koncepcja quasi-obiektowej metody analizy wielospektralnych zdjęć

KONCEPCJA QUASI-OBIEKTOWEJ
METODY ANALIZY
WIELOSPEKTRALNYCH
ZDJÊÆ LOTNICZYCH ...
POLSKIE TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
19
ROCZNIKI GEOMATYKI 2012 m TOM X m ZESZYT 5(55)
KONCEPCJA QUASI-OBIEKTOWEJ METODY ANALIZY
WIELOSPEKTRALNYCH ZDJÊÆ LOTNICZYCH
I JEJ ZASTOSOWANIA DO ANALIZY
SK£ADU GATUNKOWEGO DRZEWOSTANÓW
AN OUTLINE OF A QUASI-OBJECT-BASED ANALYSIS
OF MULTISPECTRAL AERIAL IMAGES AND ITS USE
TO DETERMINE SPECIES COMPOSITION
OF FOREST STANDS
Krzysztof Bêdkowski, Krzysztof Stereñczak
Katedra Urz¹dzania Lasu, Geomatyki i Ekonomiki Leœnictwa, Wydzia³ Leœny
Szko³a G³ówna Gospodarstwa Wiejskiego w Warszawie
S³owa kluczowe: leœnictwo, bezza³ogowy statek lataj¹cy ( BSL), klasyfikacja quasi-obiektowa,
niemetryczne zdjêcia lotnicze
Keywords: forestry, unmanned aerial vehicle (UAV), quasi object-based classification, nonmetric aerial images
Wstêp
Rozpoznanie obiektów na podstawie ich obrazów jest podstawowym zadaniem teledetekcji. Jednym z etapów rozpoznania jest wspomagany metodami cyfrowymi proces klasyfikacji treœci obrazów, który wspó³czeœnie realizowany jest za pomoc¹ algorytmów klasyfikacji
wielospektralnej lub obiektowej. W klasyfikacji wielospektralnej analizowanymi obiektami s¹
pojedyncze piksele obrazu. Ich przynale¿noœæ do danej klasy wynika z wartoœci jasnoœci
piksela w poszczególnych kana³ach spektralnych obrazu. Nie ma znaczenia, z jakimi pikselami s¹siaduje dany piksel. Klasyfikacja wielospektralna (pikselowa) mo¿e byæ realizowana za
pomoc¹ procedur klasyfikacji nadzorowanej lub nienadzorowanej. Pierwsze z nich wymagaj¹ wstêpnego wyboru obiektów wzorcowych, na podstawie których zostan¹ wyliczone
charakterystyki spektralne dla ka¿dej z wyró¿nianych klas obiektów. Wymagana jest zatem
wiedza a priori o treœci analizowanych obrazów. W wariancie klasyfikacji nienadzorowanej
algorytm poszukuje pikseli podobnych pod wzglêdem wartoœci jasnoœci i grupuje je (tworzy
skupienia). Zadaniem operatora jest nadanie znaczenia wyró¿nionym grupom pikseli. Rozwijana od kilkunastu lat metoda klasyfikacji obiektowej opiera siê na analizie jasnoœci pikseli
20
KRZYSZTOF BÊDKOWSKI, KRZYSZTOF STEREÑCZAK
oraz ich wzajemnego przestrzennego uk³adu (Definiens, 2004). Wyró¿niane s¹ na tej podstawie segmenty obrazu. Wielkoœæ wyznaczanych segmentów jest jednym z parametrów metody. Na obszarach lasów segmentem mo¿e byæ drzewostan, jeœli w wystarczaj¹cym stopniu
odró¿nia siê od otaczaj¹cych go drzewostanów, grupy drzew, pojedyncze drzewa lub nawet
fragmenty koron. Jak wynika z doœwiadczeñ, podzia³ koron drzew na mniejsze jednostki
powodowany jest niejednakowym (kierunkowym) oœwietleniem – w ka¿dej koronie s¹ partie
jasne, pozostaj¹ce w cieniu w³asnym lub w cieniu rzucanym przez inne drzewa. Zmiennoœæ
oœwietlenia koron jest czynnikiem bardzo utrudniaj¹cym zastosowanie w leœnictwie metod
cyfrowego przetwarzania obrazów o du¿ej rozdzielczoœci.
