DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu
| ŠUMARSKI LIST 11-12/2021 str. 32 <-- 32 --> PDF |
Prvi korak bila je izrada WV-3MS-a (1) (Slika 3). WV-3 stereo snimci koji pokrivaju istraživano područje prikupljeni su 4. prosinca 2018. u idealnim uvjetima s 0 % naoblake i s optimalnim off-NADIR kutovima (< 30º) (Nemmaoui i dr, 2019), čime je postignuto 5 m CE907/LE908 apsolutne horizontalne točnosti sa srednjom kvadratnom pogreškom od 2,3 m (RMSE9) (Maxar Technologies, 2019B). WV-3 stereo snimci ustupljeni su u sklopu financiranja zaklade DigitalGlobe kao OrthoReady snimci (OR2A10). Prostorna rezolucija WV-3MS-a unaprijeđena je PANSHARP2 tehnikom unutar softvera Geomatics 2018 korištenjem pankromatskog kanala (PCI Geomatica, 2013). OrthoEngine 2018 korišten je za izradu DSM-a. Generirani DSMWV3 primijenjen je u ortorektifikaciji izoštrenog 8-kanalnog WV-3MS-a prostorne rezolucije 0,30 m (Domazetović i dr., 2020). Potom je u ArcGIS-u izvršena segmentacija WV-3MS-a (2) temeljena na Mean Shift pristupu (Comaniciu i Meer, 2002). Obilježja segmentiranog modela ovise o tri parametra: spektralnoj detaljnosti, prostornoj detaljnosti i minimalnoj veličini segmenta. S ciljem pronalaska najoptimalnije kombinacije vrijednosti izvršen je iterativan proces (n=64) testiranja. Najoptimalnija kombinacija izvedena je na temelju vizualne interpretacije segmentiranih modela. Na segmentiranom modelu su potom označeni i dodani testni uzorci (3). Prikupljeni su uzorci za sljedeće klase: Šuma primorskih četinjača, Visoka vegetacija, Niska vegetacija, Tlo, Urbano, Kamen, More, Sjena. Provjera prikupljenih testnih uzoraka izvedena je metodom unakrsnog vrednovanja. Označen je veći broj uzoraka zbog mogućih ulaznih distorzija izoštrenog multispektralnog snimka. U nastavku su testirana tri najčešće korištena GEOBIA klasifikacijska algoritma (RT, ML, SVM), (4) (Nitze i dr., 2012; Myburgh i Van Niekerk, 2013; Myburgh i Van Niekerk, 2014). S ciljem automatiziranja procesa, u Model Builder-u je izrađen alat pod nazivom Automated Classification Process (ACP) (Slika 24). ACP omogućava istovremeno generiranje izlaznih rezultata za sve korištene algoritme (RT, ML i SVM). Peti korak uključuje procjenu točnosti i odabir klasifikacijskog algoritma (5). Tri klasifikacijska algoritma uspoređena su na temelju odabranih metričkih pokazatelja (COR, COM, OQ) (Cai i dr., 2018). Time se kvantificira odnos između referentnih objekata i izvedenih objekata (GEOBIA šume - Gs) te ispituje točnost provedene segmentacije (Eisank i dr., 2014). Procjena točnosti provedena je na temelju pet uzoraka referentnih šuma (RS) primorskih četinjača (RS1 – RS5) (Slika 9). RS su odabrane korištenjem alata Create accuracy assessment points. Šumske površine na kojima se našao piksel, ili im bio najbliže, izvektorizirane su u mjerilu 1:100 s DOF-a iz 2019. godine prostorne rezolucije 0,29 m (DGU). Izračunato je područje preklopa (Ap) RS i GS, kao i precijenjeno (Ao) i podcijenjeno (Au) područje. Vrijednosti su korištene za procjenu točnosti klasifikacijskih algoritama prema sljedećim formulama: 1) (Cai i dr., 2018) gdje je: Ap – područje preklopa referentne i klasificirane šume; AGs – ukupna površina GEOBIA šume 2) (Cai i dr., 2018) gdje je: Ap – područje preklopa referente i klasificirane šume; ARs – ukupna površina referentne šume 3) (Cai i dr., 2018) gdje je: Ap – područje preklopa referentne i klasificirane šume; ARs – ukupna površina referentne šume; AGs – ukupna površina GEOBIA šume Vrijednosti COR, COM i OQ indikatora variraju u rasponu 0 – 1. Veće vrijednosti ukazuju na veće podudaranje između referentnih i klasificiranih objekata, odnosno veću točnost klasifikacijskog algoritma (Whiteside i dr., 2014). U konačnici, izvedena je procjena točnosti najboljeg klasifikacijskog algoritma (6). Točnost je izračunata pomoću modificiranog Cohen’s kappa coefficient (K) indikatora (Cohen, 1960) (4). Pontius i Millones (2011) i Foody (2020) u istraživanjima ističu nepouzdanost ovog pokazatelja, zbog čega je metoda unaprijeđena dodavanjem većeg broja uzoraka, pri čemu je udaljenost između svakog uzorka određena s obzirom na minimalnu jedinicu kartiranja (Minimal Segment Size). Procjena točnosti izvedena je na 46 734 uzorka unutar 12 RS (RS1 – RS12) (Slika 9). Alatom Create Fishnet generirana je mreža kvadrata 1,8 x 1,8 metra s centroidima koji predstavljaju uzorke na kojima će se ispitivati točnost konačnog modela. Model je reklasificiran tako da su sve klase osim Šuma primorskih četinjača spojene u jednu (Ostalo). Broj točaka unutar dviju generiranih klasa korišten je za procjenu točnosti klasifikacije prema sljedećoj formuli: 4) (Cohen, 1960) gdje je: r – broj redaka u matrici konfuzije; xii – broj uzoraka u retku (i) i stupcu (i) (tj. dijagonalni elementi); M – ukupan broj uzoraka |