DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu




ŠUMARSKI LIST 1-2/2018 str. 72     <-- 72 -->        PDF

Þ Nadzirane (polu-automatske) klasifikacijske metode
Þ Nenadzirane (automatske) klasifikacijske metode
Þ Objektno orijentirane (engl. object-based) klasifikacijske metode.
Nadzirana klasifikacijska metoda je metoda koja predstavlja klasifikaciju određene scene temeljem uzoraka koje je definirao korisnik. Uzorci se koriste kako bi se definirale klase pokrova zemljišta. Klasifikacija se bazira na spektralnim karakteristikama svakog uzorka.
Najpoznatiji algoritmi su maksimalna sličnost (engl. maximum-likelihood) i minimalna udaljenost (engl. minimum-distance) (Weih i Riggan 2010).
Nenadzirana klasifikacijska metoda je metoda koja automatski klasificira scenu na temelju statističkog grupiranja spektralnih značajki i obilježja. Korisnik treba definirati samo broj klasa koje će se kreirati. Najpoznatiji algoritmi su K-means i ISODATA (Krtalić, 2014).
Objektno orijentirana klasifikacijska metoda je metoda koja kreira objekte različitih oblika i veličina, dok metode bazirane na klasifikaciji piksela generiraju kvadrate. Najpoznatija metoda je metoda najbližeg susjeda (engl. nearest neighbor) (Weih i Riggan 2010)..
Parametri kvalitete – Quality parameters
Izoštravanje snimke ili poboljšanje vizualne kvalitete digitalne snimke može biti subjektivno. Pretpostavka da jedna metoda pruža bolje rezultate od druge može varirati od osobe do osobe. Iz tog razloga potrebno je definirati mjere kvalitete kako bi bilo moguće usporediti utjecaj algoritama za izoštravanje snimke na kvalitetu snimke. Stoga je nakon provedenog postupka fuzije snimki provedena analiza dobivenih podataka. Izračunati su parametri kvalitete programom ORFEO toolbox (Al-Wassai i sur. 2011; Epting 2005; Gwet 2014). Parametri kvalitete su redom srednja kvadratna pogreška (engl. mean squared error – MSE) koja predstavlja mjeru odstupanja pojedinih vrijednosti od srednje vrijednosti, srednja apsolutna pogreška (engl. mean apsolute error – MAE) koja predstavlja razliku između dobivenih i polaznih vrijednosti skupa podataka, odnosno mjeri prosječnu veličinu pogrešaka u dobivenom (ili predviđenom) skupu podataka, vršni omjer signala i šuma (engl. peak signal to noise ratio – PSNR) koji predstavlja odnos između najviše moguće vrijednosti (snage) signala i snage šuma koji utječe na kvalitetu, srednja vrijednost snimki (engl. mean, SVS) koja predstavlja mjeru središnje tendencije diskretnog skupa podataka, ukupna preciznost klasifikacije koja predstavlja omjer ukupnog broja ispravnih piksela (koji se nalaze na dijagonali korelacijske matrice) s ukupnim brojem piksela u korelacijskoj matrici, Kappa koja predstavlja mjeru podudarnosti između klasificirane slike i referentnog skupa podataka, Paersonov koeficijent korelacije koji predstavlja mjeru jakosti linearne veze između dva skupa podataka u rasponu od -1 do 1, pri čemu visoka korelacija ima vrijednosti između ±0,5 i ±1, srednja između ±0,3 i ±0,5, dok slaba korelacija ima vrijednosti od ±0,1 do ±0,3, te standardno odstupanje snimki (STDEV) koje predstavlja mjeru raspršenosti podataka ( preciznost snimke). Što je standardno odstupanje vrijednosti piksela neke snimke veće, to postoji više nijansi sivila koji prikazuju objekte na njoj i snimka je generalno čitljivija.
Tijek obrade – Processing flow
Izračunat je NDVI vegetacijski indeks na temelju trećeg (crvenog) i četvrtog (blizu-infracrvenog) kanala kao referentna snimka (NDVI_ref). Zatim su izvršene metode fuzije snimki prva četiri kanala i NDVI_ref snimke pomoću snimke osmog kanala satelita Landsat 7. Programom ORFEO Toolbox provedena je bikubična (bicubic) interpolacija snimke i zatim metoda izoštravanja P+XS jednostavnim algoritmom RCS (Relative Spectral Contribution). Istim programom je provedena i interpolacija snimke temeljena na najbližem susjedstvu (Nearest Neighbor – NN) i metoda izoštravanja P+XS jednostavnim algoritmom RCS. Treći način izoštravanja snimke proveden je skriptom izrađenom programskim jezikom Python. Tom skriptom je definirana bikubična interpolacija snimke, a zatim i brza metoda izoštravanja snimke intenzitet–boja–zasićenost (engl. fast intensity-hue-saturation – FIHS). Sva tri načina fuzije provedena su na multispektralnim kanalima: crveni, zeleni, plavi (RGB) i blizu-infracrveni (NIR); te na NDVI_ref snimci koristeći pankromatski kanal dobiven satelitom Landsat 7. Na temelju izoštravanja NDVI_ref snimke nastale su izoštrene snimke označene NDVI_pansh. Nakon provedene fuzije multispektralnih kanala i pankromatskog kanala za svaki način fuzije snimki izračunao se vegetacijski indeks NDVI (označen NDVI_calc).
Nakon izračuna NDVI vegetacijskih indeksa na temelju izabranih snimaka izvršila se nenadzirana klasifikacija. Za potrebe nenadzirane klasifikacije nisu potrebni uzorci za klasifikaciju. Nenadziranom klasifikacijom promatra se prirodno grupiranje vrijednosti piksela. Zatim se definira prag kako bi se odredio broj klasa na pojedinoj snimci. Nakon grupiranja koristi se poznata vrijednost kako bi se identificirala klasa kojoj pripadaju pikseli. Odabran je klasifikacijski algoritam K-means kako bi se provjerio utjecaj fuzije neovisno o ljudskom faktoru. K-means je popularna metoda nenadzirane klasifikacije. Radi na principu odabira slučajnog uzorka, koji se može smatrati slučajnom vrijednošću. Nakon odabira uzoraka definiraju se linije koje razdvajaju klase. Točke koje se nalaze unutar pojedine klase analiziraju se te se računa njihova sredina. Određene sredine zatim formiraju nove uzorke pri čemu su definirane nove granice klasa. Taj proces se ponavlja nekoliko puta (Krtalić 2014). U ovome radu definirano je 6 klasa radi podjele na šumsku vegetaciju, vodu, izgrađeno područje, obrađeno