Zdjêcia lotnicze wykonywane w ró¿nych zakresach spektralnych s¹ wykorzystywane w
leœnictwie miêdzy innymi do oceny stanu zdrowotnego lub sk³adu gatunkowego drzewostanów. Klasyfikacja treœci obrazów opiera siê na wizualnej lub cyfrowej analizie widocznych
na zdjêciach barw koron drzew.
Teledetekcja lasów zyska³a ostatnio nowe mo¿liwoœci wykonywania obrazów poprzez zastosowanie bezza³ogowych statków lataj¹cych (BSL). Podstawow¹ ich zalet¹ jest mo¿liwoœæ
wykonania obrazów w warunkach i na warunkach, jakich nie mog¹ spe³niæ klasyczne lotnicze
systemy fotogrametryczne. Zdjêcia z BSL mog¹ byæ wykonane w bardzo krótkim czasie od
zamówienia, z niskiej wysokoœci, przy trudnych warunkach oœwietlenia (np. pod chmurami) i
dotyczyæ niedu¿ego obszaru (aspekt ekonomiczny). Szczególnie wa¿na, jak wynika z naszych
dotychczasowych analiz, jest mo¿liwoœæ wykonywania zdjêæ bezcieniowych, na których korony drzew s¹ oœwietlone równomiernie. Obrazy z BSL s¹ sk³adane do postaci ortomozaik, a
wiêc obrazów, z których usuniête s¹ zniekszta³cenia wynikaj¹ce z nachylenia zdjêæ, ukszta³towania terenu i zró¿nicowania wysokoœciowego odwzorowanych obiektów. Proces sk³adania
zdjêæ wykorzystuje metody korelacji obrazów i jest w pe³ni zautomatyzowany.
Koncepcja metody klasyfikacji
W niniejszym artykule autorzy przedstawiaj¹ koncepcjê metody klasyfikacji treœci zdjêæ
wielospektralnych, która mo¿e byæ zastosowana do analizy sk³adu gatunkowego drzewostanów. Metoda w za³o¿eniach podobna jest do rozwi¹zania zastosowanego wczeœniej przez
autorów do analizy struktury drzewostanów na podstawie wartoœci modeli terenu (Stereñczak, Bêdkowski, 2011). Obiektami podlegaj¹cymi klasyfikacji s¹ poszczególne drzewa, a
nie piksele obrazu. Metoda, ³¹cz¹ca w sobie cechy klasyfikacji wielospektralnej i obiektowej,
sk³ada siê z nastêpuj¹cych etapów:
1) wykonanie wielospektralnych zdjêæ lotniczych,
2) segmentacja obrazu w celu identyfikacji koron drzew i wskazania ich zasiêgów (obrysów),
3) wybór drzew reprezentuj¹cych poszczególne gatunki,
4) obliczenie charakterystyk opisuj¹cych jasnoœæ obrazów koron drzew poszczególnych
gatunków,
5) obliczenie charakterystyk opisuj¹cych jasnoœæ obrazów poszczególnych koron drzew,
6) klasyfikacja koron drzew (wskazanie przynale¿noœci do gatunku),
7) ustalenie sk³adu gatunkowego.
Przedstawiony tok postêpowania pozwoli na wyeliminowanie z procesu klasyfikacji tych
czêœci obrazu, które nie dotycz¹ koron drzew. Ponadto, poniewa¿ klasyfikowane s¹ ca³e
korony, mo¿na unikn¹æ sytuacji niejednoznacznych, wystêpuj¹cych w pikselowej klasyfika-
KONCEPCJA QUASI-OBIEKTOWEJ METODY ANALIZY WIELOSPEKTRALNYCH ZDJÊÆ LOTNICZYCH ...
