OBIEKTOWA ANALIZA OBRAZÓW OBJECT

Komentarze

Transkrypt

OBIEKTOWA ANALIZA OBRAZÓW OBJECT
POLSKIE TOWARZYSTWO
INFORMACJI
Obiektowa analiza
obrazów PRZESTRZENNEJ
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
11
OBIEKTOWA ANALIZA OBRAZÓW
OBJECT-BASED IMAGE ANALYSIS
Joanna Adamczyk
Katedra Urz¹dzania Lasu, Geomatyki i Ekonomiki Leœnictwa, Wydzia³ Leœny SGGW
S³owa kluczowe: obiektowa analiza obrazów, teledetekcja, GIS
Keywords: object based image analysis, remote sensing, GIS
Wstêp
W ostatnich latach zespó³ czynników zwi¹zany z zaawansowaniem metod geomatyki
oraz zwiêkszaj¹cym siê zapotrzebowaniem na informacjê o œrodowisku przyczyni³ siê do
integracji technologii pozyskiwania i przetwarzania danych obrazowych o odmiennych charakterystykach, pochodz¹cych z ró¿nych Ÿróde³. Powsta³y nowe metody dotycz¹ce obiektowej analizy obrazów teledetekcyjnych, zmieniaj¹cej sposób podejœcia do przetwarzania
obrazów oraz pozwalaj¹ce na osi¹gniêcie nowych mo¿liwoœci.
Podejœcie obiektowe w analizie obrazu cyfrowego polega na modelowaniu szczegó³owych obiektów przestrzennych, na podstawie danych pochodz¹cych z po³¹czonych metod
analizy empirycznej i analitycznej. Ma ono na celu przezwyciê¿enie trudnoœci, które wystêpuj¹ przy integracji i klasyfikacji obrazów satelitarnych i lotniczych przy u¿yciu metod klasycznych, opieraj¹cych siê na analizie wartoœci zarejestrowanych w pikselach obrazu i korzystaj¹cych z prostych procedur klasyfikacji. Ujawnia siê przy tym ogólna tendencja do zacierania siê podzia³ów metodycznych na GIS i teledetekcjê. W analizie obiektowej nastêpuje
silne powi¹zanie metod w³aœciwych obu tym dziedzinom w ramach geomatyki1 .
Istota analizy obiektowej
W niniejszym artykule przez obiektow¹ analizê obrazów rozumie siê podzia³ zobrazowania teledetekcyjnego na konkretne, maj¹ce swoje znaczenie obiekty obrazowe oraz okreœlenie
ich w³aœciwoœci w sensie przestrzennym, spektralnym, czasowym i tematycznym. Wymaga
to segmentacji, klasyfikacji, okreœlenia atrybutów i zdolnoœci do realizowania operacji na
obiektach.
1 Znaczenie
terminu geomatyka przyjêto za GaŸdzickim (2001).
Joanna Adamczyk
12
Podejœcie obiektowe jako technologia
Istot¹ metody klasyfikacji obiektowej jest zdolnoœæ do rozpoznawania obiektów na podstawie analizy danych zapisanych w treœci obrazów teledekcyjnych z innymi warstwami
informacyjnymi o charakterze tematycznym. W procedurze rozpoznawania obiektów wykorzystywana jest logika rozmyta i baza wiedzy, a przy tym uwzglêdnia siê okreœlony uk³ad
struktur przestrzennych w celu stworzenia hierarchii obiektów. Wœród mo¿liwych rodzajów
zastosowañ wymieniæ mo¿na nastêpuj¹ce:
m integracja danych teledetekcyjnych i GIS pochodz¹cych z ró¿nych Ÿróde³ i zarejestrowanych w ró¿nym czasie,
m interaktywne (nadzorowane i nienadzorowane) rozpoznawanie i klasyfikacja obiektów na obrazach rastrowych, oparte na logice rozmytej,
m segmentacja obrazów o ró¿nej rozdzielczoœci przestrzennej,
m automatyzacja z mo¿liwoœci¹ ingerencji w proces przetworzeñ oraz kontroli wyników.
Realizowane postêpowanie mo¿e byæ przedstawione na przyk³adzie znanego oprogramowania eCognition. Wyró¿nia siê tam nastêpuj¹ce etapy:
1. Tworzenie projektu – przez wprowadzenie do systemu danych obrazowych (kana³y
obrazów cyfrowych) i tematycznych (warstwy wektorowe lub rastrowe zawieraj¹ce informacjê uzupe³niaj¹c¹ treœæ danych obrazowych). Wprowadzane dane mog¹ mieæ ró¿n¹ rozdzielczoœæ i zasiêg przestrzenny, je¿eli tylko zwi¹zane s¹ z uk³adem wspó³rzêdnych.
2. Generowanie obiektów na podstawie treœci obrazu, oparte na jego segmentacji – obrazy s¹ wstêpnie klasyfikowane na podstawie ró¿nic w odpowiedzi spektralnej obiektów oraz
ich kszta³tu. W ka¿dym z cyklów segmentacji, w procesie iteracyjnym, wybierane jest najlepsze odwzorowanie obiektów obrazu przez optymalizacjê: zestawu kana³ów i wstêpnych
przetworzeñ, skali segmentacji; parametrów segmentacji.
3. Tworzenie hierarchii klas – stanowi¹cej bazê dla w³aœciwej klasyfikacji. Mo¿e ona
zawieraæ jeden lub wiele poziomów zale¿noœci funkcjonalnej obiektów. Hierarchia klas równie¿ rozwijana jest drog¹ iteracji. Okreœlanie klas opiera siê na wiedzy operatora o okreœlonym obszarze, najczêœciej s¹ one zwi¹zane z pokryciem terenu – mo¿liwym do identyfikacji
na podstawie interpretacji treœci obrazu cyfrowego, b¹dŸ mo¿e byæ wyrazem z³o¿onego
systemu zale¿noœci prowadz¹cego do wyodrêbnienia klas o charakterze specjalistycznym
(np. dla potrzeb sporz¹dzania map siedlisk).
4. Wybór obiektów wzorcowych – p³atów pokrycia terenu stanowi¹cych przyk³ady, na
podstawie których system „uczony” jest (przy wykorzystaniu bazy wiedzy) rozró¿niania
klas pokrycia terenu. Ka¿dy z wybranych obiektów zostaje przypisany do okreœlonej klasy.
Obiekty te maj¹ spe³niaæ nastêpuj¹ce warunki: (i) reprezentatywnoœci dla danej klasy – z
punktu widzenia odpowiedzi spektralnej, jak i kszta³tu, tekstury i struktury wewnêtrznej; (ii)
wystarczaj¹co du¿e, ¿eby mog³y dostarczyæ danych statystycznych; (iii) powinno byæ ich
tak du¿o, jak to konieczne, ale jednoczeœnie tak ma³o, jak to mo¿liwe. Jednoznacznoœæ wyboru obiektów mo¿e zostaæ zweryfikowana za pomoc¹ narzêdzi (histogramy, wartoœci liczbowe) pozwalaj¹cych na porównanie z wzorcami w tej samej klasie oraz innych.
5. Wybór klasyfikatorów2 – charakterystyk, s³u¿¹cych jako podstawa metody klasyfikacji, u¿ywanych do rozró¿niania wyznaczonych wczeœniej obiektów wzorcowych. Proce2
Terminu klasyfikator u¿yto w znaczeniu charakterystyki, która mo¿e zostaæ u¿yta do budowy opisu
klasy za pomoc¹ logiki rozmytej (Definiens Imaging, 2004).
Obiektowa analiza obrazów
13
dura ta mo¿e zostaæ przeprowadzona przez: (i) rêczne wybranie cech dla ka¿dej z klas; (ii)
wybór cech dla ca³ej przestrzeni obiektów wzorcowych – automatycznie przypisywanych
do ka¿dej klasy; (iii) istnieje równie¿ mo¿liwoœæ optymalizacji przestrzeni klasyfikatorów –
automatycznego wynalezienia zestawu cech najlepiej separuj¹cych obiekty z ró¿nych klas.
6. Klasyfikacja i jej udoskonalanie – drog¹ iteracji przeprowadzane jest doskonalenie efektów klasyfikacji przez zmiany w: strukturze klas, obiektach wzorcowych, przestrzeni klasyfikatorów.
7. Ocena dok³adnoœci klasyfikacji – ten kluczowy etap bywa zakoñczeniem procedury,
ale równie¿ punktem zwrotnym iteracyjnego procesu doskonalenia klasyfikacji. Mo¿e ona
zostaæ przeprowadzona zarówno przy u¿yciu metod tradycyjnych – bazuj¹cych na ocenie
zgodnoœci obiektów kontrolnych z wynikami klasyfikacji za pomoc¹ indeksów m.in. Kappa.
Istnieje te¿ mo¿liwoœæ zastosowania metod wykorzystuj¹cych filozofiê logiki rozmytej: oceny stopnia prawdopodobieñstwa w³aœciwej przynale¿noœci do klasy (Classification Stability) oraz wizualizacjê najlepszego wyniku klasyfikacji (Best Classification Result) – posiadaj¹cego najwy¿sz¹ wartoœæ przynale¿noœci do okreœlonej klasy.
Podejœcie obiektowe jako paradygmat
Podejœcie to jest rozumiane jako mo¿liwoœæ traktowania ka¿dego ze sk³adników przestrzeni jako obiektu, niezale¿nie od jego rodzaju, np. zarówno budynku, jak i zbiorowiska
roœlinnego. Podstaw¹ do wydzielenia obiektów jest kontekst wynikaj¹cy z potrzeb u¿ytkownika, kszta³tuj¹cego wed³ug nich atrybuty i hierarchie jednostek przestrzennych. Ten
sposób rozumowania nie traktuje przestrzeni jako ca³oœci lub zespo³u znaków kartograficznych i jest znacznie bli¿szy sposobowi dzia³ania systemów informacyjnych.
Metoda ta pozwala na swobodne wykorzystanie wyznaczonych obiektów w zaawansowanych analizach przestrzennych. Jednym z przyk³adów mo¿liwoœci stwarzanych przez
wykorzystanie podejœcia obiektowego w analizach przestrzennych s¹ potrzeby ekologii krajobrazu. Przyjmuj¹c odpowiednie parametry klasyfikacji oraz buduj¹c zgodn¹ z potrzebami
hierarchiê klas i obiektów, mo¿na wyznaczyæ zgodne z metodyk¹ przyjêt¹ w tej dyscyplinie
przestrzenne jednostki przyrodnicze (geokompleksy3 ). Podstaw¹ struktury hierarchicznej
jest delimitacja jednostek podstawowych, które charakteryzuj¹ siê okreœlonym (zale¿nym od
przyjêtych kryteriów) poziomem homogenicznoœci tworz¹cych je komponentów4 . Jednostki te, wraz z przypisanymi im atrybutami oraz ich hierarchi¹, stanowi¹ bazê dla opisu krajobrazu oraz dalszych analiz: zale¿noœci „poziomych” zachodz¹cych pomiêdzy geokompleksami oraz „pionowych” pomiêdzy geokomponentami.
Poni¿ej wymieniono przyk³ady analiz struktury przestrzennej krajobrazu wykorzystuj¹cych rozumienie krajobrazu jako mozaiki obiektów:
m Wyznaczanie miar i wskaŸników okreœlaj¹cych cechy krajobrazu (np. bioró¿norodnoœci) – opiera siê na opisie zale¿noœci zachodz¹cych pomiêdzy p³atami w krajobrazie.
m Ocena charakteru granic w krajobrazie – najczêœciej stosowane jednostki przestrzenne odzwierciedlaj¹ pokrycie terenu.
3 W niniejszym opracowaniu zastosowano klasyczne rozumienie tego pojêcia, jako okreœlony wycinek
przyrody, stanowi¹cy ca³oœæ dziêki zachodz¹cym w nim procesom i wspó³zale¿noœci buduj¹cych go komponentów.
4 Przez komponent krajobrazu (geokomponent) rozumie siê tu czynnik kszta³tuj¹cy w³aœciwoœci okreœlonej
jednostki przestrzennej (np. geokompleksu) w interakcji z innymi czynnikami, np. pod³o¿e litologiczne.
Joanna Adamczyk
14
m
m
Model strefowo-pasmowo-wêz³owy – opiera siê na ca³oœciowym podejœciu do krajobrazu i wyra¿a siê w ocenie funkcji spe³nianej przez uk³ady p³atów w krajobrazie.
Model hierarchiczny – pozwala na rozpatrywanie krajobrazu jako systemu przyrodniczego pod k¹tem oceny jego struktury funkcjonalno-przestrzennej. Obiekty wyznaczane s¹ na poziomie podstawowym, a ich agregacja prowadzi do utworzenia jednostek coraz wy¿szego rzêdu.
Zalety stosowania podejœcia obiektowego
Do zalet podejœcia obiektowego zalicza siê:
m stosunkowo wysok¹ dok³adnoœæ wyników,
m mo¿liwoœæ uzyskania dodatkowych informacji o obiektach,
m efektywnoœæ w zastosowaniach zwi¹zanych z przetwarzaniem obrazów wysokorozdzielczych – satelitarnych, lotniczych i radarowych, których klasyfikacja metodami
tradycyjnymi stwarza³a trudnoœci pod wzglêdem praktycznym,
m mo¿liwoœæ integracji danych z ró¿nych Ÿróde³, np. z obrazów o ró¿nej rozdzielczoœci,
m ³atwoœæ interpretacji i poprawiania wyników.
W sensie ogólnym obiektowy sposób rozumienia przestrzeni powoduje traktowanie krajobrazu jako zestawu obiektów posiadaj¹cych swoje po³o¿enie w przestrzeni, miejsce w
hierarchii oraz przypisane atrybuty. Rozumienie takie jest bardzo uniwersalne, dziêki niemu
otrzymujemy mo¿liwoœæ rozpatrywania przestrzeni przyrodniczej w wielu wymiarach. Jednoczeœnie zastosowanie podejœcia obiektowego w analizach przestrzennych pozwala na poszerzenie zakresu dostêpnych metod przez po³¹czenie sposobów dzia³ania teledetekcji i GIS.
Jest to istotny krok naprzód w modelowaniu œrodowiska przyrodniczego w GIS (Adamczyk, 2004).
Rozwój analizy obiektowej jako dyscypliny geomatyki
Rys historyczny
Rozwój podejœcia obiektowego do analizy obrazów teledetekcyjnych ma stosunkowo
krótk¹ historiê. Istotne znaczenie mia³o wprowadzenie w 2000 roku, przez firmê Definiens
Imaging pakietu oprogramowania eCognition. Po nim na rynku pojawi³y siê równie¿ inne
produkty oferuj¹ce tego typu funkcjonalnoœci, np. Feature Analyst, rozszerzenie do ArcGIS
firmy Visual Learning Systems. Mo¿liwoœci oferowane przez te programy bardzo szybko
zyska³y uznanie u¿ytkowników.
Mimo, ¿e dyscyplina ta nadal jest uwa¿ana za now¹, dawno ju¿ wysz³a poza pocz¹tkowe
stadium uzasadnieñ, porównañ i testów. Tematyka ta zosta³a wprowadzona w roku 1999,
m.in. przez takich autorów jak:
m Baatz i Schäpe (1999) – wyjaœniaj¹cych sposób funkcjonowania podejœcia obiektowego przez rozpoznanie semantyki obiektów i budowy sieci zale¿noœci miêdzy nimi;
m Buck i in. (1999), De Kok i in. (1999) – w artyku³ach przedstawionych na kongresach
IUFRO (w Rogowie) oraz ISPRS omawiaj¹cych pierwsze zastosowania klasyfikacji
obiektowej dla potrzeb leœnictwa.
Obiektowa analiza obrazów
15
Wtedy te¿, oprócz szeregu publikacji opisuj¹cych zalety podejœcia obiektowego (np.
Blaschke, 2000b), w literaturze pojawi³y siê liczne artyku³y testuj¹ce jego mo¿liwoœci w
praktyce przy u¿yciu zobrazowañ wysokorozdzielczych, np. Hofmann, Reinhardt (2000).
Porównano te¿ efektywnoœæ tej metody z tradycyjnym podejœciem do klasyfikacji obrazów, np. Manakos i inni (2000), Willhauck i inni (2000). Autorzy ci zgodnie podkreœlaj¹
zalety podejœcia obiektowego, przez zwiêkszenie dok³adnoœci wykonywanych przy jego
pomocy analiz i u³atwienie operowania danymi. Podkreœlana jest efektywnoœæ tego oprogramowania w, trudnej do tej pory dziedzinie, integracji danych pochodz¹cych ze Ÿróde³ o
ró¿nej rozdzielczoœci (np. Baatz, Schäpe, 2000). Szeroko omawiane s¹ aspekty przetwarzania i integracji ró¿nego rodzaju danych obrazowych, np. pochodz¹cych z satelity Landsat, z innymi danymi (De Kok i in., 2000), czy te¿ nowe mo¿liwoœci przetwarzania danych
radarowych (Benz i in., 2001).
W tym czasie pojawiaj¹ siê te¿ publikacje rozwijaj¹ce metodykê zastosowañ analizy obiektowej w nowych dziedzinach zwi¹zanych miêdzy innymi z: detekcj¹ obszarów zabudowanych (Hofmann, 2001), ocen¹ strat poniesionych w wyniku powodzi i predykcj¹ zagro¿enia
powodziowego (Van der Sande, 2001), czy ekologi¹ krajobrazu i analiz¹ opart¹ na metodzie
p³atów i korytarzy (Blaschke, 2000a). Mo¿na powiedzieæ, ¿e obecnie dziedzina zastosowañ
podejœcia obiektowego jest na tyle rozwiniêta, ¿e trudno by by³o znaleŸæ takie zastosowanie
analiz przestrzennych w GIS, w których by jej nie wypróbowano. Zakres zastosowañ jest
tak szeroki, jak potrzeby dotycz¹ce informacji pochodz¹cych z obrazów satelitarnych: ocena
zasobów naturalnych, leœnictwo, rolnictwo, obronnoœæ, monitoring ruroci¹gów, telekomunikacja, dokumentacja obszarów zabudowanych, kartografia, naturalne zagro¿enia, badania
stref przybrze¿nych, kopalnictwo i pozyskiwanie Ÿróde³ energii, zarz¹dzanie kryzysowe i
wiele innych.
Analiza obiektowa jako dziedzina badañ
W ostatnim roku rozwój analizy obiektowej wkroczy³ w nastêpny etap. Zaawansowane
zastosowania spowodowa³y potrzebê doskonalenia metodyki. Coraz czêœciej pojawiaj¹ce siê
w literaturze zagadnienia metodyczno-problemowe i zainteresowanie coraz wiêkszej liczby
osób analiz¹ obiektow¹ spowodowa³y potrzebê utworzenia specjalistycznego forum, które
pozwoli na wymianê doœwiadczeñ w omawianej dyscyplinie. W zwi¹zku z tym w lipcu 2006
roku w ramach istniej¹cego od lat na rynku sympozjum i targów geoinformatyki AGIT,
pracownicy Uniwersytetu w Salzburgu, zorganizowali konferencjê towarzysz¹c¹ pod nazw¹
1st International Conference on Object-based Image Analysis (OBIA). Has³em przewodnim
konferencji by³o „Bridging Remote Sensing and GIS” – ³¹czenie teledetekcji i GIS. Wydarzenie to by³o formalizacj¹ wydzielenia siê w geomatyce nowej dziedziny badawczej okreœlanej
akronimem OBIA, co na potrzeby niniejszego artyku³u zosta³o przet³umaczone na jêzyk polski jako obiektowa analiza obrazów. Zakres tematyczny konferencji zosta³ okreœlony nastêpuj¹co (OBIA 2006):
1. Potencja³ i problemy reprezentacji w ró¿nych skalach:
РhomogenicznoϾ a obiekty w segmentacji,
– strategie segmentacji w wielu skalach: hierarchie œcis³e a elastyczne,
– segmentacja bazuj¹ca na wzmocnieniu krawêdzi,
– segmentacja bazuj¹ca na punktach, krawêdziach i regionach.
Joanna Adamczyk
16
Techniki klasyfikacji automatycznej, mapowania5 i aktualizacji:
klasyfikacja bazuj¹ca na regule,
wykorzystanie danych uzupe³niaj¹cych (np. NMT) dla zaawansowanych klasyfikacji,
automatyczna aktualizacja map dróg, informacji katastralnej, map stanu lasu, itp.,
nowe mo¿liwoœci i wyzwania monitoringu,
automatyczna detekcja obiektów dla specyficznych celów (drogi, chmury, osadnictwo, itp.).
3. Adaptacja i przysz³y rozwój standardowych metodologii:
– nowe wyzwania i podejœcia do obiektowej analizy zmian,
– wymagania dok³adnoœci dla analizy obiektowej.
Wy¿ej przedstawiona lista zagadnieñ œwiadczy o wysokim poziomie rozwoju metody analizy obiektowej w ci¹gu szeœciu lat od cytowanych powy¿ej pocz¹tkowych etapów jej istnienia.
W za³o¿eniach organizatorów konferencji nie ma ju¿ potrzeby uzasadniania istnienia metody,
czy te¿ wyszukiwania jej zastosowañ. Widoczna jest potrzeba omówienia problemów zwi¹zanych z: nowymi mo¿liwoœciami, ocen¹ dok³adnoœci oraz aspektami metodycznymi.
OdpowiedŸ spo³ecznoœci GIS na wy¿ej wymienione tematy wyra¿a³a siê w liczbie i tematyce zg³oszonych referatów (program konferencji zawiera³ 83 wyst¹pienia). Tematykê referatów oraz statystykê wyst¹pieñ przedstawiono w tabeli. Analizuj¹c jej zawartoœæ mo¿na
stwierdziæ, ¿e oczekiwania organizatorów zwi¹zane z wyst¹pieniami o treœci metodycznej
napotka³y na jedynie czêœciow¹ odpowiedŸ. Najpopularniejszym tematem, zawartym w oko³o po³owie referatów (42), by³y zastosowania automatycznej klasyfikacji obrazów teledetekcyjnych. Zjawisko to jest prawdopodobnie spowodowane relatywn¹ nowoœci¹ omawianej
metody oraz ró¿nicami w czasie jej stosowania.
Cytowane powy¿ej pionierskie publikacje pochodz¹ z zaledwie kilku instytucji, których
pracownicy zajmowali siê analiz¹ obiektow¹ od samego pocz¹tku. Do nich miêdzy innymi
nale¿y zespó³ Uniwersytetu w Salzburgu. W innych instytucjach dyscyplina ta znajduje siê
najczêœciej na wczeœniejszych etapach rozwoju, zwi¹zanych z zastosowaniami.
W treœci referatów o tematyce ogólnej szczególnie zwraca uwagê artyku³ zespo³u organizuj¹cego konferencjê (Lang, Blaschke, 2006b), poœwiêcony okreœleniu paradygmatu analizy
obiektowej na tle historycznego jej rozwoju. Interesuj¹ca jest te¿ analiza SWOT (Hay, Castilla, 2006), wyznaczaj¹ca kierunki dalszych badañ zwi¹zanych z niewyjaœnionymi problemami
lub s³aboœciami metody.
Wiêkszoœæ artyku³ów o charakterze metodycznym prezentowa³a silne d¹¿enie do rozwoju metodyki analizy obiektowej. Warto zwróciæ uwagê na próbê znalezienia nowego podejœcia do danych wieloskalowych przez wynalezienie metody reprezentacji subpikselowej (Kaiser, Bauer, 2006) polegaj¹cej na zastosowaniu specjalnego typu map, które zawieraj¹ wyniki
segmentacji obrazów, wykonanej m.in. na podstawie kszta³tu obiektów, pozwalaj¹ce na czêœciowe pokonanie problemów zwi¹zanych z niewystarczaj¹c¹ rozdzielczoœci¹ obrazu satelitarnego.
W artyku³ach omawiaj¹cych metodykê automatycznej klasyfikacji, mapowania i technik
aktualizacji zwraca uwagê kilka zjawisk widocznych we wspó³czesnej geomatyce:
m Zauwa¿ono utrzymanie siê tendencji integracji metod geomatyki we wspólnym wykorzystaniu danych teledetekcyjnych i GIS w oprogramowaniu analizy obiektowej. Po2.
–
–
–
–
–
5 Termin
mapowanie zosta³ u¿yty jako odpowiednik angielskiego s³owa mapping w rozumieniu podanym przez GaŸdzickiego (2001).
Obiektowa analiza obrazów
17
Tabe la. Pods umowanie te matyki i licze bnoœ ci wys t¹pie ñ dotycz¹cych analizy obie ktowe j na konfe re ncji OBIA
w roku 2006, opracowane na pods tawie programu konfe re ncji (OBIA 2006)
