpretácia zatiaľ sa nepodarilo úplne nahradiť činnosť ľudského mozgu pri VI VI je nenáročná na softvér a na odborné znalosti užívateľa, nevyžaduje trénovacie údaje nie je citlivá na rádiometrické zmeny alebo nedostatky snímkového materiálu klasifikácia je presnejšia, lepšie využíva detailné spektrálne informácie umožňuje rýchlo a presne zachytiť drobné elementy krajinnej štruktúry (napr.malé ostrovčeky porastov) – dôležité pri KE analýzach

Identifikácia zmien identifikácia (detekcia) zmien je proces určovania rozdielov v stave objektu alebo javu pozorovaním v rôznych časových obdobiach zmeny krajinnej pokrývky majú pravdepodobne väčší globálny vplyv než klimatické zmeny preto je dôležité ich presné monitorovanie základným prepokladom identifikácie zmien využitím údajov DPZ je existencia zmeny v spektrálnej odozve zaznamenanej snímačom, resp. fotogrametrickou kamerou tieto zmeny sa prejavia na snímkach zmenami charakteristík interpretačných znakov

Identifikácia zmien pri identifikácii zmien potrebujeme odlíšiť skutočné zmeny od zmien spôsobených premennými mimo záujmu (napr.rozdielnou výškou snímania) zmeny krajinnej pokrývky: kategorická zmena – konverzia (napr. zmena lúky na zastavaný areál) postupný prechod – modifikácia (napr. postupné zarastanie lúky náletovými drevinami) od krátkodobých zmien až po dlhodobé javy

Identifikácia zmien Metódy identifikácie zmien: 1. vizuálna interpretácia (aj počítačom podporovaná) 2. digitálne metódy identifikácie zmien 3. kombinácia oboch metód Vizuálna interpretácia - v minulosti sa vykonávala na svetelnej tabuli a bola jediným možným typom polohovo registrovanej detekcie zmien v súčasnosti digitalizáciou na obrazovke dôležité je stanovenie MMU pre mapovanie zmien (minimálna veľkosť areálu zmeny, minimálna rozloha a šírka nových areálov)

Vizuálna interpretácia zmien využívajú sa najmä: retrospektívna analýza (backdating) aktualizáca (updating) Pri retrospektívnej analýze sa ako základ zoberie najnovšia snímka z časového radu, ktorá sa vizuálne interpretuje a výsledky interpretácie sa porovnávajú so staršími snímkami, pričom sa identifikujú zmeny. Pri metóde aktualizácie je základom najstaršia snímka z časového radu. princíp aktualizácie pochádza z oblasti terminológie GIS

Vizuálna interpretácia zmien hlavným cieľom aktualizácie je minimalizovať riziko vzniku nepresností vo vytváranej vrstve zmien každý proces prekrytia (overlay) dvoch alebo viacerých nezávisle generovaných vrstiev vedie k fragmentácii, t.j. vzniku veľkého množstva veľmi malých polygónov - tzv. zbytkových polygónov (sliver polygons) pri aktualizácii (retrospektívnej analýze) sa modifikujú len hranice zmenených areálov iný prístup - priama tvorba vrstvy zmien minimalizuje sa čas tvorby novej vrstvy údajov Pri aktualizácii (retrospektívnej analýze) sa nevytvára úplne nová vrstva údajov, ale využíva sa kópia pôvodnej vrstvy, v ktorej sú spoločné hranice nezmenených areálov ponechané bez zmeny a modifikujú sa len hranice zmenených areálov. Iný prístup spočíva v priamej tvorbe vrstvy zmien. Nová vrstva údajov sa potom vytvorí zlúčením pôvodnej vrstvy s vrstvou zmien. Výhodou tohto prístupu je jednoduchá eliminácia areálov nereálnych typov zmien. Obidva prístupy zabraňujú vzniku nepresností vo výslednej vrstve zmien , a zároveň minimalizujú čas tvorby novej vrstvy údajov.

Digitálne metódy založené na priamom porovnávaní digitálnych obrazov vyžadujú presnú polohovú registráciu snímok (chyba by nemala presiahnuť veľkosť polovice pixla) spoločná rádiometrická odozva (minimalizícia vplyvu uhla snímania, uhla dopadu slnečných lúčov alebo atmosférických vplyvov) snímky nasnímané rovnakým alebo podobným typom senzora, s rovnakou snímkovou geometriou, v rovnakom spektrálnom pásme a s rovnakým geometrickým rozlíšením (v rovnakom dennom čase a v rovnakom ročnom období)

Digitálne metódy pri vizuálnej aj digitálnej detekcii zmien využitím údajov DPZ majú vplyv aj environmentálne faktory atmosférické faktory – oblačnosť znemožňuje identifikáciu zmien, hmla alebo riasy môžu pozmeniť spektrálne hodnoty vlhkosť pôdy – taktiež ovplyvňuje spektrálne hodnoty fenologické cykly – pri poľnohospodárskych plodinách, ale aj pri raste urbanizovaných území príliv a odliv – pri hodnotení zmien v pobrežných oblastiach