21
cji wielospektralnej, gdy po zakoñczeniu klasyfikacji w obrêbie korony danego drzewa znajduj¹ siê piksele zaliczone do ró¿nych gatunków. Jest to efekt przestrzennego zró¿nicowania
koron drzew, gdzie, w zale¿noœci od wielkoœci piksela, na jego powierzchni znajduj¹ siê
partie koron o ró¿nym uigleniu/ulistnieniu i ró¿nie oœwietlone. Im piksele s¹ mniejsze tym
zmiennoœæ wartoœci charakterystyk spektralnych reprezentowanych przez nie fragmentów
powierzchni koron jest wiêksza.
Wa¿nym etapem metody jest segmentacja obrazu, która mo¿e byæ wykonana na podstawie danych obrazowych, skanowania laserowego lub poprzez kombinacjê ró¿nych zbiorów
danych w sposób manualny lub automatyczny. Na etapie opracowywania koncepcji metody,
dokonano segmentacji manualnej, poprzez digitalizacjê ekranow¹ obrysów koron drzew.
Jak w ka¿dej metodzie klasyfikacji nadzorowanej, niezbêdne jest wskazanie obiektów
(tutaj drzew) typowych dla poszczególnych gatunków. S¹ to tzw. pola wzorcowe lub treningowe, na podstawie których wyliczane s¹ charakterystyki opisuj¹ce jasnoœæ obrazu poszczególnych gatunków drzew, we wszystkich kana³ach obrazu wielospektralnego. Sama
klasyfikacja koron drzew mo¿e byæ zrealizowana za pomoc¹ znanych algorytmów, na przyk³ad najmniejszej odleg³oœci lub najwiêkszego prawdopodobieñstwa.
Ustalenie sk³adu gatunkowego polega na obliczeniu powierzchni rzutów koron drzew
sklasyfikowanych do poszczególnych gatunków.
Materia³y i metodyka
W pracy autorzy wykorzystali ortomozaiki (rys. 1) utworzone ze zdjêæ drzewostanów
uroczyska G³uchów w Leœnym Zak³adzie Doœwiadczalnym SGGW, wykonanych za pomoc¹ cyfrowych kamer niemetrycznych Sigma DP2, które rejestrowa³y obrazy w czterech
zakresach spektralnych: niebieskim, zielonym, czerwonym oraz podczerwonym. Mo¿liwoœæ
rejestracji podczerwieni uzyskano poprzez ingerencjê w konstrukcjê jednego z aparatów –
usuniêcie fabrycznie zainstalowanego filtra podczerwieni (Zmarz, 2011). Platform¹ przenosz¹c¹ kamery by³ bezza³ogowy statek lataj¹cy AVI-1 firmy Taxus SI z Warszawy (Taxus,
2010; Zmarz, 2011), zaprojektowany specjalnie do wykonywania lotów fotogrametrycznych. Zdjêcia wykonano w paŸdzierniku, czyli w koñcowej fazie sezonu wegetacyjnego,
kiedy widoczne s¹ du¿e zmiany w barwach aparatu asymilacyjnego drzew. W momencie
nalotu chmury by³y stosunkowo nisko, przez co brak by³o bezpoœredniego oœwietlenia s³onecznego i otrzymano zdjêcia by³y ma³o kontrastowe, czyli o ma³ych ró¿nicach tonalnych
miêdzy oœwietlonymi i zacienionymi czêœciami koron drzew.
Przydatnoœæ zdjêæ uzyskanych za pomoc¹ opisanego systemu BSL potwierdzono doœwiadczalnie. Zmarz i in. (2012) badali za ich pomoc¹ stan zdrowotny drzewostanu œwierka
pospolitego (Picea abies (Karst.) L.). Bêdkowski i Stereñczak (2012) podjêli natomiast próbê odró¿niania na zdjêciach obcego dla naszych lasów gatunku, jakim jest d¹b czerwony
(Quercus rubra L.).