Tematyka
Liczba wyst¹pieñ
1.
Artyku³y o charakte rze ogólnym i pods umowuj¹cym, prze ds tawiaj¹ce proble matykê i pe rs pe ktywy ogólne analizy obie ktowe j
6
2.
Wys t¹pie nia o charakte rze me todycznym wnos z¹ce nowe tre œ ci w ró¿ne as pe kty
te chniki analiz obie ktowych:
25
2.1.
Potencja³ i problemy reprezentacji danych wieloskalowych
3
2.2.
Techniki automatyczne klasyfikacji, mapowania i aktualizacji - omówione szczególnie w
kontekœcie ich specyfiki w dziedzinach:
16
2.2.1. leœnictwa
3
2.2.2. rozpoznawania pokrycia terenu (najczêœciej krajobrazu rolniczego);
4
2.2.3. rozpoznawania elementów osadnictwa i obszarów zurbanizowanych;
3
2.2.4. przetwarzania danych LIDAR
3
2.2.5. innych podejϾ metodycznych
3
Adaptacje i dalszy rozwój metod analizy obiektowej
6
3.
M e todyka analizy obie ktowe j w rozumie niu ogólnym oraz prace o charakte rze
pods umowuj¹cym i prze gl¹dowym
10
4.
Zas tos owania i s tudia przypadków automatyczne j klas yfikacji obie ktowe j w
pos zcze gólnych dzie dzinach:
42
2.3.
4.1.
u¿ytkowanie/pokrycie terenu
10
4.2.
leœnictwo
8
4.3.
osadnictwo i infrastruktura
6
4.4.
rolnictwo
4
4.5.
geologia, gleby i zasoby naturalne
5
4.6.
siedliska, gatunki i rezerwaty
6
4.7.
podmok³oœci
3
m
woduje to równie¿ coraz czêstsze w³¹czanie innych technik, jak np. transformacja
falkowa (Hwang, Lee, 2006), zwiêkszenie dok³adnoœci klasyfikacji za pomoc¹ w³¹czenia dodatkowych danych do klasyfikacji obiektowej (Förster, Kleinschmit, 2006),
wspólne wykorzystanie danych ze skanera laserowego i obrazowych (Kressler, Steinnocher, 2006).
Wiêkszoœæ opracowañ zosta³o wykonanych na podstawie analiz przeprowadzonych za
pomoc¹ oprogramowania eCognition, nadal wiod¹cego prym na rynku. Inne podejœcia
by³y rzadsze. Omówiono miêdzy innymi metodykê przeprowadzania analizy obiektowej
za pomoc¹ oprogramowania Feature Analyst (Blundell, Opitz, 2006), jak równie¿ zastosowania metod „tradycyjnych”, np. analizy dok³adnoœci klasyfikacji ISODATA przeprowadzonej w po³¹czeniu z transformacj¹ falkow¹, wykorzystan¹ do celów analiz tekstury (Hwang, Lee, 2006). Warte zainteresowania jest równie¿ wykorzystanie oprogramowania open source (GRASS) do analizy obiektowej (Rutzinger i in., 2006).
Joanna Adamczyk
18
m
m
m
Najistotniejszym Ÿród³em danych wykorzystywanym do analizy obiektowej s¹ wysokorozdzielcze zobrazowania satelitarne. Dotyczy to przede wszystkim zastosowañ
wymagaj¹cych wysokiego poziomu szczegó³owoœci, jak leœnictwo (np. Tiede i in.,
2006), czy komunikacja (np. Ricny, 2006).
Roœnie znaczenie nieobrazowych Ÿróde³ danych, jak np. LIDAR. Rozwijane s¹ metody analizy obiektowej obrazów pochodz¹cych z takich sposobów rejestracji (np. Rutzinger i in., 2006). Podkreœlono te¿ potrzebê równoczesnego wykorzystywania danych obrazowych (wysokorozdzielczych) i pochodz¹cych ze skanerów laserowych
w celu uzyskania dodatkowej informacji (Kressler, Steinnocher, 2006).
Nie ustaj¹ badania dotycz¹ce dok³adnoœci klasyfikacji obiektowej, motyw ten pojawia
siê w treœci wiêkszoœci artyku³ów. Z poœwiêconych specjalnie temu zagadnieniu, na
uwagê zas³uguj¹ artyku³y problemowe wyznaczaj¹ce kierunki dalszych badañ, takie
jak: niedok³adnoœæ tematyczna sklasyfikowanych obrazów zwi¹zan¹ z wystêpowaniem obiektów o charakterze naturalnym (Schiewe, Gähler, 2006); przegl¹d metod
iloœciowej oceny jakoœci segmentacji, po³¹czony z zaleceniami zwi¹zanymi z dalszym
rozwojem w tej dziedzinie (Neubert i in., 2006).
Wnioski z konferencji – obecny stan dyscypliny
Jednym z podstawowych celów konferencji by³o okreœlenie aktualnego stanu: informacji
geograficznej, wiedzy i zastosowañ analizy obiektowej, oraz wyznaczenie dalszych kierunków rozwoju dyscypliny. Wyniki konferencji podsumowano w trakcie koñcowego wyst¹pienia cz³onków komitetu organizacyjnego (Lang, Blaschke, 2006a), którego g³ówne myœli
przedstawione s¹ poni¿ej.
Analiza obiektowa jako dyscyplina geomatyki jest na etapie dynamicznego rozwoju. W
trakcie konferencji zaproponowano zdefiniowanie kilku nowych zjawisk, zastanowiono siê
równie¿ nad g³ównymi czynnikami kszta³tuj¹cymi rozwój dyscypliny (w dziedzinie danych,
polityk i nauki). Zidentyfikowane zosta³y nastêpuj¹ce komponenty stanowi¹ce podstawowe
zagadnienia problemowe analizy obiektowej: segmentacja, klasyfikacja relacji pomiêdzy obiektami, integracja wiedzy, metody oceny jakoœci, proces cykliczny, koncepcje przestrzenne,
³¹czenie metod teledetekcji i GIS. Zastanawiano siê, czy OBIA jest dobr¹ nazw¹ dla tej dyscypliny. Zg³aszane dotychczas propozycje nazwy w jêzyku angielskim s¹ nastêpuj¹ce: object-based, object-oriented, net-oriented, object-based remote sensing image analysis i inne.
Okreœlono mocne i s³abe strony, mo¿liwoœci i zagro¿enia zwi¹zane z rozwojem dziedziny.
Podkreœlono wysoki potencja³ segmentacji po³¹czony z problemami w jej w³aœciwym wykorzystaniu. Wyra¿ono potrzebê przyjêcia koncepcji dzia³ania i komunikowania siê w sprawie
rozwoju dyscypliny. W kwestii komunikowania siê poczyniono pierwsze kroki: rozpowszechniona zosta³a lista adresowa uczestników konferencji, jako osób zainteresowanych dziedzin¹; najwa¿niejsze zagadnienia poruszone na konferencji zostan¹ wydane w postaci ksi¹¿kowej; w przygotowaniu jest materia³ edukacyjny, który ma byæ wprowadzeniem do analizy
obiektowej; za³o¿ona zosta³a strona OBIA w internetowej Wikipedii. Podkreœlono równie¿
brak standardów w zakresie analizy obiektowej.
Poruszone zosta³y zagadnienia zwi¹zane z integracj¹ wiedzy potrzebnej w analizie obiektowej. Zastanawiano siê nad sposobami pos³ugiwania siê informacj¹ zawart¹ w danych teledetekcyjnych i uzupe³niaj¹cych – czy powinno siê formu³owaæ regu³y o charakterze ogólnym, czy te¿ nale¿y postawiæ na zdolnoœæ systemów do uczenia siê na podstawie analizowa-
Obiektowa analiza obrazów
19
nych przypadków? Pe³ne zrozumienie obrazu zawiera cykliczne uzupe³nianie i poprawianie
posiadanej wiedzy. Szczególnie podkreœlono potrzebê komunikowania siê w sprawie metodyk i ontologii oraz ich integracji. Podkreœlono istotnoœæ wspó³pracy operatora z systemem
i jego odpowiedzialnoœæ za wyniki badañ.
Jednym z najwa¿niejszych dzia³añ jest optymalizacja i zastosowanie metod zwi¹zanych z
ró¿nymi elementami analizy obiektowej. Istotnym problemem jest podejœcie metodologiczne
do segmentacji ró¿nego typu danych ci¹g³ych. Potrzebna jest podstawa teoretyczna dla optymalizacji oraz zdefiniowanie poszczególnych metod segmentacji. Powinny one równie¿ zostaæ przetestowane z punktu widzenia osi¹ganych rezultatów. Istotny jest rozwój metod
zaawansowanej klasyfikacji obrazów, bazuj¹cej na ontologii, w celu osi¹gniêcia mo¿liwoœci
dalszych analiz (np. miar i wskaŸników procesów w krajobrazie) przeprowadzonych na
danych stanowi¹cych jednostki przestrzenne spe³niaj¹ce parametry zapotrzebowania okreœlonej dziedziny wiedzy. Wykorzystane powinny zostaæ osi¹gniêcia psychologii poznawczej.
Rozpoznawanie obiektów i modelowanie klas jest zale¿ne od sposobu percepcji treœci obrazu. Istotna jest potrzeba zbli¿enia siê do formalizmu w tym zakresie. Rozwiniêcia wymagaj¹
metody radzenia sobie z rozmyciem (niepewnoœci¹) danych przyrodniczych, zarówno w
zakresie lokalizacji przestrzennej, jak i atrybutów.
Najpilniejsze potrzeby dalszego rozwoju i badañ zwi¹zane s¹ z nastêpuj¹cymi problemami:
m Rozwijanie dotychczas istniej¹cych metod oraz osi¹gniêcie nowych standardów, miêdzy innymi w dziedzinach analiz zmian i ocenie jakoœci.
m Rozwój metod wykorzystania efektów segmentacji dla wstêpnego przetwarzania obrazów, szczególnie w integracji obrazów.
m Uwiarygodnienie i parametryzacja procesów i danych. Staj¹ siê one coraz bardziej
kompleksowe, co powoduje powstanie takiej potrzeby. Istnieje te¿ potrzeba wyboru
elementów, które powinny byæ parametryzowane – prawid³owoœæ dzia³ania, efektywnoœæ, automatyzacja.
W podsumowaniu wskazano na znaczne zaawansowanie w rozwoju analizy obiektowej
jako dyscypliny. Otrzyma³a ona krytyczn¹ ocenê u¿ytkowników, co przyczynia siê do jej
dalszego doskonalenia. Podkreœlono istnienie bardzo szerokiego zakresu zastosowañ metody. Wiele z tych zastosowañ wi¹¿e siê z rutynowym stosowaniem metod analizy obiektowej
do celów np. monitoringu. Istnieje te¿ wiele nowych koncepcji, które nadal nie zosta³y wystarczaj¹co rozwiniête i ci¹gle wymagaj¹ dyskusji. Podkreœlono, ¿e obecny stan dyscypliny
jest dobrym momentem do rozwoju podejœcia interdyscyplinarnego w analizach przestrzennych, ³¹cz¹cego wiedzê ekspertów z takich dziedzin, jak: systemów komputerowych, psychologii, GIS i teledetekcji, fotogrametrii i zwi¹zanych z zastosowaniami.
Zakoñczenie
Jak wykazano powy¿ej, powstanie dyscypliny zwanej obiektow¹ analiz¹ obrazów jest identyfikowane z now¹ jakoœci¹ w analizach przestrzennych, zarówno od strony podejœcia technologicznego, jak i sposobu rozumienia rzeczywistoœci. Posiada ona znaczne zalety zwi¹zane z
ominiêciem niektórych dotychczas spotykanych problemów w podejœciu do przestrzeni przyrodniczej. Traktowanie krajobrazu jako zbioru obiektów posiadaj¹cych swoje po³o¿enie w przestrzeni, miejsce w hierarchii oraz przypisane atrybuty jest bardzo uniwersalne, dziêki niemu
otrzymujemy mo¿liwoœæ rozpatrywania przestrzeni przyrodniczej w wielu wymiarach.
20
Joanna Adamczyk
O wzrastaj¹cej popularnoœci metody œwiadczy bardzo du¿e zainteresowanie pierwsz¹
konferencj¹ poœwiêcon¹ wy³¹cznie temu tematowi. Wiêkszoœæ osób uczestnicz¹cych w konferencji jest reprezentantami krajów niemieckojêzycznych Europy Zachodniej. Jest to zwi¹zane ze specyfik¹ sympozjum AGiT odbywaj¹cego siê w Salzburgu. Osoby z innych krajów,
(równie¿ takich jak Korea, czy Afryka Po³udniowa) uczestniczy³y w konferencji w niewielkich grupach.
Równie¿ w Polsce dziedzina ta zaczyna budziæ coraz wiêksze zainteresowanie, o czym
œwiadczy fakt, ¿e w konferencji uczestniczy³y 4 osoby z polskich instytucji naukowych.
Istnieje kilka ograniczeñ rozwoju tej metody, miêdzy innymi zwi¹zanych z wysok¹ cen¹
oprogramowania. Wiadomo jednak, ¿e kilkanaœcie instytucji w Polsce posiada je i wykorzystuje. Na polskim rynku geoinformacji nadal niewiele jest publikacji dotycz¹cych tej dyscypliny, a z treœci wyst¹pieñ na konferencji OBIA mo¿na s¹dziæ, ¿e znajdujemy siê obecnie na
etapie zastosowañ. Byæ mo¿e impulsem do rozwoju bêdzie rodz¹ca siê konkurencja na rynku
oprogramowania do analizy obiektowej, która zwiêkszy dostêpnoœæ tych metod. Impulsem
rozwoju jest równie¿ coraz wiêksza dostêpnoœæ wysokorozdzielczych zobrazowañ satelitarnych, których analiza metodami tradycyjnymi jest nieefektywna.
Otwarta jest równie¿ kwestia polskiej nazwy tej dziedziny. Zaproponowana w niniejszym
artykule nazwa obiektowa analiza obrazów jest skrócon¹ wersj¹ innych propozycji obiektowa analiza obrazów teledetekcyjnych lub analiza obrazów teledetekcyjnych bazuj¹ca na podejœciu obiektowym.
Literatura
Adamczyk J., 2004: System Informacji Przestrzennej o Rezerwatach Biosfery, Rozprawa doktorska, Katedra Urz¹dzania Lasu, Geomatyki i Ekonomiki Leœnictwa, Wydzia³ Leœny SGGW.
Baatz M., Schäpe A., 2000: Multiresolution Segmentation – an optimization approach for high quality multiscale image segmentation. [W:] Strobl, J. i in. (red.), Angewandte Geographische Informationsverarbeitung
XII. Beiträge zum AGIT-Symposium Salzburg, Karlsruhe, Herbert Wichmann Verlag.
Baatz M., Schäpe A., 1999: Object-Oriented and Multi-Scale Image Analysis in Semantic Networks. [W:] Proc.
of the 2nd International Symposium on Operationalization of Remote Sensing, Enschede, ITC, August 16–
20.
Benz U.C., Baatz M., Schreier G., 2001: OSCAR – object oriented segmentation and classification of advanced radar allows automated information extraction. [W:] Proceedings of IGARSS 2001, July 2001, Sydney,
Session, Visualisation, GIS And Data Fusion.
Blaschke T., 2000a: Operationalisation of the patch-concept in landscape ecology. [W:] Winter S. (red.)
Geographical Domain and Geographical Information Systems. GeoInfo 19, Vienna.
Blaschke T., 2000b: Ohne Salz und Pfeffer. Objektorientierte Bildanalyse – eine Revolution in der Fernerkundung. [W:] GeoBIT 2/2000.
Blundell J. S., Opitz D. W., 2006: Object-recognition and feature extraction from imagery, The Feature
Analyst Approach, [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st International Conference on Objectbased Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
Buck A., De Kok R, Schneider T., Ammer U., 1999: Improvement of a forest GIS by integration of remote
sensing data for the observation and inventory of “protective forests” in the Bavarian Alps. [W:] Proc.
IUFRO Conference on Remote Sensing and Forest Monitoring, Rogów: Poland, June 1-3, 1999.
De Kok R., Buck A., Schneider T., Ammer U., Baatz M., 2000: Data Fusion With Landsat 7 imagery. [W:]
Strobl J. i in. (red.), Angewandte Geographische Informationsverarbeitung XII, Beiträge zum AGITSymposium Salzburg 1999, Karlsruhe, Herbert Wichmann Verlag, 90-97.
De Kok R., Schneider T., Baatz M. Ammer U., 1999: Object based image analysis of high resolution data in the
alpine forest area. [W:] Joint WSf ISPRS WG I/1, I/3 and IV/4, Sensors and Mapping From Space 1999,
Hannover, September 27-30, 1999.
Obiektowa analiza obrazów
21
Definiens Imaging, 2004: eCognition Users Guide – dokumentacja oprogramowania.
Förster M., Kleinschmit B., 2006: Integration of ancillary information into object-based Classification for
Detection of Forest Structures and habitats, [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st International Conference on Object-based Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
GaŸdzicki J., 2001: Leksykon geomatyczny, Polskie Towarzystwo Informacji Przestrzennej.
Hay G., Castilla G., 2006: Object-based image analysis, strengths, weaknesses, opportunities and threats
(SWOT), [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st International Conference on Object-based
Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
Hofmann P., 2001: Detecting urban features from IKONOS data using an object-oriented approach. [W:]
Remote Sensing & Photogrammetry Society (red.), Proceedings of the First Annual Conference of the
Remote Sensing & Photogrammetry Society 12-14 September 2001.
Hofmann P., Reinhardt W., 2000: The extraction of GIS features from high resolution imagery using advanced
methods based on additional contextual information – first experiences. [W:] ISPRS, Vol. XXXIII, Amsterdam, 2000.
Hwang H.J., Lee K., 2006: Classification accuracy of wavelet-based fusion image with texture filtering using
high resolution satellite images, [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st International Conference
on Object-based Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
Schiewe J., Gähler M., 2006: Modelling uncertainty in high resolution remotely sensed scenes using a fuzzy
logic approach, [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st International Conference on Objectbased Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
Kaiser G., Bauer T., 2006: Multiscale landscape representation derived from remote sensing images using
spatial subpixel models and combinatorial maps, [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st
International Conference on Object-based Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
Kressler F., Steinnocher K., 2006: Image data and LiDAR – an ideal combination matched by object-oriented
analysis, [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st International Conference on Object-based
Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
Lang S., Blaschke T., 2006a: Wrap up, niepublikowane materia³y podsumowuj¹ce 1. miêdzynarodow¹ konferencjê OBIA 2006.
Lang S., Blaschke T., 2006b: Bridging Remote Sensing and GIS – which are the main supportive pillars?, W:
Lang S., Blaschke T., Schöpfer E., (red.), 1st International Conference on Object-based Image Analysis
(OBIA 2006), Workshop proceedings, Salzburg.
Manakos I., Schneider T., Ammer U., 2000: A comparison between the ISODATA and the eCognition
classification methods on basis of field data. [W:] ISPRS, Vol. XXXIII, Amsterdam.
Neubert M., Herold H., Meinel G., 2006: Evaluation of remote sensing image segmentation quality – further
results and concepts, [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st International Conference on
Object-based Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
OBIA, 2006: Strona internetowa konferencji, www.agit.at/obia/.
Ricny J., 2006: A-priori information driven model for road segmentation in high resolution images, [W:] Lang
S., Blaschke T., Schöpfer E., (red.), 1st International Conference on Object-based Image Analysis (OBIA
2006), Workshop proceedings, Salzburg.
Rutzinger M., Höfle B., Pfeifer N., Geist T., Stötter J., 2006: Object based analysis of airborne laser scanning
data for natural hazard purposes using open source components, [W:] Lang S., Blaschke T., Schöpfer E.,
(red.), 1st International Conference on Object-based Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
Tiede D., Lang S., Hoffmann Ch., 2006: Supervised and forest type-specific multi-scale segmentation for a
one-level-representation of single trees, [W:] Lang S., Blaschke T., Schöpfer E., (red.), 1st International
Conference on Object-based Image Analysis (OBIA 2006), Workshop proceedings, Salzburg.
Van der Sande C.J., 2001: River Flood Damage Assessment Using IKONOS Imagery. Natural Hazards
Project-Floods. Space Applications Institute, Joint Research Centre, European Commission, Ispra. http,/
/natural-hazards.jrc.it/documents/floods/2001-docs/2001-reports/flooddamage_report.pdf
Willhauck G., Schneider T., De Kok R., Ammer U., 2000: Comparison of object oriented classification
techniques and standard image analysis for the use of change detection between SPOT multispectral
satellite images and aerial photos. [W:] ISPRS, Vol. XXXIII, Amsterdam, 2000.
22
Joanna Adamczyk
Summary
In the last years a set of factors related to the progress in geomatics and increasing need for spatial
information about environment have led to emerging field of object-based image analysis. This technique became the relevant innovation among other “traditional” methods of image classification.
Recently the object-based analysis has become a new paradigm in geomatics, not only a classification
technique.
In the article the object based approach is discussed as a technology of object-based image classification and a new paradigm for object-based spatial analyses. The historical developments are also
presented. Attention is paid to results of the first conference in this field (1st International Conference
on Object-Based Image Analysis, OBIA 2006), which took place in Salzburg. Finally, some recommendations are presented.
