DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu



ŠUMARSKI LIST 11-12/2021 str. 37     <-- 37 -->        PDF

šumama primorskih četinjača je 2 643,43 ha TS-a što je oko 31% ukupne površine. Najveće šumske površine se nalaze na Marjanu, južnim padinama Kozjaka i zapadnim padinama Mosora uz poneke parkove i drvorede u samom gradu Splitu i okolnim naseljima.
ZAKLJUČAK
CONCLUSION
Primjenom GEOBIA metodologije generiran je model zemljišnog pokrova na području topografskog slijeva naselja Split. Model je reklasificiran u dvije klase: Šuma primorskih četinjača i Ostalo. RT se prema odabranim indikatorima (COR, COM i OQ) pokazao kao pouzdaniji u izdvajanju šuma primorskih četinjača od ML i SVM klasifikacijskih algoritama. Nadalje, iterativno postavljanje segmentacijskih parametara omogućilo je detekciju najoptimalnijih vrijednosti za generiranje segmentacijskog modela. Utvrđeno je da sjene mogu uzrokovati značajne probleme prilikom klasificiranja šuma s visoko-rezolucijskog WV-3MS-a. Rješenje može biti u prikupljanju većeg broja uzoraka na različitim područjima u svrhu detaljnije diferencijacije klasa. Modificiranim K pokazateljem izračunata je točnost konačnog modela od 87,38%. U konačnici WV-3MS se s obzirom na komercijalnu dostupnost može smatrati primjerenim podatkom za detekciju šuma primorskih četinjača GEOBIA metodom. Prema izrađenom modelu, 31,36% ukupne površine unutar topografskog slijeva naselja Split pokriva vrlo i ekstremno zapaljiva vegetacija.
ZAHVALA
ACKNOWLEDGEMENT
Podaci u ovom istraživanju prikupljeni su u sklopu projekata PEPSEA Split i STREAM. Saznanja i rezultati iz ovoga rada će se koristiti za potrebe projekta STREAM (Strategic Development of Flood Management).
LITERATURA
REFERENCES
Abburu, S., S.B Golla, 2015: Satellite image classification methods and techniques: a review, International journal of computer applications, 119(8): 20.-25.
Aguilar, M.A., F. Bianconi, F.J Aguilar, I. Fernández, 2014: Object-based greenhouse classification from GeoEye-1 and WorldView-2 stereo imagery, Remote sensing, 6(5): 3554.-3582.
Arellano, P., K. Tansey, H. Balzter, D.S. Boyd, 2015: Detecting the effects of hydrocarbon pollution in the Amazon forest using hyperspectral satellite images, Environmental Pollution, 205: 225.-239.
Bodrožić, L., J. Marasović, D. Stipaničev, 2005: Fire modeling in forest fire management, CEEPUS Spring School, Kielce, Poland.
Bullock, E. L., C.E. Woodcock, Jr.C. Souza, P. Olofsson, 2020: Satellite;based estimates reveal widespread forest degradation in the Amazon, Global Change Biology, 26(5):2956-2969.
Cai, L., W. Shi, Z. Miao, M. Hao, 2018: Accuracy assessment measures for object extraction from remote sensing images, Remote Sensing, 10(2): 303
Cohen, J., 1960: A coefficient of agreement for nominal scales, Educational and psychological measurement, 20(1):37.-46.
Comaniciu, D., P. Meer, 2002: Mean shift: A robust approach toward feature space analysis, IEEE Transactions on pattern analysis and machine intelligence, 24(5):603.-619.
Cross, M. D., T. Scambos, F. Pacifici, W.E. Marshall 2019: Determining effective meter-scale image data and spectral vegetation indices for tropical forest tree species differentiation, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(8):2934-2943.
Dare, P. M., 2005: Shadow analysis in high-resolution satellite imagery of urban areas, Photogrammetric Engineering & Remote Sensing, 71(2):169.-177.
Domazetović, F., A. Šiljeg, I. Marić, M. Jurišić, 2020: Assessing the Vertical Accuracy of Worldview-3 Stereo-extracted Digital Surface Model over Olive Groves. In GISTAM 2020, 246.-253.
Dubravac, T., B. Vrbek, Z. Lalić, 2006: Prirodna obnova u sastojinama alepskog bora (Pinus halepensis Mill.) nakon požara, Radovi, 9:37.-51.
Eisank, C., M. Smith, J. Hillier, 2014: Assessment of multiresolution segmentation for delimiting drumlins in digital elevation models, Geomorphology, 214:452.-464.
Fernandes, P.M., A. Luz, C. Loureiro, 2010: Changes in wildfire severity from maritime pine woodland to contiguous forest types in the mountains of northwestern Portugal, Forest Ecology and Management, 260(5):883.-892.
Foody, G.M., 2020: Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification, Remote Sensing of Environment, 239.
Fu, H., T. Zhou, C. Sun, 2020: Object-based shadow index via illumination intensity from high resolution satellite images over urban areas, Sensors, 20(4): 1077.
Hay, G.J., G. Castilla, 2008: Geographic Object-Based Image Analysis (GEOBIA): A new name for a new discipline. In Object-based image analysis, 75.-89. Springer, Berlin, Heidelberg.
Jovanović, N., R. Župan, 2017: Analiza stanja vegetacije prije i nakon šumskih požara pomoću satelitskih snimaka Sentinel-2 na području Dalmacije, Geodetski list, 71(3):233-248.
Kwan, C., L. Hagen, B. Chou, D. Perez, J. Li, Y. Shen, K. Koperski, 2020: Simple and effective cloud-and shadow-detection algorithms for Landsat and Worldview images, Signal, Image and Video Processing, 14(1):25.-133.
Griffith, D.C., G.J. Hay, 2018: Integrating GEOBIA, Machine Learning, and Volunteered Geographic Information to Map Vegetation over Rooftops, ISPRS International Journal of Geo-Information, 7(12):462.
Landis, J.R., G.G. Koch, 1977: The measurement of observer agreement for categorical data. biometrics, 159-174.
Mamut, M., 2011: Ties between the geographical and social geographical features of dalmatia with the endangerment of forest fires; Šumarski list, 135(1-2):37.-49.