Na wydrukach zdjêæ zlokalizowano poszczególne egzemplarze drzew, a nastêpnie odnaleziono je w terenie i sprawdzono przynale¿noœæ gatunkow¹. Kolejnym etapem by³a digitalizacja na ortomozaikach zasiêgów koron drzew zidentyfikowanych w terenie.
W niniejszej pracy skoncentrowano siê wy³¹cznie na etapie doboru obiektów wzorcowych dla klasyfikacji nadzorowanej. Wskazane poprzez digitalizacjê zasiêgi koron drzew
potraktowano jak obiekty wzorcowe procedury klasyfikacji nadzorowanej. Na ich podsta-
22
KRZYSZTOF BÊDKOWSKI, KRZYSZTOF STEREÑCZAK
wie, za pomoc¹ stosowanych w teledetekcji cyfrowej wskaŸników separowalnoœci: wskaŸnika rozbie¿noœci (Divergence), transformowanego wskaŸnika rozbie¿noœci (Transformed
divergence) oraz odleg³oœci Bhattacharyya – (Bhattacharyya distance), a tak¿e testów statystycznych, oceniono mo¿liwoœæ odró¿nienia od siebie poszczególnych klas obiektów, którymi by³y cztery gatunki drzew wystêpuj¹cych w drzewostanach objêtych nalotem (tab. 1).
Poniewa¿ zdjêcia by³y wykonane w paŸdzierniku, wyraŸnie widoczne s¹ na nich przebarwienia koron dêbu bezszypu³kowego, co pozwoli³o na wyodrêbnienie dodatkowo trzech faz
fenologicznych tego gatunku.
Tabela 1. Gatunki i ich fazy fenologiczne uwzglêdnione w doœwiadczeniu
Gatunek
D¹b bezszypu³ kowy – Quercus pet raea
(Mattuschka) Liebl.
Skrót
Dbbs(z)
Liczba
drzew
21
liœ cie ¿ó³ te
Dbbs(¿)
22
liœ cie br¹zowe
Dbbs(b)
39
Dbcz
17
liœ cie zielone
D¹b czerwony – Quercus rubra L.
Brzoza brodawkowata – Bet ula v errucosa L.
Brz
8
Sosna zwyczajna – Pinus sylv est ris L.
So
120
Tabela 2. WskaŸniki separowalnoœci gatunków (na podstawie wartoœci w pikselach) – podano wartoœci
wzglêdne wskaŸników
WskaŸ nik rozbie¿noœ ci – Div ergence (œ rednia: 0,33)
Dbbs(z)
Dbbs(¿)
Dbbs(¿)
Dbbs(b)
Dbcz
Dbbs(b)
0,10
0,03
Dbcz
0,20
0,09
0,02
Brz
0,12
0,05
0,04
0,09
0,47
0,98
0,79
1
So
Brz
0,07
0,84
Transformowany wskaŸ nik rozbie¿noœ ci – Transf orm ed div ergence (œ rednia: 0,59)
Dbbs(z)
Dbbs(¿)
0,39
Dbbs(b)
0,48
Dbbs(¿)
Dbbs(b)
Dbcz
0,17
Dbcz
0,73
0,45
0,14
Brz
0,54
0,30
0,23
0,46
0,96
1
1
1
So
Brz
1
O dleg³ oœ æ Bhattacharyya – Bhat t acharyya dist ance (œ rednia: 0,27)
Dbbs(z)
Dbbs(¿)
0,15
Dbbs(b)
0,01
Dbbs(¿)
Dbbs(b)
Dbcz
Brz
0
Dbcz
0,11
0,05
0,01
Brz
0,38
0,08
0,23
0,20
So
0,21
0,66
0,41
0,48
1
23
KONCEPCJA QUASI-OBIEKTOWEJ METODY ANALIZY WIELOSPEKTRALNYCH ZDJÊÆ LOTNICZYCH ...