dr Joanna Adamczyk
[email protected]
POLSKIE
INFORMACJI
PRZESTRZENNEJ
Analiza
precyzjiTOWARZYSTWO
i dok³adnoœci pomiarów
GPS w warunkach
leœnych
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
23
ANALIZA PRECYZJI I DOK£ADNOŒCI POMIARÓW
GPS W WARUNKACH LEŒNYCH
ANALYSIS OF PRECISION AND ACCURACY OF GPS
MEASUREMENTS IN FOREST CONDITIONS
Mieczys³aw Baku³a, Stanis³aw Oszczak, Renata Pelc-Mieczkowska,
Marcin Suchocki, Marta Chrostowska, Marcin Rudziñski
Wydzia³ Geodezji i Gospodarki Przestrzennej, Uniwersytet Warmiñsko-Mazurski w Olsztynie
S³owa kluczowe: RTK, wielotorowoœæ sygna³u, nieoznaczonoœæ pomiarów fazowych
Keywords: RTK, multipath, ambiguity resolution
Wprowadzenie
Badania nad zastosowaniem pomiarów GPS w warunkach leœnych s¹ prowadzone od
wielu lat. Wykorzystanie pomiarów GPS na terenach rolniczych i leœnych mo¿e znacznie
poprawiæ efektywnoœæ wykonywanych prac, a w niektórych przypadkach stanowiæ jedyne
mo¿liwe rozwi¹zanie (Baku³a, Oszczak, 2006). Œrodowisko leœne stwarza jednak specyficzne, bardzo trudne warunki dla pomiarów GPS, z uwagi na znacznie ograniczony dostêp do
sfery niebieskiej, a tak¿e gêste, ale czêsto drobne, poruszaj¹ce siê zas³ony jakimi s¹ ga³êzie
drzew, powoduj¹ce przerwy w odbiorze sygna³ów lub odbiór sygna³ów odbitych co wi¹¿e
siê z niebezpieczeñstwem nag³ego pojawienia siê du¿ych b³êdów (Yoshimura, Hasegawa,
2003). B³êdy te, co wa¿ne, nie znajduj¹ odzwierciedlenia w towarzysz¹cej pomiarom GPS
analizie dok³adnoœci, dlatego te¿ ich wykrycie jest bardzo trudne. Dok³adnoœæ pomiarów
GPS w warunkach leœnych zale¿y przede wszystkim od zagêszczenia zas³on. Wspó³czynnik
PDOP, co jest doœæ zaskakuj¹ce, nie ma du¿ego wp³ywu na wynik pomiaru w warunkach
leœnych. Z badañ wynika, ¿e nie osi¹gniêto mniejszego b³êdu pozycji (horyzontalnej i pionowej) odcinaj¹c obserwacje, dla których PDOP wynosi³ wiêcej ni¿ 4. Wiêcej ni¿ po³owa
pozycji uzyskanych przy wartoœci PDOP od 4 do 8 charakteryzowa³a siê mniejszym b³êdem
(RMS), ni¿ pozycje uzyskane dla PDOP mniejszego od 4 (Sigrist i inni, 1999). Wyd³u¿enie
czasu obserwacji nie wp³ywa bezpoœrednio na dok³adnoœæ wyznaczenia pozycji, zwiêksza
jednak prawdopodobieñstwo rozwi¹zania nieoznaczonoœci (Hasegawa, Yoshimura, 2003).
24 M. Baku³a, S. Oszczak, R. Pelc-Mieczkowska, M. Suchocki, M. Chrostowska, M. Rudziñski
Rys. 1. Zas³ony nad PKT1 podczas pomiaru
statycznego (kwiecieñ 2004)
Rys. 2. Zas³ony nad PKT1 podczas pomiaru RTK
(maj 2005)
Pomiary terenowe
Pomiary testowe przeprowadzono na punkcie (PKT1) zlokalizowanym w Lasach Kortowskich, na Uniwersytecie Warmiñsko-Mazurskim w Olsztynie. Nad punktem tym wystêpowa³y liczne zas³on w postaci konarów i ga³êzi drzew (rys. 1). Punkty referencyjne zosta³y
rozmieszczone równomiernie na odkrytym terenie w celu zapewnienia pe³nego dostêpu do
sfery niebieskiej. Punkt wyznaczany znajdowa³ siê w centrum sieci (rys. 3). Punkt REF1 umieszczono na budynku Wydzia³u Geodezji i Gospodarki Przestrzennej Uniwersytetu Warmiñsko-Mazurskiego w Olsztynie, REF2 na osiedlu S³oneczny Stok, a punkt REF3 na osiedlu Dajtki.
Wspó³rzêdne punktu PKT1 zosta³y wyznaczone klasycznie, a nastêpnie wykonano statyczny pomiar GPS z wykorzystaniem stacji referencyjnych oraz pomiar metod¹ RTK.
Klasyczne wyznaczenie wspó³rzêdnych punktu PKT1 zosta³o wykonane 19 kwietnia 2004 r.
Do pomiaru u¿yto tachimetru TC-10 firmy Leica. Pomiar zosta³ wykonany w 3 seriach, a
wspó³rzêdne punktu obliczone metod¹ wciêcia kombinowanego.
Pomiar wspó³rzêdnych metod¹ statyczn¹ GPS zosta³ wykonany 30 marca 2004 roku
dwuczêstotliwoœciowym odbiornikiem firmy Ashtech typu Z-Surveyor. Prace terenowe odbywa³y siê pomiêdzy godzin¹ 8:20 a 11:00 czasu lokalnego. Wyboru czasu wykonania
obserwacji terenowych dokonano na podstawie analizy konstelacji satelitów. Podstawowe
parametry pomiaru: minimalna wysokoœæ satelitów nad horyzontem 10°, interwa³ pomiaru 1
sekunda, minimalna liczba satelitów 4.
Analiza precyzji i dok³adnoœci pomiarów GPS w warunkach leœnych
25
Rys. 3. Szkic sieci
Pomiary wspó³rzêdnych PKT1 metod¹ RTK wykonano w dniach 12 i 13 maja 2005 r.
w godzinach 13:50–15:50. Do pomiaru u¿yto dwuczêstotliwoœciowego odbiornika firmy
Ashtech typu Z-Xtreme. Dane ze stacji referencyjnej do odbiornika ruchomego przesy³ano
za poœrednictwem radiomodemu SATEL. Stacja referencyjna znajdowa³a siê na budynku
Wydzia³u Geodezji i Gospodarki Przestrzennej. Podstawowe parametry pomiaru pozosta³y
takie same jak przy pomiarze metod¹ statyczn¹. Warunki pomiarowe w jakich zosta³ przeprowadzony pomiar RTK mo¿na uznaæ za bardzo trudne poniewa¿ pojawiaj¹ce siê liœcie
znaczne utrudnia³y dostêp do sfery niebieskiej nad punktem pomiarowym (rys. 2).
Obliczenia i wyniki
Przed przyst¹pieniem do obliczenia wspó³rzêdnych punktu PKT1 na podstawie pomiarów statycznych, surowe dane podzielono na ró¿nej d³ugoœci sesje pomiarowe, aby mo¿liwe
by³o zbadanie zale¿noœci pomiêdzy d³ugoœci¹ sesji pomiarowej a dok³adnoœci¹ wyznaczenia
pozycji. Wydzielono piêæ sesji 1 godzinnych, szeœæ sesji 40 minutowych oraz siedem sesji 20
minutowych (rys. 4).
Do obliczenia wspó³rzêdnych stacji referencyjnych REF2 i REF3 oraz punktu PKT1
w uk³adzie WGS-84 wykorzystano program Ashtech Office Suite for Survey (AOS), wersja
2.0. Transformacjê wspó³rzêdnych do uk³adu „2000” wykonano za pomoc¹ programu TransPol wersja 1.0/2000. Podczas obliczeñ ka¿dy wektor zasta³ opracowany oddzielnie w celu
osi¹gniêcia jak najlepszych wyników (rys. 5). Opracowanie to polega³o na wy³¹czeniu z
26 M. Baku³a, S. Oszczak, R. Pelc-Mieczkowska, M. Suchocki, M. Chrostowska, M. Rudziñski
Rys. 4. Schemat
podzia³u danych na
sesje obserwacyjne
Rys. 5. Porównanie dok³adnoœci wspó³rzêdnych uzyskanych przed i po analizie pojedynczych wektorów
obliczeñ obserwacji charakteryzuj¹cych siê czêstymi przerwami w dostêpnoœci poszczególnych satelitów, charakterystycznymi dla pomiarów w warunkach leœnych.
Po takim opracowaniu danych uzyskano rozwi¹zanie (ca³kowite wartoœci nieoznaczonoœci) dla wszystkich wektorów z wyj¹tkiem wektorów PKT1-REF1, PKT1-REF2 oraz PKT1-
Analiza precyzji i dok³adnoœci pomiarów GPS w warunkach leœnych
27
REF3 w 19 sesji pomiarowej (sesja 20-minutowa trwaj¹ca od 10:36 do 10:56). Uzyskana
dok³adnoœæ (RMS) wyznaczenia pojedynczych wektorów wynosi³a od 14 do 21 mm dla
sesji 1, od 19 do 36 mm dla sesji 2–6 (sesje 1-godzinne), od 15 do 35 mm dla sesji 7–12
(sesje 40-mintowe) oraz od 12 mm do ponad 1 m dla sesji 13–18 (sesje 20-minutowe).
Zestawienie b³êdów œrednich dla poszczególnych wektorów w poszczególnych sesjach zosta³o przedstawiono w tabeli 1.
Wspó³rzêdne punktu zosta³y obliczone na drodze œcis³ego wyrównania sieci w programie
AOS. Sesja 19, w której nie uzyskano ca³kowitych wartoœci nieoznaczonoœci nie zosta³a
poddana wyrównaniu. Po przetransformowaniu wspó³rzêdnych punktu PKT1 do uk³adu
pañstwowego „2000” porównano je ze wspó³rzêdnymi punktu PKT1 wyznaczonymi klasycznie, które to wspó³rzêdne uznano za prawdziwe wspó³rzêdne punktu. Odchylenia standardowe oraz odchylenia od wartoœci uzyskanych klasycznie wyrównanych wspó³rzêdnych
punktu PKT1 uzyskane w poszczególnych sesjach przedstawiono w tabeli 2.
Opracowanie wyników pomiarów wykonanych metod¹ RTK polega³o na wybraniu ze
wszystkich obserwacji (³¹cznie 1396 pozycji) tylko tych dla, których zosta³a rozwi¹zana
nieoznaczonoœæ (³¹cznie 195 pozycji). Nastêpnie ze zbioru danych przeznaczonych do analizy zosta³y wy³¹czone obserwacje, dla których œredni b³¹d wyznaczenia pozycji horyzontalnej
(HRMS), obliczony podczas pomiaru przez odbiornik GPS, by³ wiêkszy ni¿ 10 cm.
Tabe la 1. Ze s tawie nie wartoœ ci R M S dla pos zcze gólnych we ktorów w pos zcze gólnych s e s jach
Nr sesji
RMS [mm] dla poszczególnych wektorów
REF1 PKT1
REF2 PKT1
REF3 PKT1
REF2 REF1
REF3 REF1
REF3 REF2
17,5
21,0
14 , 6
7,6
6,1
6,2
2
31,5
36,5
27,5
6,3
6,5
4,0
3
29,0
26,9
30,8
6,4
5,9
5,2
4
32,4
28,7
29,7
6,6
6,0
6,7
5
19,5
18,7
20,2
8,8
6,9
7,9
6
24,9
31,6
29,3
10,1
8,0
7,9
7
35,4
32,4
31,0
7,4
6,9
4,2
8
33,4
23,2
22,0
6,3
6,7
3,6
9
29,4
25,2
28,2
5,5
5,7
6,2
10
20,5
21,3
20,9
7,1
6,4
7,8
11
24,9
15,2
14,9
9,7
7,6
8,5
1
12
19,4
29,3
27,1
8,3
8,0
5,7
13
390,3
379,3
31,2
7,1
6,7
5,2
14
1172,8
659,6
1234,6
7,1
6,5
4,0
15
524,7
487,2
477,7
5,2
4,7
3,6
16
17,6
19 , 6
18,6
5,5
5,8
6,9
17
16,1
18,7
20,0
8,1
7,8
8,5
18
11,9
216,9
212,5
10,3
7,2
9,4
28 M. Baku³a, S. Oszczak, R. Pelc-Mieczkowska, M. Suchocki, M. Chrostowska, M. Rudziñski
Tabe la 2. Ze s tawie nie odchyle ñ s tandardowych oraz odchyle ñ od wartoœ ci uzys kanych klas ycznie
wyrównanych ws pó³rzê dnych punktu PKT1
Nr sesji
Odchylenie standardowe
Odchylenie od wartoœci wyznaczonej klasycznie
σN [mm]
σE [mm]
σH [mm]
dX [m]
dY [m]
dH [m]
1
274,3
17 9 , 3
641,3
- 0,026
0,005
- 0,125
2
275,4
207,3
530,0
0,101
- 0,139
- 0,062
3
278,0
204,1
591,2
- 0,414
- 0,354
0,062
4
368,1
231,2
957,3
- 0,047
0,064
- 0,263
5
255,5
158,6
596,7
- 0,023
0,007
- 0,201
6
401,6
277,5
686,9
- 0,102
0,399
0,375
7
520,3
313,6
729,9
0,370
- 0,113
0,894
8
179,4
138,8
410,7
- 0,049
- 0,052
- 0,133
9
275,2
189,7
754,8
- 0,055
0,493
0,439
10
259,4
171,9
677,6
- 0,030
0,005
- 0,163
11
452,8
302,9
773,3
0,074
0,127
- 0,279
12
308,6
237,9
485,0
- 0,430
1,020
0,973
13
2757,2
1117,5
2297,2
5,949
- 2,517
0,844
14
1616,9
1279,8
3555,6
- 0,311
0,010
0,557
15
2872,7
1189,2
4077,7
4,489
- 2,581
- 0,255
16
174,0
145,5
536,4
- 0,011
0,011
- 0,173
17
644,4
252,9
13 5 5 , 4
0,011
0 , 0 18
- 0,229
18
2726,2
1443,8
4456,5
1,890
- 6,738
3,844
Analiza wyników
B³êdy prawdziwe wspó³rzêdnych wyznaczonych w pomiarze statycznym wynios³y od
15 mm (sesja nr 16) do 7 metrów (sesja nr 18). Odchylenie standardowe, co wa¿ne, nie
stanowi³o miarodajnej charakterystyki dok³adnoœci. W przypadku pomiarów wykonywanych w warunkach leœnych ró¿nice pomiêdzy precyzj¹, a dok³adnoœci¹ pomiaru s¹ znaczne.
Na podstawie analizy odchyleñ standardowych mo¿liwe by³o jedynie odrzucenie wyników
pomiarów obarczonych najwiêkszym, przekraczaj¹cym 2 metry b³êdem. Nie by³o jednak
mo¿liwe oszacowanie dok³adnoœci pozosta³ych pomiarów, gdy¿ wzrost wartoœci odchylenia
standardowego nie zawsze oznacza³ spadek dok³adnoœci (rys 6 i 7).
W pomiarze RTK w obrêbie ka¿dej serii (od inicjalizacji do momentu „utraty” nieoznaczonoœci) ró¿nice wspó³rzêdnych nie przekracza³y 25 cm, jednak ró¿nice wspó³rzêdnych pomiêdzy sesjami dochodzi³y do 5 metrów (rys. 8). Œrednia pozioma pozycja z pomiarów RTK
ró¿ni³a siê od pozycji wyznaczonej klasycznie o 78 cm. B³êdy wysokoœci uzyskanych z
pomiarów RTK wynosi³y od 5 mm do 8,5 metra (rys. 9). Œredni b³¹d wyznaczenia wysokoœci osi¹gn¹³ wartoœæ 2,5 m.
Analiza precyzji i dok³adnoœci pomiarów GPS w warunkach leœnych
29
Rys. 6.
Porównanie
precyzji
(wyra¿onej
odchyleniem
standardowym
sN i sE)
i dok³adnoœci (dX
i dY) pomiaru dla
wszystkich serii
Rys. 7. Porównanie
precyzji (wyra¿onej
odchyleniem
standardowym sN i sE)
i dok³adnoœci (dX i dY)
pomiaru dla serii, w
których odchylenie
standardowe nie
przekracza³o 0,5 m
Rys. 8. Rozrzut wspó³rzêdnych
horyzontalnych punktu PKT1
wyznaczonych metod¹ RTK
oraz klasycznie
30 M. Baku³a, S. Oszczak, R. Pelc-Mieczkowska, M. Suchocki, M. Chrostowska, M. Rudziñski
Rys. 9. Wspó³rzêdne pionowe uzyskane z pomiaru RTK
liczba
Rys. 10. Wykres dok³adnoœci i precyzji pomiaru RTK oraz liczby obserwowanych satelitów i wartoœci
wspó³czynnika PDOP
Analiza precyzji i dok³adnoœci pomiarów GPS w warunkach leœnych
31
W przeprowadzonym doœwiadczeniu wartoœci b³êdów pozycji horyzontalnej i pionowej,
podobnie jak odchylenia standardowe w pomiarze statycznym, stanowi³y charakterystykê
precyzji, a nie charakterystykê dok³adnoœci pomiaru (rys. 10). Wspó³czynnik PDOP nie mia³
du¿ego wp³ywu na dok³adnoœæ wyznaczenia pozycji w warunkach leœnych.
Wnioski i podsumowanie
Jak wykaza³y badania, mo¿liwe jest uzyskanie nawet centymetrowych dok³adnoœci przy
zastosowaniu pomiarów GPS w warunkach leœnych. Œrodowisko leœne stwarza jednak skrajnie
trudne warunki dla takich pomiarów, a mo¿liwoœæ ich zastosowania zale¿y od bardzo wielu
czynników.
Dok³adnoœæ obserwacji GPS zale¿y przede wszystkim od lokalizacji stanowiska pomiarowego. Je¿eli jest to mo¿liwe, nale¿y wybieraæ takie miejsca, w których zas³ony s¹ najmniejsze, np. skrzy¿owania leœnych dróg, wyrêby, polany. Bardzo du¿e znaczenie ma wybór
odpowiedniego czasu obserwacji. W celu uzyskania jak najlepszych, a przede wszystkim jak
najbardziej wiarygodnych wyników, nale¿y wykonywaæ pomiary w okresie od póŸnej jesieni
do wiosny, kiedy drzewa s¹ bezlistne. Wybór pory dnia podczas której najwiêksza liczba
satelitów jest widoczna tak¿e wp³ywa na dok³adnoœæ pomiaru, a przede wszystkim daje
wiêksze prawdopodobieñstwo rozwi¹zania nieoznaczonoœci. D³ugoœæ czasu obserwacji nie
wp³ywa bezpoœrednio na uzyskan¹ dok³adnoœæ (doœwiadczenie pokaza³o, ¿e najwiêksza dok³adnoœæ zosta³a uzyskana podczas najkrótszej, 20-minutowej sesji), ale zwiêksza szanse na
uzyskanie rozwi¹zania nieoznaczonoœci (w doœwiadczeniu jedyne wektory, dla których nie
uda³o siê uzyskaæ rozwi¹zania nieoznaczonoœci zosta³y pomierzone podczas 20-minutowej
sesji). Wspó³czynnik PDOP, jak pokaza³y pomiary przeprowadzone metod¹ RTK, zasadniczo
nie wp³ywa na dok³adnoœæ wyznaczenia pozycji w warunkach leœnych.
Du¿a liczba i ró¿norodnoœæ obserwacji daje mo¿liwoœæ zastosowania ró¿nych opcji podczas opracowania wyników pomiarów, dlatego te¿ nale¿y stosowaæ wysokiej klasy dwóczêstotliwoœciwe odbiorniki, a w miarê mo¿liwoœci ³¹czyæ pomiary GPS z GLONASS, a w
przysz³oœci tak¿e z Galileo.
Bardzo wa¿ne jest nale¿yte opracowanie wyników pomiarów. Wnikliwa i starannie przeprowadzona analiza poszczególnych wektorów pozwala na uzyskanie ca³kowitych wartoœci
nieoznaczonoœci oraz poprawê dok³adnoœci wyników. W tym celu zaleca siê zastosowanie
oprogramowania posiadaj¹cego dobre algorytmy wykrywania i naprawy zagubieñ cykli, a
tak¿e daj¹cego mo¿liwoœæ wy³¹czenia z obliczeñ fragmentów obserwacji, w których b³êdy
te wystêpuj¹ czêsto.
Najwiêksz¹ trudnoœæ podczas pomiarów GPS w warunkach leœnych stwarza oszacowanie
dok³adnoœci uzyskanych wyników. Odchylenie standardowe, które w przypadku pomiarów na
otwartej przestrzeni jest dobr¹ charakterystyk¹ dok³adnoœci pomiaru, w warunkach leœnych
charakteryzuje jedynie precyzjê. Dobrym rozwi¹zaniem jest wielokrotna reinicjalizacja nieoznaczonoœci pomiarów fazowych daj¹ca niezale¿ne, nadliczbowe wyznaczenie pozycji.
Ze wzglêdu na wieloœæ czynników maj¹cych wp³yw na dok³adnoœæ wyznaczania wspó³rzêdnych GPS w warunkach leœnych oraz koniecznoœæ bardzo starannego i wnikliwego
opracowania wyników pomiarów, pomiary takie powinny byæ wykonywane i opracowywane przez doœwiadczone zespo³y pomiarowe.
32 M. Baku³a, S. Oszczak, R. Pelc-Mieczkowska, M. Suchocki, M. Chrostowska, M. Rudziñski
Literatura
Ashtech Office Suite for Survey – User’s Manual, 1998: USA.
Hasegawa H., Yoshimura T., 2003: Application of dual-frequecy GPS receiver for static surveying undet tree
canopy. Journal of Forest Research, Springer-Verlag, Tokyo Inc, t. 8, s. 103-110.
Oszczak S., Baku³a M., 2006: Experiences of RTK Positioning in Hard Observational Conditions During
Nysa Klodzka River Project. European Geophysical Society. XXIX General Assemply. Vienna, Austria.
Sigrist P., Coopin P., Hermy M., 1999: Impact of forest canopy on quality and accuracy of GPS. International
Journal of Remote Sensing, Taylor and Francis Ltd, t. 20(18), s. 3595-3610.
Yoshimura T., Hasehawa H., 2003: Comparing the precision and accuracy of GPS positioning in forest areas.
Journal of Forest Research, Springer-Verlag Tokyo Inc, t. 8(3), s. 147-152.
Summary
The paper presents results of GPS measurements executed in forest conditions. The GPS measurements were made with the use of dual-frequency Ashtech Z-Xtreme receivers. The test measurements
were performed in the forest at the University of Warmia and Masury in Olsztyn. Two different
analyses were conducted: Real Time Positioning (RTK) and post-processing data elaboration. Postprocessing GPS data were elaborated with the use of Ashtech Office Suite (AOS) software. After very
careful study of static elaborations centimeter accuracy was achieved, though large errors (a few
meters) could occur. Gross errors were caused by heavy obstructions due to tree canopy. It caused
frequent losses of contact with satellites as well as multipath errors. Similarly in the case of RTK
measurements thanks to multiple initialization of ambiguity resolution centimeter accuracy was also
obtained. However, GPS/RTK measurements demand large experience in GPS elaboration as well as
very thorough knowledge of GPS positioning. Very important issue is careful planning of GPS sessions as well as applying appropriate GPS receiver sets.
Future combination of GPS and GLONASS with GALILEO systems will bring considerable improvement in getting reasonable results in forest conditions, especially RTK positioning seems very costeffective in forest conditions.
dr in¿. Mieczys³aw Baku³a
[email protected]
prof. dr hab. in¿. Stanis³aw Oszczak
[email protected] pl
mgr in¿. Renata Pelc-Mieczkowska
[email protected]
mgr in¿. Marcin Rudziñski
[email protected]
POLSKIE TOWARZYSTWO
PRZESTRZENNEJ
Zastosowanie wielomianów
ortogonalnych do INFORMACJI
aproksymacji odwzorowañ
kartograficznych
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
33
ZASTOSOWANIE WIELOMIANÓW ORTOGONALNYCH
DO APROKSYMACJI ODWZOROWAÑ
KARTOGRAFICZNYCH
UTILIZATION OF ORTHOGONAL POLYNOMIALS
TO MAP PROJECTION APPROXIMATION
Jerzy Balcerzak, Pawe³ Pêdzich
Instytut Fotogrametrii i Kartografii, Politechnika Warszawska
S³owa kluczowe: kartografia matematyczna, odwzorowania kartograficzne, wielomiany
ortogonalne
Keywords: mathematical cartography, map projection, orthogonal polynomials
Wstêp
Badanie odwzorowañ kartograficznych oraz ich w³asnoœci czêsto wymaga stosowania
skomplikowanych formu³ i zale¿noœci. Dlatego te¿ w pewnych sytuacjach mo¿e byæ wskazane stosowanie metod aproksymacyjnych, pozwalaj¹cych na uproszczenie obliczeñ w praktycznych zastosowaniach lokalnych. Do wyznaczania wartoœci wspó³czynników wielomianów aproksymacyjnych tradycyjnie stosowana jest metoda najmniejszych kwadratów. Prowadz¹ one czêsto do rozwi¹zywania t¹ metod¹ s³abo uwarunkowanych uk³adów równañ
liniowych.
W artykule rozwa¿a siê zastosowanie wielomianów ortogonalnych do aproksymacji funkcji
odwzorowawczych. Przedstawiona metoda pozwala unikn¹æ rozwi¹zywania s³abo wyznaczalnych uk³adów równañ normalnych, a zastosowane do wyznaczania kolejnych wielomianów ortogonalnych zwi¹zki rekurencyjne u³atwiaj¹ algorytmizacjê i opracowanie stosownych programów komputerowych.
Aproksymacja funkcji f(x) wielomianami ortogonalnymi
Przyjmijmy, ¿e dana jest funkcja
f(x) oraz zbiór punktów {xi}(i=1,2,...,n), w których