Digitálne metódy Digitálne metódy detekcie zmien: techniky zvýrazňovania zmien - lokalizujú zmeny a ich veľkosť, ale neposkytujú informácie o charaktere (type) zmeny obrazová algebra, odčítanie vegetačných indexov, detekcia zmien chi-square transformáciou, vzájomnou koreláciou, multitemporálna klasifikácia, lineárna regresia techniky detekcie povahy zmien - založené na klasifikácii, poskytujú aj informácie o type identifikovaných zmien (zmena „z-na“) detekcia zmien porovnaním po klasifikácii, aplikáciou binárnej masky, využitím pomocných údajov, analýza vektora spektrálnej zmeny

Zvýrazňovanie zmien Odčítanie obrazov (Image differencing) odčítanie hodnôt obrazových prvkov 2 obrazov zmeny + al. -, bez zmeny blízke 0 Podiel obrazov (Image rationing) podiel hodnôt obrazových prvkov 2 obrazov zmeny <1 al. >1, bez zmeny blízke 1 kľúčové je určenie prahovej hodnoty oddeľujúcej zmenené údaje od údajov bez zmeny – robí sa to empiricky pomocou histogramu

Odčítanie obrazov Snímka 1 Snímka 2 Obraz rozdielov = Snímka 1 - Snímka 2

Odčítanie obrazov Obraz zmien (binárny) Obraz rozdielov

Detekcia povahy zmien Detekcia zmien porovnaním po klasifikácii (Post-classification Comparison, PCC) najpoužívanejšia kvantitatívna metóda hodnotenia zmien poskytuje informácie o zmene „z-na“ často sa považuje za nadradenú nad ostatné metódy detekcie zmien a používa sa ako štandard na hodnotenie ich výsledkov spočíva v prekrytí a porovnaní dvoch nezávisle klasifikovaných obrazov výsledkom je matica zmien (Change Detection Matrix)

PCC výhody - poskytuje informácie o zmene "z - na„ nezávislou klasifikáciou sa eliminuje vplyv rôznych atmosférických podmienok alebo použitia rôznych senzorov analyzátor kontroluje typy zmien zobrazené vo výslednom produkte nevýhody – potrebné dve nezávislé klasifikácie chyby v klasifikácii sa kumulujú niekedy je ťažké odlíšiť skutočné zmeny od zmien spôsobených odlišnou klasifikačnou metódou vznik zbytkových polygónov (čistenie združovaním so susednými polygónmi alebo posúvaním)

Detekcia povahy zmien Detekcia zmien aplikáciou binárnej masky na druhú snímku 1. Klasifikácia prvej snímky 2. Odčítanie druhej snímky od prvej – raster zmien 3. Tvorba binárnej masky zmien a naloženie na druhú snímku 4. Klasifikácia zmenených oblastí druhej snímky 5. Detekcia zmien „z-na“ metódou PCC veľmi efektívna metóda – redukujú sa chyby pri klasifikácii a šetrí sa čas a námaha vyžaduje postupnosť viacerých krokov a výsledok závisí od kvality binárnej masky Vo väčšine regionálnych projektov nie je celková zmena v rozmedzí 1 až 5 rokov väčšia než 10% plochy územia.

Hodnotenie zmien kontingenčná tabuľka (Contingency table) matica zmien (Change detection matrix) v prípade rozsiahlych klasifikačných schém môže vzniknúť veľké množstvo kombinácií preto sa zmeny často delia na typy, napríklad: na základe príbuznosti procesov, ktoré zmeny spôsobili podľa charakteristických stavov krajiny po zmenách

Hodnotenie zmien tabuľka typov zmien (Conversion table): zánik jedného areálu zároveň predstavuje vznik ďalšieho

Hodnotenie zmien

Hodnotenie zmien hodnotenie intenzity zmien – výpočet podielu zmenenej plochy v štvorcovej sieti (napr.v CLC štvorce 1,5 x 1,5 km): 75 – 100 %................úplná zmena 25 - 75 %...................čiastočná zmena 1 – 24 %....................minimálna zmena 0 %............................žiadna zmena v prípade hierarchickej legendy môžeme intenzitu zmien hodnotiť aj na základe hierarchickej úrovne, na ktorej bola identifikovaná zmena

Odporúčaná literatúra Žíhľavník, Scheer (2001): Diaľkový prieskum Zeme v lesníctve. TU Zvolen, VŠ učebnica, 289 s. Lillesand, Kiefer, Chipman (2008): Remote Sensing and Image Interpretation. NY: Wiley, 756 p. Jensen (2005): Introductory Digital Image Processing. Prentice Hall, 526 p. Mičietová, Kožuch (2008): Špecializované informačné technológie v prírodovednom výskume: Geoinformačné technológie. Elita, 145 s. + CD (možnosť požičať na Katedre kartografie)

stankova@fns.uniba.sk Katedra kartografie, GIS a DPZ G-18 Ďakujem za pozornosť stankova@fns.uniba.sk Katedra kartografie, GIS a DPZ G-18