Analizy wykonano w dwóch wariantach. W pierwszym obiekty wzorcowe zosta³y potraktowane w sposób klasyczny, stosowany w klasyfikacji wielospektralnej, w której obiektami klasyfikowanymi s¹ piksele. Utworzono zbiory charakterystyk (tzw. sygnatury) na podstawie oryginalnych wartoœci jasnoœci, w czterech kana³ach spektralnych, wszystkich pikseli znajduj¹cych siê w obrêbie zdigitalizowanych koron. Drugi wariant polega³ na obliczeniu
najpierw wartoœci œrednich jasnoœci pikseli, w obrêbie koron, oddzielnie dla ka¿dego drzewa.
Ka¿de drzewo zosta³o w ten sposób opisane czterema wartoœciami œredniej jasnoœci obrazu.
Rozk³ady wartoœci œrednich jasnoœci pikseli dla koron, w przestrzeni wyznaczonej przez parê
kana³ów spektralnych 2 i 3, pokazano na rysunku 2.
Uzyskany zbiór wartoœci jasnoœci potraktowano dalej tak, jak pojedyncze piksele i utworzono na ich podstawie sygnatury dla poszczególnych gatunków. Obliczone na podstawie
sygnatur wskaŸniki separowalnoœci gatunków w obydwu wariantach zestawiono w tabelach
2 i 3. Aby polepszyæ warunki porównania uzyskanych wyników przeliczono oryginalne wartoœci wskaŸników na wielkoœci wzglêdne. Podane liczby s¹ u³amkiem okreœlaj¹cym stosunek wartoœci wskaŸnika do jego wartoœci najwy¿szej. Nale¿y podkreœliæ, ¿e teledetekcyjne
wskaŸniki separowalnoœci bior¹ pod uwagê ³¹cznie dane zebrane z wszystkich kana³ów spektralnych uwzglêdnionych w analizie.
Tabela 3. WskaŸniki separowalnoœci gatunków (na podstawie wartoœci œrednich piseli w koronach drzew)
– podano wartoœci wzglêdne wskaŸników
WskaŸ nik rozbie¿noœ ci – Div ergence (œ rednia 0,34)
Dbbs(z)
Dbbs(¿)
Dbbs(¿)
Dbbs(b)
Dbcz
Dbbs(b)
0,13
0,09
Dbcz
0,29
0,24
0,03
Brz
0,26
0,21
0,21
0,37
0,48
1
0,61
0,83
So
Brz
0,09
0,55
Transformowany wskaŸ nik rozbie¿noœ ci – Transf orm ed div ergence (œ rednia 0,93)
Dbbs(z)
Dbbs(¿)
0,81
Dbbs(b)
0,91
Dbcz
Brz
So
Dbbs(¿)
Dbbs(b)
Dbcz
Brz
0,80
1
0 , 99
0,46
0,99
0,98
0,98
1
1
1
1
1
1
O dleg³ oœ æ Bhattacharyya – Bhat t acharyya dist ance (œ rednia 0,31)
Dbbs(z)
Dbbs(¿)
Dbbs(b)
Dbcz
Dbbs(¿)
0,15
Dbbs(b)
0,06
0,09
Dbcz
Brz
0,13
0,31
0,12
0,03
0,01
0,24
0,30
So
0,26
0,71
0,48
0,84
Brz
1
24
KRZYSZTOF BÊDKOWSKI, KRZYSZTOF STEREÑCZAK
Tabela 4. Ocena separowalnoœci gatunków w poszczególnych kana³ach spektralnych – niebieskim (B),
zielonym (G), czerwonym (R) i podczerwonym (IR) – wynik t-testu na wartoœciach œrednich pikseli
w koronach drzew
Porównywane gatunki
Statystycznie istotna ró¿nica ?