wyznaczono wartoœci funkcji fi . Je¿eli pj(x) jest wielomianem potêgowym j-tego stopnia
postaci
j
p j ( x ) = ∑ akj xik
j = 0, 1, 2, ...
(1)
k =0
Jerzy Balcerzak, Pawe³ Pêdzich
34
to funkcjê f(x) mo¿na przybli¿aæ wielomianem stopnia m wyra¿onym zale¿noœci¹
m
f ( x ) ≈ ym = ∑ b j ( m ) p j ( x),
m = 0, 1, 2, ...
j =0
(2)
Na podstawie wzoru (2) dla okreœlonego zbioru mo¿emy wygenerowaæ uk³ad równañ.
Sposób wyznaczenia sta³ych, w powy¿szej kombinacji liniowej (2), wielomianów pj(x)
okreœla nam typ przybli¿enia funkcji f(x). Poszukiwanie minimum sumy kwadratów ró¿nicy
pomiêdzy wartoœci¹ f funkcji f(x) i jej przybli¿eniem ym prowadzi do aproksymacji œredniokwadratowej funkcji f(x). Dla jej wyznaczenia poszukujemy minimum funkcji celu o postaci
H (b0 ( m ) , b1( m ) ,..., bm ( m ) ) = ∑ ( f i − ym ( xi )) 2
df
n
n >m
(3)
i =1
Zale¿noœæ (3) ró¿niczkujemy wzglêdem zmiennych bk, k = 0, 1, 2, ..., m i otrzyman¹
pochodn¹ przyrównujemy do zera
n 
m

∂H
(4)
= −2∑  fi − ∑ b j ( m ) p j ( xi )  pk ( xi ) = 0
(m)
∂ bk
i =1 
j =0

Opuszczaj¹c w (4) nawiasy i przenosz¹c wyraz wolny na praw¹ stronê uzyskujemy
zale¿noœæ
.
n
m
n
i =1
j =0
i =1
∑ pk ( xi )∑ b j ( m) p j ( xi ) = ∑ fi pk ( xi )
(5)
Wprowadzamy pomocnicze oznaczenia
n
ω k = ∑ f i pk ( xi )
(6)
i =1
n
d jk = ∑ pk ( xi ) p j ( xi )
(7)
i =1
Po wprowadzeniu (6) i (7) do wzoru (5) otrzymujemy zale¿noœæ
(8)
Wzór (8) pozwala na wygenerowanie uk³adu równañ normalnych, po rozwi¹zaniu którego otrzymujemy wartoœci wspó³czynników bj wielomianu (2).
Celem poprawienia jakoœci numerycznego rozwi¹zania uk³adu równañ normalnych (8),
uk³ad ten na zbiorze punktów {xi} sprowadzamy do postaci diagonalnej. Elementy poza
g³ówn¹ przek¹tn¹ bêd¹ wówczas mia³y wartoœci równe zeru. Przekszta³cenie to jest mo¿liwe
przy za³o¿eniu, ¿e uk³ad wielomianów {pj(x)} jest ortogonalny na zbiorze punktów {xi}, tzn.
spe³nia uwarunkowania
n
∑p
i =1
(n)
j
( xi ) pk ( n ) ( xi ) = 0 ,
( j ≠ k)
(9)
Zastosowanie wielomianów ortogonalnych do aproksymacji odwzorowañ kartograficznych
35
Górne wskaŸniki w (9) informuj¹ o zale¿noœci wielomianów pj, pk od liczby punktów n.
Jeœli wielomiany pj(x) s¹ ortogonalne, to z (7) wynika, ¿e djk = 0 dla j≠k. Wtedy uk³ad
(8) redukuje siê do postaci
dkkbk(m) = ωk
(k = 0,1,...,m)
(10)
Uk³ad (10) jest obecnie diagonalny i posiada rozwi¹zania o prostej postaci
bk(m) = ωk /dkk
(k = 0,1,...,m)
(11)
które nie wymagaj¹ koniecznoœci rozwi¹zywania uk³adu równañ liniowych/normalnych.
Podwy¿szenie rzêdu wielomianu m o 1 daje przez analogiê rozwi¹zanie
bk(m+1) = ωk/dkk
(k = 0,1,...,m+1)
(12)
gdzie ωk i dkk s¹ dane wzorami (6) i (7). Mamy wiêc zale¿noœæ
bk(m) = bk(m+1)
(k = 0,1,...,m)
(13)
z której wynika, ¿e dla podwy¿szonego o 1 rzêdu wielomianu wystarczy tylko dodatkowo
wyznaczyæ rozwi¹zanie dla jednej m+1 niewiadomej bk(m+1). Aby znaleŸæ rozwi¹zanie dla
m+1, trzeba wiêc dodatkowo doliczyæ tylko wm+1 i dm+1,m+1. Z wzoru (13) wynika wiêc, ¿e
wartoœæ bk w rzeczywistoœci nie zale¿y od m, wiêc górne wskaŸniki w naszych rozwa¿aniach mo¿na pomin¹æ.
Dla utworzenia rekurencyjnej metody generowania wielomianów ortogonalnych na
dyskretnych zbiorach punktów za³ó¿my, ¿e {p(x)} jest dowolnym uk³adem wielomianów
spe³niaj¹cym warunki ortogonalnoœci (9) na zbiorze punktów {xi}, w którym – jak przedtem
– punkty numerujemy od 1 do n. W pracy (Ralston 1971) wykazano, ¿e zachodzi zwi¹zek
postaci
pj+1(x) = (x-αj+1) pj(x) - βj pj-1(x),
(j = 0,1,...)
(14)
p0(x) = 1, p-1(x) = 0
gdzie αj+1 i βj s¹ sta³ymi wyra¿onymi wzorami
n
βk =
∑p
( xi )
∑p
( xi )
i =1
n
i =1
2
k
2
k −1
(15)
n
oraz α k +1 =
∑x p
i =1
n
i
2
k
( xi )
∑ pk2 ( xi )
(16)
i =1
Na podstawie wzoru rekurencyjnego (14) mo¿emy wyznaczyæ kolejne wielomiany ortogonalne korzystaj¹c z zapisu
Jerzy Balcerzak, Pawe³ Pêdzich
36
 1 −α1

1
0
0
0

0
0
0
0

... ...
0
0

−α1α 2α 3 + α 3 β1 + α1 β 2
α1α 2 − β1
− (α1 + α 2 ) α1α 2 − β1 + α 3α1 − β 2 + α 3α 2
1
− (α1 + α 2 + α 3 )
0
1
0
0
...
...
0
0
T
...
...
...