K ana³ 1 (B)
Dbbs(z)
K ana³ 2 (G)
K ana³ 3 (R)
Dbbs(¿)
TAK
TAK
Dbbs(b)
TAK
TAK
TAK
TAK
Dbcz
Dbbs(¿)
Dbbs(b)
TAK
TAK
Brz
TAK
TAK
TAK
So
TAK
TAK
TAK
K ana³ 4 (IR)
TAK
Dbbs(b)
TAK
TAK
TAK
TAK
Dbcz
TAK
TAK
TAK
TAK
TAK
TAK
TAK
Brz
TAK
So
TAK
Dbcz
Brz
TAK
TAK
TAK
TAK
So
TAK
TAK
TAK
TAK
Dbcz
Brz
TAK
TAK
TAK
TAK
So
TAK
TAK
TAK
TAK
Brz
So
TAK
TAK
TAK
TAK
Celem analizy by³o tak¿e sprawdzenie, czy wszystkie kana³y spektralne obrazów w równym stopniu s¹ przydatne do odró¿niania gatunków drzew. Zastosowano t-test, do sprawdzenia statystycznej istotnoœci ró¿nic (p = 0,05) pomiêdzy œrednimi wartoœciami jasnoœci dla
poszczególnych gatunków drzew w poszczególnych kana³ach spektralnych. Wyniki zestawiono w tabeli 4.
Omówienie wyników
Teledetekcyjne wskaŸniki separowalnoœci pokazuj¹, ¿e spoœród uwzglêdnionych w badaniach gatunków drzew (i ich faz fenologicznych) naj³atwiejszym do odró¿nienia od pozosta³ych jest sosna. Jest to wynik oczywisty ze wzglêdu na znan¹ w teledetekcji ró¿nicê charakterystyk spektralnych gatunków iglastych i liœciastymi. Tutaj zosta³a jeszcze wzmocniona
przez efekt jesiennego przebarwienia siê liœci drzew. Najtrudniejszym do odró¿nienia jest d¹b
czerwony, który w tej porze roku jest spektralnie bardzo podobny do br¹zowych liœci dêbu
bezszypu³kowego. Trudnoœci sprawiaæ mo¿e te¿ brzoza.
WskaŸniki wyliczone na podstawie wartoœci œrednich jasnoœci w obrêbie poszczególnych koron (tab. 3) s¹ lepsze od wskaŸników obliczonych na podstawie wartoœci w pikselach (tab. 2). WyraŸnie wy¿sze s¹ np. wartoœci w grupie gatunków liœciastych. Wynik sugeruje, ¿e ten sposób prowadzenia klasyfikacji treœci zdjêæ mo¿e daæ rezultaty lepsze od klasyfikacji dotycz¹cej pojedynczych pikseli.
KONCEPCJA QUASI-OBIEKTOWEJ METODY ANALIZY WIELOSPEKTRALNYCH ZDJÊÆ LOTNICZYCH ...
25
Podobne wnioski mo¿na wyci¹gn¹æ na podstawie analizy zawartoœci tabeli 4. Zastosowany test wykaza³ na przyk³ad, ¿e jasnoœæ obrazu dêbu czerwonego nie ró¿ni siê istotnie od
jasnoœci obrazu dêbu bezszypu³kowego (w fazie liœci br¹zowych) we wszystkich kana³ach
spektralnych. Jasnoœæ obrazu brzozy nie ró¿ni siê istotnie od jasnoœci obrazu dêbu bezszypu³kowego (w fazie liœci ¿ó³tych) w trzech kana³ach spektralnych. W kanale 1 (niebieskim)
nie mo¿na odró¿niæ miêdzy sob¹ niemal wszystkich dêbów.
Wnioski
Uzyskane wyniki sugeruj¹, ¿e przeprowadzenie klasyfikacji treœci obrazów na podstawie
wartoœci œrednich jasnoœci obrazów koron drzew mo¿e daæ rezultaty lepsze od klasyfikacji
tradycyjnej, operuj¹cej na pojedynczych pikselach. Nale¿y jednak¿e pamiêtaæ, ¿e wykonane
analizy dotycz¹ specyficznych obrazów uzyskanych za pomoc¹ unikatowego zestawu kamer niemetrycznych, w nietypowych warunkach oœwietlenia oraz w porze roku, w której
bardzo rzadko wykonywane s¹ zobrazowania na potrzeby analizy stanu œrodowiska leœnego.