...
...

...
...
 x0 
 1   p0 
x   p 
 x2   1 
p 
⋅  x3  =  2 
p
 x4   3 
  ... 
 ...   
 x m   pm 
 
(17)
Na podstawie (17) oraz wspó³czynników bk okreœlonych za pomoc¹ ogólnej zale¿noœci
(11), mo¿emy obecnie dla wielomianu aproksymacyjnego szczególnej postaci
(18)
wykorzystuj¹c (2), (14) i (17) wyznaczyæ wspó³czynniki na podstawie formu³y
(19)
Przedstawiona w artykule metoda mo¿e byæ z powodzeniem zastosowana do aproksymacji funkcji zmiennej zespolonej f(z). Wykorzystujemy wówczas kombinacjê liniow¹ wielomianów
zm = ∑ ( a j + ib j ) ⋅ p j ( z )
m
(20)
j =0
gdzie
z = x + iy
Wielomian pj(z) ma obecnie postaæ
m
(
)
j
p j (. z ) = ∑ aˆ j + ibˆ j ⋅ ( x + iy )
j =0
(21)
Zasada tworzenia uk³adów równañ normalnych oraz rozwi¹zywania tych uk³adów, jest
identyczna jak dla funkcji zmiennej rzeczywistej.
Zastosowanie wielomianów ortogonalnych do aproksymacji odwzorowañ kartograficznych
37
Zastosowanie wielomianów ortogonalnych do aproksymacji
odwzorowañ kartograficznych konforemnych
Dowolne odwzorowanie konforemne powierzchni elipsoidy o równaniu


π π
( B, l ) ∈ω = (B, l ): B ∈  − 2 , 2  , l ∈ (−π , π ), l = L − L0 , L0 = const


(22)
w p³aszczyznê, mo¿na przedstawiæ w postaci funkcji
x + iy = f ( q + il )
(23)
gdzie q jest szerokoœci¹ geodezyjn¹ izometryczn¹
e
1 1 + sin B  1 − e sin B  
q = ln 

 
2 1 − sin B  1 + e sin B  
a l=L-L0.
(24)
Odwzorowanie (23) mo¿emy aproksymowaæ za pomoc¹ wielomianów postaci
x + iy = ∑ ( a j + ib j ) ⋅ p j ( z )
m
w których
(25)
j =0
j
(
)
k
p j ( z ) = ∑ aˆk + ibˆk ⋅ ( q + il )
k =0
(26)
Maj¹c dany zbiór wspó³rzêdnych geodezyjnych (B,L) punktów elipsoidy oraz odpowiadaj¹ce im wspó³rzêdne prostok¹tne (x,y) w odwzorowaniu, mo¿emy dokonaæ stosownej
aproksymacji tego odwzorowania wielomianami ortogonalnymi.
Algorytmy aproksymacji odwzorowañ kartograficznych konforemnych wielomianami
ortogonalnymi zosta³y opracowane w Instytucie Fotogrametrii i Kartografii i mog¹ byæ przez
autorów udostêpnione osobom zainteresowanym.
Przyk³ad zastosowania wielomianów ortogonalnych
do aproksymacji funkcji odwzorowawczych uk³adu 1992
Dla wyznaczenia wspó³czynników wielomianów ortogonalnych uk³adu 92 wykorzystano
zbiór 256 równomiernie rozmieszczonych na obszarze Polski punktów o znanych wspó³rzêdnych geodezyjnych B,L oraz X92,Y92. Uzyskano nastêpuj¹ce wspó³czynniki wielomianu
aproksymacyjnego stopnia 7:
38
Jerzy Balcerzak, Pawe³ Pêdzich
S¹ to wspó³czynniki wielomianu o nastêpuj¹cej postaci
(27)
Dla rozdzielenia powy¿szego wielomianu na czêœæ rzeczywist¹ i czêœæ urojon¹ stosujemy
nastêpuj¹c¹ zale¿noœæ rekurencyjn¹
Ψ = q Ψ k −1 − lθ k −1 
( q + il )k = Ψ k + iθ k  ⇒  k



θ k = qθ k −1 + l Ψ k −1 
(28)
gdzie Ψk i θk s¹ wielomianami harmonicznymi generowanymi na podstawie wielomianów
zerowego rzêdu.
Wówczas wielomian (27) mo¿emy zapisaæ w postaci zwi¹zku
(29)
a po rozdzieleniu na czêœæ rzeczywist¹ i urojon¹ w postaci zwi¹zków bezpoœrednio okreœlaj¹cych x i y
(30)
Obliczone wspó³czynniki wielomianu 7 stopnia pozwalaj¹ na efektywne wyznaczanie wartoœci wspó³rzêdnych prostok¹tnych p³askich x,y w uk³adzie 1992 z dok³adnoœci¹ ~ 0,5 mm na
obszarze Polski.
Wyniki obliczeñ testowych zamieszczono w tabeli. Znajduj¹ siê w niej wspó³rzêdne elipsoidalne B,L oraz wspó³rzêdne prostok¹tne p³askie X92,Y92 w uk³adzie 1992 wyliczone z zale¿noœci odwzorowawczych i wykorzystane do aproksymacji oraz wspó³rzêdne prostok¹tne Xapx,Yapx
wyznaczone z wykorzystaniem wyznaczonego wielomianu aproksymacyjnego.
Podsumowanie
W artykule zreferowano metodê aproksymacji funkcji wielomianami ortogonalnymi. Polega ona na wyznaczeniu wartoœci wspó³czynników wielomianów z wykorzystaniem dyskretnych zbiorów punktów. Zastosowanie wielomianów ortogonalnych pozwala na ominiêcie uci¹¿liwego procesu uk³adania i rozwi¹zywania uk³adów równañ normalnych przez wygenerowanie wspó³czynników wielomianu ortogonalnego w prostym procesie rekurencyjnym. W artykule przedstawiono równie¿ przyk³adowe zastosowanie tej metody do aproksymacji funkcji odwzorowawczych w odwzorowaniu Gaussa-Krügera uk³adzie „1992”. Zaprezentowana metoda mo¿e znaleŸæ zastosowanie w pracach zwi¹zanych z u¿ytkowaniem
uk³adów wspó³rzêdnych w geodezji i kartografii, w tym do obliczeñ skali m, zbie¿noœci
po³udników γ, a tak¿e wartoœci redukcji odwzorowawczych.
Zastosowanie wielomianów ortogonalnych do aproksymacji odwzorowañ kartograficznych
39
Tabela. Wspó³rzêdne prostok¹tne w uk³adzie 1992 obliczone za pomoc¹ zale¿noœci odwzorowawczych
oraz wielomianu (30)
B
49.0000
49.0000
49.0000
49.0000
49.0000
49.0000
49.0000
49.0000
49.0000
49.0000
49.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
50.0000
51.0000
51.0000
51.0000
51.0000
51.0000
51.0000
51.0000
51.0000
51.0000
51.0000
51.0000
52.0000
52.0000
52.0000
52.0000
52.0000
52.0000
52.0000
52.0000
52.0000
52.0000
52.0000
53.0000
53.0000
53.0000
53.0000
L
14.0000
15.0000
16.0000
17.0000
18.0000
19.0000
20.0000
21.0000
22.0000
23.0000
24.0000
14.0000
15.0000
16.0000
17.0000
18.0000
19.0000
20.0000
21.0000
22.0000
23.0000
24.0000
14.0000
15.0000
16.0000
17.0000
18.0000
19.0000
20.0000
21.0000
22.0000
23.0000
24.0000
14.0000
15.0000
16.0000
17.0000
18.0000
19.0000
20.0000
21.0000
22.0000
23.0000
24.0000
14.0000
15.0000
16.0000
17.0000
X92
Y92
Xapx
Yapx
137878.5195 134461.7021 137878.5196 134461.7019
133537.1303 207550.6619 133537.1301 207550.6618
130162.6745 280652.1491 130162.6743 280652.1493
127753.5173 353762.9557 127753.5173 353762.9561
126308.4905 426879.9391 126308.4907 426879.9394
125826.8928 500000.0000 125826.8931 500000.0001
126308.4905 573120.0609 126308.4908 573120.0608
127753.5173 646237.0443 127753.5175 646237.0441
130162.6745 719347.8509 130162.6745 719347.8507
133537.1303 792449.3381 133537.1302 792449.3381
137878.5195 865538.2979 137878.5194 865538.2979
248953.5232 141851.1522 248953.5232 141851.1522
244636.2912 213458.0718 244636.2912 213458.0718
241280.4699 285080.2843 241280.4699 285080.2844
238884.5405 356713.8921 238884.5405 356713.8922
237447.4173 428355.0610 237447.4174 428355.0612
236968.4487 500000.0000 236968.4488 500000.0001
237447.4173 571644.9390 237447.4174 571644.9390
238884.5405 643286.1079 238884.5406 643286.1079
241280.4699 714919.7157 241280.4700 714919.7156
244636.2912 786541.9282 244636.2912 786541.9283
248953.5232 858148.8478 248953.5231 858148.8480
360033.1851 149349.9311 360033.1851 149349.9312
355745.3660 219453.1684 355745.3659 219453.1685
352412.2671 289574.3149 352412.2671 289574.3150
350032.4855 359708.8205 350032.4855 359708.8206
348605.0180 429852.1976 348605.0180 429852.1976
348129.2624 500000.0000 348129.2625 500000.0000
348605.0180 570147.8024 348605.0181 570147.8024
350032.4855 640291.1795 350032.4856 640291.1795
352412.2671 710425.6851 352412.2672 710425.6851
355745.3660 780546.8316 355745.3661 780546.8316
360033.1851 850650.0689 360033.1853 850650.0690
471117.4797 156955.7623 471117.4797 156955.7624
466864.2924 225534.1378 466864.2924 225534.1379
463557.9762 294132.8844 463557.9761 294132.8845
461197.2429 362746.8389 461197.2429 362746.8389
459781.1717 431370.8983 459781.1717 431370.8983
459309.2094 500000.0000 459309.2094 500000.0000
459781.1717 568629.1017 459781.1717 568629.1017
461197.2429 637253.1611 461197.2430 637253.1611
463557.9762 705867.1156 463557.9763 705867.1155
466864.2924 774465.8622 466864.2926 774465.8621
471117.4797 843044.2377 471117.4800 843044.2376
582206.3757 164666.3354 582206.3755 164666.3356
577992.9964 231699.1384 577992.9962 231699.1385
574717.4902 298754.6159 574717.4901 298754.6159
572378.6829 365827.0310 572378.6828 365827.0310
Jerzy Balcerzak, Pawe³ Pêdzich
40
cd. tabeli
53.0000
53.0000
53.0000
53.0000
53.0000
53.0000
53.0000
54.0000
54.0000
54.0000
54.0000
54.0000
54.0000
54.0000
54.0000
54.0000
54.0000
54.0000
55.0000
55.0000
55.0000
55.0000
55.0000
55.0000
55.0000
55.0000
55.0000
55.0000
55.0000
18.0000
19.0000
20.0000
21.0000
22.0000
23.0000
24.0000
14.0000
15.0000
16.0000
17.0000
18.0000
19.0000
20.0000
21.0000
22.0000
23.0000
24.0000
14.0000
15.0000
16.0000
17.0000
18.0000
19.0000
20.0000
21.0000
22.0000
23.0000
24.0000
570975.7348
570508.1415
570975.7348
572378.6829
574717.4902
577992.9964
582206.3757
693299.8361
689131.3916
685890.6852
683576.6549
682188.5410
681725.8871
682188.5410
683576.6549
685890.6852
689131.3916
693299.8361
804397.8179
800279.3797
797077.4205
794790.9883
793419.4018
792962.2518
793419.4018
794790.9883
797077.4205
800279.3797
804397.8179
432910.7055
500000.0000
567089.2945
634172.9690
701245.3841
768300.8616
835333.6646
172479.3080
237946.3022
303438.1115
368948.4668
434471.1548
500000.0000
565528.8452
631051.5332
696561.8885
762053.6978
827520.6920
180392.3056
244273.7346
308181.9536
372110.2024
436051.7748
500000.0000
563948.2252
627889.7976
691818.0464
755726.2654
819607.6944
570975.7347
570508.1414
570975.7348
572378.6829
574717.4902
577992.9964
582206.3758
693299.8358
689131.3914
685890.6850
683576.6548
682188.5409
681725.8870
682188.5410
683576.6549
685890.6851
689131.3915
693299.8358
804397.8182
800279.3796
797077.4203
794790.9881
793419.4017
792962.2518
793419.4018
794790.9883
797077.4205
800279.3797
804397.8179
432910.7055
500000.0000
567089.2944
634172.9689
701245.3840
768300.8614
835333.6642
172479.3080
237946.3022
303438.1115
368948.4667
434471.1548
499999.9999
565528.8451
631051.5332
696561.8884
762053.6977
827520.6918
180392.3055
244273.7348
308181.9536
372110.2023
436051.7746
499999.9998
563948.2251
627889.7975
691818.0464
755726.2653
819607.6946
Literatura
Ralston A., 1971: Wstêp do analizy numerycznej, PWN, Warszawa.
Summary
In the paper, an approximation method is presented, which uses orthogonal polynomials. Coefficients
of polynomials are determined by recurrence formulas on discrete sets of points. Utilization of orthogonal polynomials allows to avoid creation and solving of normal equation systems. In the paper
application of the method to map projection approximation function in “1992” system is also presented. The method may be used in geodesy and cartography for obtaining map projection approximation
functions, and calculating elementary scale, convergence and geodetic reductions.
dr hab. in¿. Jerzy Balcerzak
[email protected]
tel. (022) 660 55 90
dr in¿. Pawe³ Pêdzich,
[email protected]
tel. 022) 660 55 90
POLSKIE
TOWARZYSTWO
PRZESTRZENNEJ
Wybrane metody
obliczania
pól powierzchniINFORMACJI
wieloboków geodezyjnych
na elipsoidzie
41
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
WYBRANE METODY OBLICZANIA PÓL POWIERZCHNI
WIELOBOKÓW GEODEZYJNYCH NA ELIPSOIDZIE
SOME METHODS OF CALCULATION OF ELLIPSOIDAL
POLYGONS AREAS
Jerzy Balcerzak, Pawe³ Pêdzich
Instytut Fotogrametrii i Kartografii, Politechnika Warszawska
S³owa kluczowe: kartografia matematyczna, odwzorowania kartograficzne, wieloboki geodezyjne, obliczanie pól powierzchni
Keywords: mathematical cartography, map projection, geodetic polygons, area calculation
Wstêp
Umiejêtnoœæ obliczania pól wieloboków geodezyjnych, czyli takich których bokami s¹
odcinki linii geodezyjnych, ma istotne znaczenie w praktyce geodezyjnej i kartograficznej.
Jednym z podstawowych zadañ wykonywanych przez geodetów i kartografów jest obliczanie pól ró¿nych obiektów powierzchniowych takich jak gmina, województwo, obszary u¿ytków gruntowych itp. Je¿eli zadanie sprowadza siê tylko do powierzchni kuli lub p³aszczyzny
to rozwi¹zanie jest stosunkowo ³atwe. Zadanie komplikuje siê je¿eli za powierzchniê odniesienia fizycznej powierzchni Ziemi przyjmiemy elipsoidê obrotow¹. Mo¿emy wówczas korzystaæ ze znanych w geodezji wzorów na obliczenie pól powierzchni wieloboków geodezyjnych elipsoidalnych, ale maj¹cych zastosowanie jedynie do niewielkich obszarów. W artykule przedstawione s¹ propozycje metod obliczania pól powierzchni, które mog¹ byæ stosowanie dla dowolnych wieloboków geodezyjnych na elipsoidzie.
Wyznaczanie pól powierzchni wieloboków geodezyjnych
na elipsoidzie obrotowej sp³aszczonej
za pomoc¹ trapezów elipsoidalnych
Pole trapezu elipsoidalnego ograniczonego równole¿nikami B1 B2 i po³udnikami L1 L2
(rys.1) mo¿na w ogólnoœci przedstawiæ za pomoc¹ znanej ca³ki
P=
L2 B2
∫ ∫ MN cos BdBdL
L1 B1
(1)
Jerzy Balcerzak, Pawe³ Pêdzich
42
B2
P
gdzie
B1
M =
L1
L2
a (1 − e 2 )
(1 − e
2
sin B )
2
3
a
, N=
1 − e sin 2 B
2
.
Rys. 1
Po sca³kowaniu (1) wzglêdem L otrzymujemy
B2
P = ( L2 − L1 ) ∫ MN cos BdB
(2)
B1
a nastêpnie po przekszta³ceniu (2) mamy
B2
cos BdB
2
2
P = a 1 − e ( L2 − L1 ) ∫
2
2
2
B1 1 − e sin B
Po rozwi¹zaniu ca³ki (3) (König, Weise, 1951) otrzymujemy wzór
(
)
(
)
(3)
B2
P=
1 2
sin B
1 1 + e sin B 