Wykorzystano scenê, bêd¹c¹ jedynie wycinkiem ortomozaiki. Z tych powodów wnioski
musz¹ byæ przyjmowane z du¿¹ ostro¿noœci¹.
Praca dotyczy sposobu postêpowania przy klasyfikacji, dla którego autorzy zaproponowali nazwê klasyfikacji quasi-obiektowej – przez podobieñstwo do znanej w teledetekcji
klasyfikacji obiektowej. Metoda wymaga sprawdzenia na liczniejszym materiale badawczym,
uzyskiwanym w ró¿nych warunkach przyrodniczych i technicznych. Warto rozpatrzyæ miêdzy innymi problem wp³ywu sposobu wyznaczania zasiêgów koron drzew na uzyskiwane
wyniki. Mo¿liwe jest na przyk³ad ulepszenie procedury przez ograniczenie wielkoœci prób
pobieranych w koronach drzew do ich czêœci przyœrodkowych. Mo¿na siê spodziewaæ, ¿e
w tej strefie koron warunki oœwietlenia s¹ bardziej stabilne i pobierane próby bêd¹ wewnêtrznie mniej zró¿nicowane pod wzglêdem jasnoœci pikseli.
Literatura
Bêdkowski K., Stereñczak K., 2012: Rozpoznawanie dêbu czerwonego (Quercus rubra L.) na zdjêciach
lotniczych wykonanych w koñcowej fazie sezonu wegetacyjnego. Studia i Materia³y Centrum Edukacji
Przyrodniczo-Leœnej, R. 14. (w druku).
Definiens, 2004: Definiens Imaging. eCognition Users Guide – dokumentacja oprogramowania.
Idrisi Taiga, 2009: Clark Labs, Worcester, USA.
Stereñczak K., Bêdkowski K., 2011: Wykorzystanie numerycznego modelu terenu i modelu pokrycia terenu do
klasyfikacji drzewostanów na podstawie ich struktury pionowej i gatunkowej. Sylwan 155 (4): 219-227.
Taxus, 2010: Taxus SI Sp. z o.o. Samolot do fotografii z powietrza. Dokumentacja techniczna. Warszawa.
Zmarz A., 2011: Zastosowanie bezza³ogowych statków lataj¹cych do pozyskania danych obrazowych o lesie.
Katedra Urz¹dzania Lasu, Geomatyki i Ekonomiki Leœnictwa, SGGW w Warszawie. Praca doktorska.
Zmarz A., Bêdkowski K., Miœcicki S., Plutecki W., 2012: Ocena stanu zdrowotnego œwierka na podstawie
analizy zdjêæ wielospektralnych wykonanych fotograficznymi aparatami cyfrowymi przenoszonymi
przez bezza³ogowy statek lataj¹cy. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 23: 541-550.
26
KRZYSZTOF BÊDKOWSKI, KRZYSZTOF STEREÑCZAK
Abstract
The aim of this paper is to present a concept of a quasi-object-based method for tree species classification. Forest stands were composed mainly of scotch pine (Pinus sylvestris L), sessile oak (Quercus
petraea (Mattuschka) Liebl.), with some birch (Betula verrucosa L.) and eastern red oak (Quercus
rubra L.). The main crown characteristics used were: mean DN – values calculated separately for
each species and spectral band. These statistics were used as signatures for training fields in supervised classification procedure. With distance measures such as Divergence, Transformed divergence
and Bhattacharayya distance separation of each species was tested. The results of quasi-object-based
and multispectral pixel-wise classification were compared. According to the results achieved the
quasi-object-based classification was better and more suitable.
dr hab. in¿. Krzysztof Bêdkowski, prof. SGGW
[email protected]
tel. 22 593-82-22
dr in¿. Krzysztof Stereñczak
[email protected]
tel. 22 593-82-17
Rys. 1. Kompozycja barwna RGB zdjêæ z BSL – pokazano zasiêgi koron drzew uwzglêdnionych w badaniach
Rys. 2. Rozk³ad punktów reprezentuj¹cych poszczególne korony drzew
w dwuwymiarowej przestrzeni spektralnej