a (1 − e 2 ) ( L2 − L1 ) 
+ ln

2
2
e 1 − e sin B  B1
2
2
e
B
−
1
sin

(4)
Zale¿noœæ (4) mo¿e byæ wykorzystana do obliczania pól wieloboku geodezyjnego elipsoidy obrotowej, którego bokami s¹ odcinki linii geodezyjnych, metod¹ ca³kowania realizowanego po jego obwodzie wykorzystuj¹c dok³adne obliczanie pola trapezu po³udnikowo-równole¿nikowego (Balcerzak, Gdowski, Panasiuk 1995).
Ze wzglêdu na trudnoœæ analitycznego ca³kowania pola trapezu, którego jeden z boków
jest odcinkiem linii geodezyjnej, wykorzystuje siê jego rozbicie na zbiór elementarnych trapezów po³udnikowo-równole¿nikowych (1) oraz przeprowadzenie stosownego ca³kowania numerycznego. Obliczanie pola wieloboku geodezyjnego sprowadza siê wówczas do obliczania
pól trapezów elipsoidalnych ograniczonych równole¿nikami i po³udnikami oraz ³ukami linii
geodezyjnych.
Na podstawie rysunku 2 mo¿na zaproponowaæ dwie metody obliczania pola P. Pierwsza
metoda polega na rzutowaniu wierzcho³ków i
boków wieloboku na wybrany równole¿nik, np.
Bmin wzd³u¿ linii po³udnika (rys. 3a). Otrzymany
zbiór pól trapezów krzywoliniowych po zsumowaniu (z odpowiednimi znakami zale¿nie od kieBmin
runku ca³kowania) tak jak to ma miejsce przy
Lmin
obliczaniu powierzchni na p³aszczyŸnie xOy, daje
nam poszukiwane pole wieloboku P.
Rys. 2
Wybrane metody obliczania pól powierzchni wieloboków geodezyjnych na elipsoidzie
43
Druga, alternatywna i konLn-1
Bn+1
trolna metoda polega na rzuLn
Bn
towaniu boków wieloboku na
P
n-1
P
n+1
Ln+1
wybrany po³udnik, np. Lmin
Bn-1
Pn
Pn
∆Β
(rys. 3b). Poniewa¿ nale¿y
Pn-1
przewidywaæ, ¿e odcinek liPn+1
nii geodezyjnej pomiêdzy dwoBmin
ma punktami wieloboku mo¿e
∆L
zawieraæ punkt zwrotu tej liLmin
a
b
nii to nale¿y zbadaæ i ewentualnie wyznaczyæ ten punkt i
Rys. 3
je¿eli ma to miejsce, rozbiæ
dany bok na dwa odcinki tworz¹ce w ten sposób dwa trapezy. Nastêpnie obliczamy pole
wieloboku metod¹ sumowania pól odpowiednich obszarów ograniczonych równole¿nikami i
po³udnikami oraz ³ukami linii geodezyjnych. Pola te obliczamy metod¹ ca³kowania numerycznego zale¿nego od przyjêcia stosownego przyrostu ∆L w pierwszej metodzie lub ∆B w
drugiej metodzie.
Podstawowym zagadnieniem numerycznym jest wiêc badanie przebiegu linii geodezyjnej
oraz konstruowanie odpowiedniego ci¹gu podzia³ów normalnych danego ³uku linii geodezyjnej.
Niezbêdna jest znajomoœæ metod przenoszenia wspó³rzêdnych na elipsoidzie oraz metod
okreœlania wspó³rzêdnych geodezyjnych punktu zwrotu linii geodezyjnej.
Wyznaczaj¹c pola wieloboków krzywoliniowych elipsoidalnych nale¿y zauwa¿yæ, ¿e sk³adaj¹ siê na nie oprócz pól trapezów po³udnikowo równole¿nikowych tak¿e pola trójk¹tów
∆Pn le¿¹cych pomiêdzy górn¹ podstaw¹ trapezu po³udnikowo-równole¿nikowego a lini¹
geodezyjn¹. Dla wyznaczenia pola takiego trójk¹ta nale¿y wiêc obliczyæ pole trapezu po³udnikowo-równole¿nikowego ∆Pn,n+1 ograniczonego równole¿nikami Bn i Bn+1 a nastêpnie pole
∆Pn trójk¹ta krzywoliniowego z wzoru
∆Pn =
(5)
N n cos Bn
∆Pn ,n +1
N n cos Bn + N n +1 cos Bn +1
Obliczanie pól powierzchni wieloboków geodezyjnych
elipsoidalnych z wykorzystaniem trójk¹tów sferycznych
Podstaw¹ wyznaczenia pola wieloboku geodezyjnego elipsoidalnego w tej metodzie jest jego podzia³ na elementarne trójk¹ty
geodezyjne (rys.4).
Przyjmuje siê, ¿e wierzcho³ki trójk¹tów geodezyjnych elipsoidalnych stanowi¹ wierzcho³ki trójk¹tów sferycznych (rys. 5),
czyli dla ka¿dego wierzcho³ka ϕ=B, λ=L. Promieñ sfery dla ka¿dego trójk¹ta wyznaczamy w nastêpuj¹cy sposób
Rys. 4
Jerzy Balcerzak, Pawe³ Pêdzich
44
Ri = M i N i
(6)
1
( R1 + R2 + R3 )
3
gdzie M, N – promienie krzywizn g³ównych w wierzcho³kach trójk¹ta.
(7)
R=
Trójk¹ty sferyczne rozwi¹zujemy stosuj¹c odpowiednie twierdzenia trygonometrii sferycznej. Nastêpnie, maj¹c wartoœæ nadmiaru sferycznego, obliczamy pola tych trójk¹tów. Suma pól trójk¹tów sferycznych daje przybli¿one pole wieloboku geodezyjnego.
P2(ϕ2,λ2)
=(B2,L2)
P1(ϕ1,λ1)
=(B1,L1)
P3(ϕ3,λ3)
=(B3,L3)
Rys. 5
Obliczanie pól powierzchni wieloboków elipsoidalnych
z wykorzystaniem odwzorowania równopolowego
elipsoidy na kulê
Podstaw¹ tego wariantu jest zastosowanie odwzorowania równopolowego elipsoidy na
sferê (Abdulhadi 2003) (rys. 6)
 a 2 (1 − e 2 )  sin B
1  1 + e sin B   
ln 
ϕ ( B ) = arcsin 
+
   , λ = L.

2
2
2R2
1 − e sin B 2e  1 − e sin B   

elipsoida
odwzorowanie równopolowe
kula
N
N
ϕ=ϕ(B)
λ=λ(L)
( ϕ,λ)
(B ,L)
ϕ
B
∆λ=l
l
L0
S
(8)
λ0
B=0
ϕ= 0
S
Rys. 6
Wybrane metody obliczania pól powierzchni wieloboków geodezyjnych na elipsoidzie
45
Promieñ sfery R dobieramy w taki sposób,
aby równole¿nik BS przechodz¹cy przez œrodek
wieloboku geodezyjnego odwzorowa³ siê izometrycznie (rys.7). Wartoœæ tego promienia wyznaczamy z zale¿noœci
Bs
Rys. 7
(R )
2 2
2
2 
sin BS
1
1  1 + e sin BS  
− ( N cos BS ) R − a 4 (1 − e2 ) 
+ ln 
  = 0 (9)
2
2
4
2
1
sin
−
e
e
B
1
sin
e
B
−
S


S

2
2
2
Wielobok geodezyjny elipsoidalny zastêpujemy wielobokiem geodezyjnym sferycznym, a
nastêpnie wyznaczamy k¹ty wierzcho³kowe w tym wieloboku ai i=1,2,3...n, gdzie n oznacza liczbê wierzcho³ków. Pole wieloboku sferycznego liczymy na podstawie nastêpuj¹cego
wzoru
(10)
 n

P =  ∑αi − π (n − 2 )  R 2
 i =1

Obliczanie pól powierzchni wieloboków elipsoidalnych
z wykorzystaniem odwzorowania równopolowego
elipsoidy na p³aszczyznê
Podstaw¹ tej metody jest zastosowanie równopolowego odwzorowania elipsoidy na p³aszczyznê (rys. 8)
odwzorowanie równopolowe
elipsoida
p³aszczyzna
N
X=X(B,L)
Y=Y(B,L)
(B ,L )
B
X
(X ,Y )
l
Y
L0
S
B=0
Rys.8
Jerzy Balcerzak, Pawe³ Pêdzich
46
Mo¿emy tu zastosowaæ proste równopolowe odwzorowanie sto¿kowe o postaci
Y = ρ ( B ) sin (c ( L − L0 ))
(11)
X = ρ ( B ) cos (c ( L − L0 ))
Z warunku równopolowoœci dP’=dP otrzymujemy równanie ró¿niczkowe
dρ
= MN cos B
dB
po rozwi¹zaniu którego otrzymujemy
(12)
−c ρ
ρ=
2C 2
− S (B)
c c
(13)
gdzie
B
S ( B ) = ∫ MN cos tdt
(14)
0
Rozwi¹zanie ca³ki (14) ma postaæ
a 2. (1 − e 2 )  sin B
1 1 + e sin B 
+ ln
S (B) =


2
2
2
 1 − e sin B 2e 1 − e sin B 
(15)
Sta³e C i c w (13) wyznaczamy z warunku, aby dwa równole¿niki o znanej szerokoœci geodezyjnej B1 i B2 przechodz¹ce
przez dany wielobok geodezyjny
odwzorowa³y siê izometrycznie
(rys.9).
B2
B1
Rys. 9
Warunek ten zapisujemy w postaci
µ L ( B1 ) = µ L ( B2 ) = 1 ⇒
c ρ ( B1 )
c ρ ( B2 )
=
=1
N ( B1 ) cos B1 N ( B2 ) cos B2
(16)
Z powy¿szych równañ otrzymujemy poszukiwane sta³e
c=
C=
2
2
2
2
1 N ( B2 ) cos B2 − N ( B1 ) cos B1
2
S ( B1 ) − S ( B2 )
2
2
1 N ( B2 ) cos B2
+ S ( B2 )
2
c
(17)
Wybrane metody obliczania pól powierzchni wieloboków geodezyjnych na elipsoidzie
47
Poniewa¿ odwzorowanie jest równopolowe oraz redukcje odwzorowawcze pól na ograniczaj¹cych bokach s¹ ma³e mo¿emy przyj¹æ, ¿e pole wieloboku geodezyjnego elipsoidalnego jest równe polu jego obrazu i obliczyæ je na podstawie ogólnego wzoru
1
(18)
(( x1 − x2 )( y1 + y2 ) + ( x2 − x3 )( y2 + y3 ) + ... + ( xn − x1 )( yn + y1 ))
2
Je¿eli redukcje odwzorowawcze pól na bokach wieloboku nie s¹ zaniedbywalne, musimy
dodatkowo obliczyæ ich wartoœci stosuj¹c odpowiedni¹ procedurê korekcyjn¹.
P=
Redukcje pól wynikaj¹ce z krzywoliniowego obrazu
linii geodezyjnej w odwzorowaniu kartograficznym
W dowolnym odwzorowaniu kartograficznym elipsoidy obrotowej sp³aszczonej o równaniu
(19)
w p³aszczyznê obrazu o równaniu
(20)
Elementarne pole ∆P na elipsoidzie wi¹¿e siê z elementarnym polem ∆P’ w odwzorowaniu kartograficznym zale¿noœci¹
∆P =
∆P '
p
(21)
gdzie
H'
– elementarna skala zniekszta³ceñ pól,
H
H’, H – wyró¿niki pierwszej formy kwadratowej powierzchni obrazu i orygina³u.
p=
Redukcja odwzorowawcza pola ∆’F (rys. 10) zawartego pomiêdzy obrazem linii geodezyjnej w odwzorowaniu kartograficznym a ciêciw¹ na p³aszczyŸnie odwzorowania wyra¿a
siê aproksymacyjnym wzorem
∆s "  δ − 0.5sin 2δ 
(22)


4 
sin 2 δ

gdzie ∆s” – d³ugoœæ ciêciwy P1’ P2’ oraz d = 0,5(δ12+δ21) jest œredni¹ wartoœci¹ k¹tów
redukcyjnych na koñcach odcinka.
∆'F =
Jerzy Balcerzak, Pawe³ Pêdzich
48
r’Β
x
N
d r’ ∆s'
r’B d L
∆s”
Α”1
Α'1
δ12
∆L = L2 -L1
A2
∆s
d r’ Α”2
Α'2
dL
b
P 2 (B 2 L 2 )
δ21
P '2
A1
a
P 1 (B 1 L 1 )
P 1'
L=L 2
L=L 1
y
Rys. 10
Wyznaczanie wartoœci δi k¹tów redukcyjnych wynika z nastêpuj¹cego rozumowania.
Maj¹c dane wspó³rzêdne elipsoidalne wierzcho³ków wieloboku geodezyjnego obliczamy azymuty jego boków. Odpowiedniki topologiczne azymutów A1,A2 (rys. 10) obliczamy z definicji
(23)
r
gdzie dr ′ = rrB′ dB + rrL′
dL
dL
tzn. z wzorów
r
r
 r dr ′

 r dr ′

′
′
sgn
×
∆
×
r
L
r
 B dL

 B dL sgn ( −∆L ) 


tan A1′ = 
, tan A2′ = 
r
r
r dr ′
r dr ′




′
′
r
r
⋅
⋅
B
B

 B = B1

 B = B2
dL
dL




L = L1
(24)
L = L2
i analogicznie ich odpowiedniki redukcyjne w p³aszczyŸnie obrazu z wzorów
r
r
r
r
∆ s ′′ sgn ∆L 
 rB′ ×V
 rB′ ×V
∆ s ′′ sgn ( −∆L ) 
, tan A1′′ = 
tan A1′′ = 
r r

r r

′
′′
B = B1
∆
⋅
V
r
s
rB′ ⋅V
B = B2
∆ s ′′
B




L=L
1
(25)
L = L2
Przy czym ∆s” – wektor ciêciwy obrazu linii geodezyjnej ∆s’.
dB
obliczamy z wzoru (Balcerzak, Panasiuk, Pokrowska, 1995).
dL
dB H cot A − F MN cos B cot A N cos B cot A
=
=
=
dL
E
M2
M
Pochodn¹
(26)
Wybrane metody obliczania pól powierzchni wieloboków geodezyjnych na elipsoidzie
49
K¹ty redukcyjne δ12 oraz δ21 obliczamy jako ró¿nicê odpowiedników redukcyjnych i
obrazowych odpowiednich azymutów
δ 12 = A1′′ − A1′ oraz δ 21 = A2′′ − A2′ .
(27)
Podsumowanie
W artykule przedstawiono teoretyczne podstawy obliczania pól wieloboków geodezyjnych na elipsoidzie. Zaproponowano cztery metody obliczania pól wieloboków elipsoidalnych. Pierwsza metoda polega na przybli¿aniu pola wieloboku za pomoc¹ po³udnikoworównole¿nikowych trapezów elipsoidalnych, w drugiej metodzie wielobok przybli¿a siê elementarnymi trójk¹tami sferycznymi, trzecia bazuje na odwzorowaniu równopolowym elipsoidy na kulê, w czwartej natomiast wykorzystano odwzorowanie równopolowe elipsoidy w
p³aszczyznê. Pokazano tak¿e redukcje pól zawartych pomiêdzy krzywoliniowym obrazem
linii geodezyjnej a jego ciêciw¹ w dowolnym odwzorowaniu kartograficznym. Przedstawione metody s¹ alternatywnymi pozwalaj¹cymi na porównanie i kontrolê wartoœci pól obliczanych wieloboków. Obliczenia pól w p³aszczyŸnie odwzorowania, nawet jeœli uwzglêdniamy
redukcje odwzorowawcze, powinny by¿ zawsze kontrolowane innymi niezale¿nymi metodami. Oprócz wartoœci poznawczej problematyka tego typu pojawia siê w przypadkach
koniecznoœci obliczania powierzchni kraju, województw, powiatów i gmin oraz wzajemnego
wrównania powstaj¹cych niezgodnoœci. Prace tego typu okresowo s¹ realizowane przez
G³ówny Urz¹d Geodezji i Kartografii.
Literatura
Abdulhadi, A., 2003: Podstawy teoretyczne konstruowania siatek kartograficznych powierzchni elipsoidy
w po³o¿eniach ukoœnych, rozprawa doktorska, Politechnika Warszawska.
Balcerzak J., Gdowski B., Panasiuk J., 1995: Obliczanie pól wieloboków geodezyjnych po³o¿onych na
powierzchni elipsoidy obrotowej, Geodezja i Kartografia t. XLIV.
Balcerzak J., Panasiuk J., Pokrowska U., 1995: Wybrane zagadnienia z podstaw teorii odwzorowañ kartograficznych, Oficyna Wydawnicza PW, Warszawa.
König R., Weise K., 1951: Mathematische grundlagen der höheren geodäsie und kartographie, Berlin.
Summary
In the paper theoretical bases of area calculation of geodetic polygons on an ellipsoid are presented.
Several methods are described. The first one is based on approximation of a polygon by elementary
trapezoids delineated by parallels and meridians. The second method uses approximation of an ellipsoidal polygon by elementary spherical triangles. In the third method an equal-area projection of ellipsoid
onto sphere is employed. The forth method uses an equal-area projection of ellipsoid onto plane. In the
fifth method reduction of area located between curved image of geodetic line and its chord is presented.
The methods described provide competitive and more general solutions than those presented in
literature which are applicable only to small ellipsoidal areas.
dr hab. in¿. Jerzy Balcerzak
[email protected]
tel. (022) 660 55 90
dr in¿. Pawe³ Pêdzich
[email protected]
tel. (022) 660 55 90
INFORMACJI
PRZESTRZENNEJ
CzarnocinGISPOLSKIE
– narzêdzieTOWARZYSTWO
wspomagania decyzji
dla spo³ecznego
obszaru chronionego...
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
51
CZARNOCINGIS – NARZÊDZIE WSPOMAGANIA
DECYZJI DLA SPO£ECZNEGO OBSZARU
CHRONIONEGO PARK NATURY
ZALEWU SZCZECIÑSKIEGO
CZARNOCINGIS – DECISION SUPORT TOOL FOR PUBLIC
PROTECT AREA OF THE ODRA DELTA NATURE PARK
Rafa³ Benedyczak, Igor Szakowski
Zak³ad Teledetekcji i Kartografii Morskiej, Instytut Nauk o Morzu, Wydzia³ Nauk Przyrodniczych
Uniwersytet Szczeciñski
S³owa kluczowe: GIS, aktywna ochrona przyrody, Natura 2000
Keyword: GIS, active nature conservation, Natura 2000
Wstêp
W roku 1996 stowarzyszenie pozarz¹dowe Europejska Unia Ochrony Wybrze¿a – Polska
(dzisiaj Stowarzyszenie na Rzecz Wybrze¿a) wraz z Holenderskim stowarzyszeniem Natuurmonumneten oraz Europejsk¹ Fundacj¹ ECONET Action Fund rozpoczê³o starania o zakup
cennych przyrodniczo obszarów nad Zalewem Szczeciñskim. W efekcie tych dzia³añ w
roku 2001 w³asnoœci¹ Stowarzyszenia na Rzecz Wybrze¿a sta³o siê oko³o 1000 ha terenów
wodno-b³otnych, w wiêkszoœci obszarów u¿ytkowanych poprzednio przez Pañstwowe Gospodarstwa Rolne. Wraz z przemianami gospodarczymi w kraju Pañstwowe Gospodarstwa Rolne „upad³y” i zaprzestano gospodarowania na tych terenach. Doprowadzi³o to do
ekspansji trzciny, utworzenia monokulturowych jej siedlisk i w efekcie do zubo¿enia flory i
w rezultacie fauny, a szczególnie awifauny tego obszaru. W celu odnowy bioró¿norodnoœci
przyrodniczej podjêto dzia³ania wprowadzaj¹ce zabiegi aktywnej ochrony przyrody (Rabski i
in., 2003). W roku 2005, moc¹ porozumienia 19 instytucji, na tym obszarze ustanowiono
pierwszy w kraju spo³eczny obszar chroniony – Park Natury Zalewu Szczeciñskiego. Park
Natury zajmuje obszar blisko 4000 ha, w tym 2500 ha to obszar morskich wód wewnêtrznych Zalewu Szczeciñskiego, a 1500 ha to obszary l¹dowe (rys. 1). Aby panowaæ nad tak
ogromnym obszarem i wielorakoœci¹ zadañ, zaistnia³a potrzeba stworzenia wizji planu dzia³añ – za³o¿eñ dla planu zarz¹dzania tym obszarem. Od samego pocz¹tku jako jedno z narzêdzi
wspomagaj¹cych tworzenie planu zarz¹dzania, a póŸniej jego realizacjê promowany by³ system informacji geograficznej. Do systemu do dnia dzisiejszego wprowadzono informacje
dotycz¹ce oko³o 1000 ha Parku Natury. System GIS jest konsekwentnie rozwijany i planowane jest objêcie jego dzia³aniem ca³oœci obszaru chronionego.
52
Rafa³ Benedyczak, Igor Szakowski
Ewolucja i zastosowania systemu GIS dla Czarnocina
Pierwsze dwa lata wykorzystania GIS przy planowaniu ochrony obszaru posiadanego
przez Stowarzyszenie to g³ównie tworzenie map tematycznych dotycz¹cych przysz³ego zagospodarowania terenu oraz planowanych zabiegów na poszczególnych dzia³kach – wizualizacje za³o¿eñ ekspertów. Pierwotnie system oparto o oprogramowanie ArcView 3.3. Na
podstawie precyzyjnych pomiarów GPS do systemu wprowadzona zosta³a topograficzna
mapa rastrowa obszaru w skali 1: 10 000 (arkusze 331.134 Skoszewo i 331.312 Czarnocin).
Na jej tle powstawa³y warstwy wektorowe opisuj¹ce rodzaj prac dla ka¿dej powierzchni oraz
terminy wykonania. W koñcowym efekcie w dokumencie prezentuj¹cym za³o¿enia planu
ochrony – zarz¹dzania „Czarnocin Basin – Nature Vision” znalaz³a siê finalna mapa ukazuj¹ca
ca³y obszar z zaplanowanymi zabiegami aktywnej ochrony przyrody.
Kolejny etap rozwoju systemu GIS dla Czarnocina to rozpoczêcie zbierania danych archiwalnych i aktualnych dotycz¹cych posiadanego obszaru. Dziêki wykorzystaniu bogatego
zbioru materia³ów kartograficznych i teledetekcyjnych Zak³adu Teledetekcji i Kartografii
Morskiej Uniwersytetu Szczeciñskiego uda³o siê opracowaæ analizê zmian zagospodarowania tego terenu w latach 1936–1996. Analizê oparto na trzech seriach zdjêæ lotniczych z lat
1936, 1978 i 1996. Jako metodê klasyfikacji zastosowano wizualn¹ interpretacjê treœci zawartych na zdjêciach lotniczych, na podstawie której, wydzielono 7 klas zagospodarowania
terenu (Cio³kosz, 1999):
m grunty orne
m ³¹ki podmok³e
m ³¹ki suche
m las
m bagna trudne do przejœcia
m bagna mo¿liwe do przejœcia
m tereny antropogeniczne
Koñcowym efektem s¹ mapy u¿ytkowania terenu dla lat 1936, 1978 i 1996. W programie
ArcView na mapy przedstawiaj¹ce stan zagospodarowania w latach 1936, 1978 i 1996 na³o¿ono siatkê zbudowan¹ z 981 pól podstawowych o wymiarach 100 m x 100 m. Na podstawie siatki i map zagospodarowania okreœlono procentow¹ iloœæ zmian zagospodarowania
terenu w ka¿dym polu podstawowym. Aby mo¿na by³o tego dokonaæ po³¹czono w programie warstwê siatki pól podstawowych z warstw¹ u¿ytkowania terenu. W ten sposób ka¿de
pole podstawowe uzyska³o wynik, w jakim stopniu jest zajête przez dan¹ formê zagospodarowania. Do ka¿dego pola jednostkowego do³¹czona jest informacja obejmuj¹ca powierzchniê danej formy zagospodarowania i jej udzia³ procentowy w tym polu. W ten sposób wyró¿niono piêæ równych przedzia³ów charakteryzuj¹cych stopieñ zmian wyra¿onych w procentach. Dla tych przedzia³ów stworzono mapy zmian u¿ytkowania terenu, które zasz³y miedzy
latami 1936–1978 i 1978–1996 r., obrazuj¹ce natê¿enie oraz przestrzenne rozmieszczenie
zmian (rys. 2).
Po dokonaniu analiz zmian u¿ytkowania w przesz³oœci system rozbudowano tak, aby
móg³ byæ u¿ytkowany w codziennym zarz¹dzaniu tym obszarem. W tym celu uzupe³niono
go danymi wektorowymi i atrybutowymi. Wprowadzono informacje dotycz¹ce podzia³u
ewidencyjnego, linii brzegowej, sieci drogowej, sieci melioracyjnej, ukszta³towania terenu
oraz infrastruktury technicznej. Rozpoczêto tak¿e zbieranie danych monitoringowych fauny,
CzarnocinGIS – narzêdzie wspomagania decyzji dla spo³ecznego obszaru chronionego...
53
awifauny i flory tego obszaru. Dane te sukcesywnie wprowadzane s¹ do systemu. Równie¿
prowadzone zabiegi aktywnej ochrony, takie jak zgryzanie i koszenie, znalaz³y swoje odwzorowanie w postaci warstw tematycznych (rys. 3). Dodatkowo za³o¿ono bazê danych zwierz¹t zgryzaj¹cych: Koników Polskich, krów rasy Limousin oraz Scotish Higland, w której
umieszczono informacjê na temat ka¿dego zwierzêcia.
W roku 2004 Polska sta³a siê krajem cz³onkowskim Unii Europejskiej i zobowi¹za³a siê do
przyst¹pienia do Europejskiego Programu Sieci Obszarów Chronionych Natura 2000. W
jego za³o¿eniach przewidywane jest planowanie i zarz¹dzanie obszarami nale¿¹cymi do sieci
z pomoc¹ narzêdzi geoinformatycznych (Petit-Uzac, 2004). Obecnie w Polsce trwaj¹ prace
nad wdro¿eniem tego typu narzêdzi na pilota¿owych obszarach Natura 2000. Omawiane w
artykule obszary tak¿e znalaz³y siê w sieci Natura 2000 w dwóch kategoriach: Obszary
Specjalnej Ochrony Ptasiej – Zalew Szczeciñski oraz Obszary Ochrony Siedliskowej – £¹ki
Skoszewskie. W zwi¹zku z tym tworzony system GIS dostosowano do wytycznych zawartych w materia³ach Ÿród³owych programu Natura 2000. Poniewa¿ wci¹¿ trwaj¹ prace nad
polskim modelem danych dla systemów GIS wspieraj¹cych zarz¹dzanie w obszarach Natura
2000 system GIS dla Parku Natury Zalewu Szczeciñskiego jest ci¹gle uaktualniany.
Wst¹pienie Polski do Unii Europejskiej to na szczêœcie nie tylko obowi¹zki ale i prawa.
Otworzy³o ono liczne mo¿liwoœci pozyskiwania funduszy na ochronê przyrody. W wiêkszoœci przypadków wi¹¿e siê to z wype³nianiem niezliczonej iloœci formularzy, tabel i za³¹czników graficznych. Du¿a czêœæ donatorów oczekuje szczegó³owo zaplanowanych dzia³añ
ochrony przyrody, z podaniem wnikliwych kalkulacji finansowych opartych o pomiary powierzchni, d³ugoœci i iloœci. System GIS dla Parku Natury okaza³ siê bardzo pomocny w
sk³adaniu aplikacji do: Funduszu Life, Prinz Bernard Fund, Econet Action Fund, Global Environmental Fund. Pomoc systemu GIS przy tworzeniu wysokiej klasy za³¹czników graficznych z wizualizacj¹ zak³adanych zadañ, przyczyni³a siê tak¿e do pozytywnie rozpatrzonych
wniosków z³o¿onych do polskich funduszy, takich jak: EKOFUNDUSZ, Narodowy Fundusz
Ochrony Œrodowiska oraz Wojewódzki Fundusz Ochrony Œrodowiska i Gospodarki Wodnej
woj. zachodniopomorskiego.
Dobrym przyk³adem mo¿liwoœci wykorzystania omawianego systemu przy wype³nianiu
wniosków s¹ starania Stowarzyszenia na Rzecz Wybrze¿a o dop³aty bezpoœrednie i rolnoœrodowiskowe z Agencji Restrukturyzacji i Modernizacji Rolnictwa – ju¿ 3 wnioski Stowarzyszenia zosta³y rozpatrzone pozytywnie. Ju¿ trzykrotnie system GIS z sukcesem wspiera³
stowarzyszenie w wype³nianiu wniosków. Szczególn¹ rol¹ systemu jest obliczanie powierzchni
obszarów skoszonych i zgryzanych oraz przewidywanie wielkoœci tych obszarów na rok
nastêpny. W po³¹czeniu z pomiarami terenowymi GPS daje on praktycznie bezb³êdne wyniki.
Dowodem na to jest tylko 2% b³¹d powierzchni pope³niony we wniosku na rok 2004 i
bezb³êdne okreœlenie powierzchni w latach 2005 i 2006.
System GIS dla Parku Natury spe³nia swoje zadania równie¿ w wypadku zadañ poza
przyrodniczych. Administrowanie tak du¿ym terenem, ci¹gle rozszerzanym o nowe dzia³ki,
wymaga sta³ej kontroli posiadanego area³u oraz wytyczanie granic dzia³ek objêtych okreœlonymi dzia³aniami. Wa¿nym momentem dla obszarów chronionych by³ rok 2005, kiedy to 19
partnerów podpisa³o porozumienie w sprawie powo³ania do ¿ycia Parku Natury Zalewu
Szczeciñskiego. Potrzebny opis granic geodezyjnych powsta³ dla tego przedsiêwziêcia z
pomoc¹ systemu GIS, gdzie wprowadzono informacje na temat ewidencji gruntów.
Poniewa¿ wci¹¿ zmieniaj¹ siê sposoby aktywnej ochrony przyrody na terenie Parku Natury Zalewu Szczeciñskiego zmienia siê tak¿e system GIS. Wprowadzane s¹ nowe informa-
54
Rafa³ Benedyczak, Igor Szakowski
cje i realizowane s¹ nowe pomys³y na analizy pomagaj¹ce w zarz¹dzaniu tym obszarem.
Wszystkie one wskazuj¹, ¿e kluczow¹ spraw¹ w odzyskaniu pe³nej bioró¿norodnoœci jest
kontrola stosunków wodnych w tym obszarze. W celu usprawnienia sieci kana³ów melioracyjnych podjêto prace zwi¹zane z jej rewitalizacj¹ i unowoczeœnieniem. Jednoczeœnie podjêto
starania o wprowadzenie sta³ego monitoringu hydrologicznego, którego rezultaty ma przechowywaæ i analizowaæ system GIS. Aby dla obszaru Parku Natury wykonaæ model hydrologiczny wraz z kierunkiem przep³ywów, rozpoczêto prace nad stworzeniem trójwymiarowego modelu terenu. Prace te zwi¹zane s¹ tak¿e z zamiarem wprowadzenia dwóch wiatraków wspomagaj¹cych nawadnianie oraz osuszanie terenu. Za³o¿ono, ¿e za pomoc¹ systemu
GIS zasilanego danymi z pomiarów GPS œledzone bêd¹ rezultaty podjêtych dzia³añ.
Podsumowanie
Prowadzenie efektywnego systemu GIS dla obszarów chronionych w Polsce nie jest
jeszcze zbyt popularne. Czêœciowo wynika to z pewnego opóŸnienia technologicznego oraz
legislacyjnego, a czêœciowo z braku funduszy. Tworzenie samego systemu nie jest rzecz¹
tani¹ i wymaga d³ugoterminowych planów rozwoju, czego brak w naszym kraju. Popularnoœæ narzêdzi geoinformatycznych wspomagaj¹cych zarz¹dzanie jest ma³a, pomimo wykazania ich utylitarnych i badawczych zastosowañ w Parkach Narodowych, np. Woliñski Park
Narodowy. Równie¿ administracja rz¹dowa i samorz¹dowa nie spieszy siê z wdro¿eniem
GIS. Niestety powszechne jest tworzenie map monitoringowych i map do planów ochrony
za pomoc¹ kredek, o³ówka i gumki. Nieliczne stowarzyszenia pozarz¹dowe, próbuj¹ promowaæ u¿ycie GIS dla celów ochrony przyrody, ale ich dzia³anie s¹ czêsto nieefektywne. System Czarnocin GIS powsta³ w wyniku potrzeby szybszego ni¿ tradycyjnie przetwarzania
danych, bezpiecznego przechowywania danych oraz szybkiego do nich dostêpu. Jak siê
predko przekonaliœmy korzystanie z tego systemu nie ogranicza siê do jednego zadania, ale
jest ich wiele i liczba ich stale roœnie. Jak powiedzia³ pewien znany szef du¿ej firmy z bran¿y:
GIS ma wiele zastosowañ ograniczonych jedynie ludzk¹ wyobraŸni¹. Tworzenie funkcjonalnego systemu GIS to droga us³ana przeszkodami, pu³apkami i pora¿kami. Nagrod¹ za to s¹
wykonane analizy pomagaj¹ce wdro¿yæ w ¿ycie odpowiednie decyzje. System GIS dla Parku Natury Zalewu Szczeciñskiego, choæ wci¹¿ jest w fazie budowania, ju¿ pokaza³ swoj¹
przydatnoœæ. W wiêkszoœci wypadków by³a ona przewidziana, ale w kilku sytuacjach okaza³a siê potrzeb¹ chwili. Zbieranie i integrowanie tak du¿ej iloœci danych i rozs¹dne ich wykorzystanie w analizach owocuje kolejnymi odzyskanymi lub lepiej rozwijaj¹cymi siê gatunkami. Wiedza o zmiennoœci siedlisk, preferencjach pokarmowych „zgryzaczy”, skutkach przeprowadzonych koszeñ i nawodnieñ pozwala przewidzieæ zmiany w przysz³oœci i przez odpowiednie decyzje unikn¹æ ich lub je wzmocniæ. Systemu GIS nie da siê zbudowaæ teoretycznie, modelowo. Dopiero prawdziwa konfrontacja przy tworzeniu i u¿ywaniu systemu GIS
na ¿ywo i na co dzieñ stwarza szansê zaprzyjaŸnienia siê z nim i przekonuje do jego wykorzystania przy nastêpnych projektach.
CzarnocinGIS – narzêdzie wspomagania decyzji dla spo³ecznego obszaru chronionego...
55
Literatura
Cio³kosz A., Miszalski J., Olêdzki R., 1999: Interpretacja zdjêæ lotniczych. PWN, Warszawa.
Iddle E., Bines T., 2004: Planowanie ochrony obszarów cennych przyrodniczo, Klub Przyrodników.
Michelot J.-L., Chiffaut A., 2005: Implementation of Natura 2000: Experience of the French Nature Reserve,
Atelier Techniques des Espaces Naturels.
Model danych dla obszarów Natura 2000, 2005: Materia³y robocze, Ministerstwo Œrodowiska.
Rabski K., Kalisiñska E., Kalisiñski M., Feiko P., Piek H., 2003: Czarnocin Basin – Nature Vision, Natuurmonumenten, s’Graveland.
Petit-Uzac V., adaptacja do warunków polskich Pawlaczyk P., 2004: Planowanie ochrony obszarów Natura
2000, Przewodnik Metodyczny, Ministerstwo Œrodowiska.
Szakowski I., 2004: Management guidlines for Czarnocin Basin Reserve, Darvin Initiative Eurosite 20012004, Eurosite, Tilburg.
Summary
The nature is a great system and all its parts are strictly connected with each other. When we want to
provide adequate protection, we have to gather all possible information about required habitat for
species we want to preserve. There are many components that can influence habitat (hydrological,
climatological, soil, human activity and other elements of that great and complicated nature organism).
Geographic Information System GIS is a perfect tool for gathering, processing and analyzing all kind
of information. GIS has enormous capabilities because it allows to analyze every element separately
and all of them together.
mgr Rafa³ Benedyczak
[email protected]
mgr Igor Szakowski
[email protected]
tel. (091) 444 15 97
56
Rafa³ Benedyczak, Igor Szakowski
Rys. 1. Foptomapa (czarno-bia³a) i zdjêcie lotnicze obszaru Parku Natury Zalewu Szczeciñskiego
Rys. 2. Wyniki analiz zmian zagospodarowania w latach 1936–1996
CzarnocinGIS – narzêdzie wspomagania decyzji dla spo³ecznego obszaru chronionego...
Rys. 3. Wyniki monitoringu przeniesione w systemach GIS: A – monitoring awifauny,
B – monitoring botaniczny, C – monitoring zabiegów ochrony, D – monitoring hydrologiczny
57
POLSKIE
TOWARZYSTWO
PRZESTRZENNEJ
Wykrywanie
budynków
na podstawie INFORMACJI
lotniczego skanowania
laserowego
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
57
WYKRYWANIE BUDYNKÓW NA PODSTAWIE
LOTNICZEGO SKANOWANIA LASEROWEGO1
DETECTION OF BUILDINGS BASED
ON AIRBORNE LASER SCANNING DATA
Ma³gorzata Bucior1, Natalia Borowiec1, Ireneusz Jêdrychowski2,
Krystian Pyka1
Zak³ad Fotogrametrii i Informatyki Teledetekcyjnej, Akademia Górniczo-Hutnicza
2
Instytut Geografii i Gospodarki Przestrzennej, Uniwersytet Jagielloñski
1
S³owa kluczowe: laser, skanowanie, wykrywanie budynków, modelowanie budynków
Keywords: laser, scanning, building detection, building modeling
Wprowadzenie
Lotniczy skanowanie laserowe jest jedn¹ z najszybciej rozwijaj¹cych siê technik zdalnego
pozyskiwania danych. Z punktu widzenia klasyfikacji teledetekcyjnych metod zbierania informacji o œrodowisku jest to technika aktywna – wysy³ane i odbierane s¹ impulsy œwiat³a
laserowego, ale wynikiem nie jest obraz a zbiór wspó³rzêdnych XYZ wszystkich tych punktów, które odbi³y padaj¹ce œwiat³o. W literaturze technika ta jest czêsto okreœlana akronimem
LIDAR (ang. Light Detection And Ranging). Nale¿y jednak zauwa¿yæ, ¿e jest to pewne
uproszczenie, ten sam akronim oznacza bowiem tak¿e metodê lub urz¹dzenie do sondowania
atmosfery w celu wykrywania i badania zanieczyszczeñ (Dworak, 1990). Lidary atmosferyczne sondujê atmosferê (najczêœciej ze stanowisk naziemnych) w okreœlonym kierunku,
nie wystêpuje w nich element skanowania. W niniejszym artykule jako skrótowe okreœlenie
lotniczego skanowania laserowego bêdzie u¿ywany akronim ALS (ang. Airborne Laser Scanning) (Baltsavias, 1999a,b).
Wynikiem skanowania laserowego jest zbiór punktów o znanych wspó³rzêdnych XYZ
nazywany obrazowo „chmur¹ punktów”. Zbiór ten wymaga podzia³u na podzbiory odpowiadaj¹ce ró¿nym klasom obiektów, a celem koñcowym jest modelowanie okreœlonych obiektów. Typowym zadaniem jest wyselekcjonowanie punktów, które le¿¹ na powierzchni terenu, a w konsekwencji tworzenie numerycznego modelu terenu (ang. DTM – Digital Terrain
Model). Do tego celu opracowano wiele algorytmów filtruj¹cych dane (Axelsson, 1999;
Borkowski, 2002; Sohn, Dowman, 2002; Hyyppä i in., 2002; Marmol, 2003; Borkowski,
2005; Marmol, 2005). Ale specyfika danych ALS predysponuje je przede wszystkim do
tworzenia numerycznego modelu pokrycia terenu (ang. DSM – Digital Surface Model).
1
Praca wykonana w ramach badañ statutowych AGH nr.11.11.150.459.
58
Ma³gorzata Bucior, Natalia Borowiec, Ireneusz Jêdrychowski, Krystian Pyka
Skanowanie laserowe jako technika pozyskiwania danych 3D znakomicie wpisuje siê w
tendencjê rozwoju GIS w kierunku tzw. 3D GIS, czyli takiego w którym geometria obiektów
jest z³o¿ona z elementów wyznaczonych przez zbiory wspó³rzêdnych XYZ (w tradycyjnym
GIS obiekty s¹ opisane przez zbiory XY, wspó³rzêdna Z jest wyznaczana poœrednio np. z
DTM, mo¿e te¿ byæ atrybutem obiektu). Spektakularnym przejawem tego kierunku rozwoju
GIS jest lawinowo rosn¹ca popularnoœæ trójwymiarowych modeli miast prezentowanych
tak¿e w Internecie. Póki co modelowane s¹ g³ównie budynki, czêsto na relatywnie wysokim
stopniu abstrakcji. ALS jest postrzegana jako technika pozyskiwania danych do tworzenia
modeli o du¿ej dok³adnoœci i szczegó³owoœci.
Potencja³ techniczny
lotniczego skanowania laserowego
Zasada dzia³ania lotniczego skanowania laserowego jest opisana w wielu publikacjach,
m.in. w (Kurczyñski 1999, 2006). Dlatego ograniczono siê do najistotniejszych informacji
oraz przedstawiono tendencje rozwojowe z ostatniego okresu.
System skanowania laserowego obejmuje segment pok³adowy i naziemny, na które sk³adaj¹ siê:
m segment pok³adowy:
– mechanizm skanuj¹cy z dalmierzem laserowym (sensor),
– odbiornik GPS do okreœlania pozycji i urz¹dzenie INS (Inertial Navigation System)
do okreœlania nachylenia sensora,
– blok rejestracji danych (dyski twarde o podwy¿szonej odpornoœci na wstrz¹sy),
m segment naziemny:
– naziemna stacja referencyjna GPS jako komponent umo¿liwiaj¹cy zastosowanie metody ró¿nicowej DGPS do wyznaczenia chwilowej pozycji sensora,
– robocza stacja do przetwarzania danych (korekcje b³êdów systematycznych, integracja pomiarów – wykonanych w szeregach – w bloki ).
Na pok³adzie statku powietrznego, obok sensora laserowego, zazwyczaj umieszczana
jest semi-fotogrametryczna kamera cyfrowa.
W ALS stosuje siê ró¿ne mechanizmy skanuj¹ce, powoduj¹ce „przeczesywanie obszarów ró¿nymi wzorcami”. Stosuje siê skanowanie w postaci linii uk³adaj¹cych siê w zygzak,
linii równoleg³ych w przybli¿eniu prostopad³ych do kierunku lotu, linii elipsoidalnych oraz
linii równoleg³ych wzajemnie i do kierunku lotu, co odpowiada wymienionym w tabeli 1
typom skanowania, w kolejnoœci: lustro oscyluj¹ce, lustro obrotowe, lustro wygiête, œwiat³owodowy. (Wehr, Lohr, 1999). Ka¿dy z czterech typów skanowania jest stale udoskonalany i znajduje porównywalne zastosowanie w praktyce. Przyk³ad zbioru punktów powsta³ego
w wyniku skanowania quasi-eliptycznego pokazany jest na rysunku 1.
Kolejne impulsy laserowe wysy³ane s¹ z relatywnie wysok¹ czêstotliwoœci¹ co powoduje, ¿e obszar skanowania jest opisany przez zbiór punktów X,Y,Z o œredniej wzajemnej odleg³oœci XY rzêdu decymetrów (w tabeli 1 podana jest gêstoœæ skanowania). Pomimo emisji
impulsów w równych odstêpach czasu, odleg³oœci miêdzy punktami nie s¹ jednakowe. Wynika to z przechy³ów statku powietrznego podczas skanowania, jak i nieregularnej pracy
21
(400 m
AGL)
<0,2/<0,1
27
(400 m
AGL)
–
0,19/0,07
0,12/0,06
0,0005xAGL
(800 m AGL) (200 m AGL) /0,15- 1200 m
AGL
–
zmienna;
max 70 Hz
33- 100
6 Hz 80 Hz
1064 nm
905 nm
4 cm lub
16 cm
(200 m AGL)
0,2 mrad
lub 0,8 mrad
0- 0,93 AGL
0 ± 25°
oscyluj¹ce
lustro
(Oscillating
mirror)
80/3500
10
54 cm
(200 m AGL)
2,7 mrad
1,00 AGL
60°
(80° – opcja)
lustro
obrotowe
(Rotating
polygon)
30/450
15
1
(200 m AGL) (200 m AGL)
5 Hz
- 160 Hz
50 (45°)
66 (60°)
1550 nm
0,5 mrad
0,83 AGL
(45°)
1,15 AGL
(60°)
45° lub 60°
lustro
obrotowe
(Rotating
polygon)
30/1500
Optech
S
0,00018xAGL
/0,05- 500 m
AGL
–
zmienna;
max 70 Hz
33- 100
1064 nm
6 cm lub
16 cm
(200 m AGL)
0,3 mrad
lub 0,8 mrad
0- 0,93 AGL
0 ± 25°
oscyluj¹ce
lustro
(Oscillating
mirror)
80/3500
S
S Рsamolot, H Рhelikopter AGL РwysokoϾ ponad terenem (Abov e G round Lev el).
165 Hz 415 Hz
14 cm
10 cm
(200 m AGL) (200 m AGL)
10 cm
(200 m AGL)
653 Hz
0,7 mrad
0,5 mrad
–
0,47 AGL
0,25 AGL
50- 125
27°
14°
83
œwiat³owodowy
(Fiber
switch)
œwiat³owodowy
(Fiber
switch)
1560 nm
30/2500
60/1600
H
TopoSys
0,08/0,05
37
(200 m AGL)
150 Hz
150
–
–
–
1,14 AGL
60°
lustro
obrotowe
(Rotating
polygon)
5/400
H
Fugro
–
25
(200 m AGL)
–
50
1550 nm
20 cm
(200 m AGL)
1 mrad
0- 0,73 AGL
14°- 20°
wygiête
lustro
(Nutating
mirror)
60/1000
S/H
Saab
Optech
TopoSys
S/H
TopoSys
S/H
TopoSys
-
ALTM 3100EA FLI- MAP 400 TopEye Mk II
±0,15- 0,75 /
±0,15- 0,50
–
0- 70 Hz
83
1064 nm
6,6 cm
(200 m AGL)
0,33 mrad
1,53 AGL
75°
(± 10- 37.5°)
oscyluj¹ce
lustro
(Oscillating
mirror)
- /4000
S/H
Leica
ALS50
± 0 , 10 - 0 , 6 5 /
±0,10- 0,24
–
90 Hz
150
1064 nm
4,4 cm
(200 m AGL)
0,22 mrad
1,53 AGL
75°
oscyluj¹ce
lustro
(Oscillating
mirror)
200/6000
S/H
Leica
ALS50- II
Tabe la. Ze s tawie nie pods tawowych parame trów te chnicznych najpopularnie js zych ALS
FALCON II FALCON III HARRIER 56 HARRIER 24 ALTM 3100
0,1/0,03
(800 m AGL)
H: 11
(200 m AGL);
7,5
(300 m AGL);
S : 3,7
(300 m AGL)
5- 160 Hz
50 (45°)
66 (60°)
1550 nm
10 cm
(200 m AGL)
0,5 mrad
0,83 AGL
(45°)
1,15 AGL
(60°)
± 22.5° (45°)
± 30° (60°)
lustro
obrotowe
(Rotating
polygon)
30/1800
S/H
IGI mbH
0,04/0,02
(200 m AGL)
2,2
(200 m AGL)
6- 80 Hz (60°)
5- 60 Hz (80°)
10
905 nm
60 cm
(200 m AGL)
3 mrad
1,15 AGL
(60°)
1,68 AGL
(80°)
± 30°(60°)
± 40°(80°)
lustro
obrotowe
(Rotating
polygon)
10/200
H
IGI mbH
dok³adnoœ æ
pozioma/
pionowa [m]
gê s toœ æ
(pkt/m2)
czê s totliwoœ æ
s kanowania
czê s totliwoœ æ
impuls u
[kHz]
d³ugoœ æ fali
te re nowy
wymiar
plamki
rozbie ¿noœ æ
wi¹zki
zas iê g
poprze czny
s kanowania
k ¹t
s kanowania
typ
s kane ra
min/max
wys okoœ æ [m]
platforma
produce nt
LITEMAPPER LITEMAPPER SYSTEM
5600
2400
Wykrywanie budynków na podstawie lotniczego skanowania laserowego
59
60
Ma³gorzata Bucior, Natalia Borowiec, Ireneusz Jêdrychowski, Krystian Pyka
samego mechanizmu skanowania.
Ponadto na rozk³ad punktów ma
wp³yw wychylenie kierunku impulsu od nadiru, a tak¿e rzeŸba terenu.
.W tabeli 1 zamieszczono specyfikacjê techniczn¹ systemów które
pojawi³y siê po 2000 r. Pokazano tak¿e systemy które dopiero wchodz¹ do
u¿ycia (np. Leica ALS50-II, Falcon
III). System HARRIER 56 stosuje
skaner Riegl LMS-Q560, a HARRIER
24 skaner Riegl LMS-Q240i, dlatego
w tabeli nie zamieszczono osobno
specyfikacji systemów Riegl-a. W tabelce nie zamieszczono te¿ danych dla
systemów ALMIS-350 oraz ALTMS4036 (Terrapoint) oraz produkowanych przez Laseroptronix z powodu
Rys. 1. Zbiór punktów powsta³y w wyniku skanowania
braku opublikowanej specyfikacji.
„eliptycznego” (rzut na p³aszczyznê poziom¹)
W stosunku do skanerów z drugiej po³owy lat 90. XX w. mo¿na
zauwa¿yæ wyraŸn¹ poprawê parametrów. Producenci zwiêkszaj¹ czêstotliwoœæ, zasiêg, dok³adnoœci. Standardem staje siê skanowanie z gêstoœci¹ kilkunastu pkt/m2. Tymczasem przy gêstoœci 1 pkt/m2 na powierzchniê
1 km2 przypada 1 mln punktów! Praktycznie wszystkie skanery wspó³pracuj¹ z cyfrowymi
kamerami fotograficznymi. Systemy Harrier, Falcon III opcjonalnie oraz LITEMAPPER 5600
umo¿liwiaj¹ analizê pe³nego pasma odbitej fali. Pozosta³e w wiêkszoœci wykrywaj¹ 4 odbicia,
z wyj¹tkiem LITEMAPPER 2400 i FALCON II, które ograniczaj¹ siê do pierwszego i ostatniego. Niektórzy producenci umo¿liwili zamontowanie swoich systemów na samolotach jak
i helikopterach. Wykonuj¹c nalot helikopterem uzyskuje siê wiêksz¹ gêstoœæ punktów wynikaj¹c¹ z mniejszej prêdkoœci statku powietrznego.
Przegl¹d stosowanych metod wykrywania
i modelowania budynków
Przez wykrywanie (ang. detection, extraction) budynków na podstawie danych ALS rozumie siê identyfikacjê punktów, które reprezentuj¹ odbicie impulsu od dachów budynków
co umo¿liwia okreœlenie obrysów budynków lub ich zwartych kompleksów ale bez szczegó³owej informacji dotycz¹cej atrybutów budynków (Cho i in., 2004). Jeœli obok obrysu budynku okreœlane s¹ kszta³t i rozmiary 3D, wówczas mówi siê o modelowaniu b¹dŸ rekonstrukcji budynków. Terminologia jednak nie jest ustabilizowana, niektórzy autorzy w pojêciu
ekstrakcja zawieraj¹ tak¿e modelowanie budynków, niektórzy zaœ uznaj¹, ¿e samo wskazanie
punktów nale¿¹cych do budynków jest ju¿ modelowaniem.
Wykrywanie budynków na podstawie lotniczego skanowania laserowego
61
Zagadnienie wykrycia a nastêpnie modelowania budynków jest z regu³y bardzo z³o¿one,
zw³aszcza w przypadku zabudowy zwartej i jednoczeœnie zró¿nicowanej wysokoœciowo.
Poszukuje siê zarówno metod pó³automatycznych, wspomaganych przez operatora, jak i
rozwi¹zañ w pe³ni automatycznych (Gruen, 1997; Paparoditis i in., 1998; Mayer, 1999;
Maas, Vosselman, 1999; Brenner, 2001; Baltsavias, 2004). Zdobyte doœwiadczenia zosta³y zaimplementowane w specjalistycznym oprogramowaniu, które oprócz generowania DTM lub DSM z chmury punktów pozwala na tworzenie modeli budynków (np.
TerraScan).
W latach 2002–2004 pod auspicjami EuroSDR (European Spatial Data Research – http:/
/83.138.131.106/eurosdr/2002/index.htm) zosta³ wykonany interesuj¹cy projekt polegaj¹cy
na porównaniu ró¿nych metod ekstrakcji budynków (Ahokas i in., 2005). W badaniach
wykorzystano identyczne dane dla wszystkich metod. Celem projektu by³a ocena jakoœci,
szybkoœci wykonania oraz aspektów ekonomicznych:
1. semi-automatycznej ekstrakcji budynków technikami fotogrametrycznymi,
2. semi-automatycznej i automatycznej ekstrakcji budynków z wykorzystaniem danych
ALS,
3. semi-automatycznej i automatycznej ekstrakcji budynków z wykorzystaniem zintegrowanych danych fotogrametrycznych i ALS.
Wyniki potwierdzi³y wczeœniejsze doniesienia o zaskakuj¹co wysokiej dok³adnoœci danych ALS, porównywalnej z dok³adnoœciami fotogrametrycznymi uzyskiwanymi z wielkoskalowych zdjêæ lotniczych. Ponadto stwierdzono, ¿e ³¹czenie techniki lidarowej i fotogrametrycznej skutkuje efektem synergicznym i taka fuzja najlepiej rokuje w aspekcie automatyzacji procesu wykrywania i modelowania obiektów. Wskazano tak¿e na walory metod kombinowanych z dodatkowym u¿yciem map katastralnych, technicznych, topograficznych, nie
wykluczaj¹c obrazów satelitarnych.
Metody wspomagania danych ALS o inne, niezale¿nie pozyskane informacje s¹ proponowane przez wielu autorów (Brenner, 2000; Vosselman, Dijkman, 2001; 2003; Sohn, Dowman, 2002). Ciekaw¹ metodê wykrywania budynków wspomagan¹ zdjêciami lotniczymi
zaproponowali (Schenk i in., 1999). Metoda ta ogranicza siê do okreœlenia obrysu budynku.
Inny autor (Ameri, 2000) proponuje segmentacjê na zdjêciu lotniczym, jak i na (pseudo)
rastrze DSM, a nastêpnie ³¹czy krawêdzie uzyskane w dwóch podejœciach w celu polepszenia ich geometrii. Podobna technika pó³automatycznej ekstrakcji zosta³a zaproponowana przez
Rottensteinera (2001).
Osobn¹ grupê stanowi¹ metody wykorzystuj¹ce g³ównie dane ALS (czasami wystêpuje
w nich element wspomagania innymi danymi jako tzw. post-processing). Co prawda wiadomo ju¿, ¿e najlepsze wyniki osi¹ga siê integruj¹c dane z ró¿nych Ÿróde³, tym niemniej tak
postawiony problem badawczy jest interesuj¹cy z poznawczego punktu widzenia i dlatego
jest rozwa¿any w dalszej czêœci niniejszej pracy. Metody oparte na danych ALS mo¿na podzieliæ na dwie podgrupy: wykorzystuj¹ce dane oryginalne oraz takie, które analizuj¹ dane
wtórne w postaci siatki regularnej.
Reprezentantem pierwszej podgrupy jest metoda konstruuj¹ca model pokrycia terenu
w postaci TIN (ang. Triangular Irregular Network); przed przyst¹pieniem do detekcji konieczna jest strukturyzacja danych, najczêœciej z wykorzystaniem triangulacji 2D Delaunay’a. (Morgan, Habit, 2001). Innym przyk³adem ekstrakcji budynków z oryginalnej chmury punktów jest metoda, polegaj¹ca na wyznaczeniu linii prostych w okreœlonym rzucie na
p³aszczyznê punktów pomiarowych (Schwalbe 2001). Ze wzglêdu na ró¿ne kszta³ty da-
62
Ma³gorzata Bucior, Natalia Borowiec, Ireneusz Jêdrychowski, Krystian Pyka
chów wymagania algorytmów detekcji s¹ zró¿nicowane. Niestety, nie wszystkie elementy
budynku mog¹ byæ wyznaczone, dlatego pomocny jest okreœlony model a priori (charakterystyczny dla wiêkszoœci budynków na badanym terenie).
Drugi nurt metodyczny analizuje dane przekszta³cone do postaci regularnej siatki (ang.
grid). Taka postaæ danych jest jednoczeœnie wad¹ i zalet¹. Wad¹ dlatego, ¿e nie korzysta siê
de facto z danych oryginalnych lecz z ich siatkowej reprezentacji. Natomiast zalet¹ tej reprezentacji jest mo¿liwoœæ prowadzenia analiz za pomoc¹ dobrze znanych operacji z zakresu
przetwarzania obrazów i GIS rastrowego. W literaturze opisano wiele sposobów detekcji
budynków, w których wykorzystano siatk¹ regularn¹ (Maas, 1999; Dash i in., 2004; Matikainen i in., 2003). Szczególnie nale¿y wyró¿niæ metodê opublikowan¹ przez (Rottensteiner,
Briese, 2003), w której wpierw automatycznie s¹ wykrywane rejony wystêpowania budynków, a nastêpnie wyznacza siê p³aszczyzny dachu przez segmentacjê uwzglêdniaj¹c¹ krzywizny (potem model jest ulepszany przy pomocy wszelkich dostêpnych informacji). Ekstrakcjê ró¿nych obiektów przez klasyfikacjê z wykorzystaniem analizy tekstury na zdjêciach
lotniczych zaproponowa³ Fuchs (1998).
Po wykonaniu prawid³owej klasyfikacji punktów mo¿na rozpocz¹æ geometryczne modelowanie obiektów 3D. Obecnie w modelowaniu mo¿na rozró¿niæ dwa podejœcia, które w
efekcie prowadz¹ do uzyskania dwóch ró¿nych modeli: modelu parametrycznego i modelu
nieparametrycznego (ogólny).
Model parametryczny oparty jest na uprzednim zdefiniowaniu cech charakterystycznych
budynku – parametrów geometrycznych (ang. top-down). Modele s¹ uzyskiwane przez minimalizacjê ró¿nicy miêdzy oczekiwanym a rzeczywistym modelem opisanym przez punkty
laserowe, a¿ do momentu osi¹gniêcia optymalnej zgodnoœci modeli (Maas, Vosselman, 1999).
Analizowane s¹ wartoœci parametrów, co umo¿liwia okreœlenie: po³o¿enia budynku, g³ównych k¹tów za³amania dachów, nachylenia p³aszczyzn dachów, wysokoœæ budynku oraz
jego powierzchniê. Takie rozwi¹zanie pozwala uzyskaæ model zgodny z rzeczywistym. Jednak metoda ta stosowana jest tylko dla budynków o regularnych kszta³tach, wystêpuj¹cych
na obszarach o rzadkiej zabudowie.
Metoda nieparametryczna (ang. bottom-up) oparta jest na analizie chmury punktów. Na
pocz¹tku wybiera siê obszary homogeniczne, a nastêpnie wyznacza siê p³aszczyzny dachu
wykorzystuj¹c segmentacjê uwzglêdniaj¹c¹ krzywizny. P³aszczyzny s¹ grupowane, okreœlany jest kszta³t krawêdzi dachu, a ca³y model jest ulepszany dziêki integracji wszelkich
dostêpnych informacji, w tym dotycz¹cych geometrii (Rottensteiner i Briese, 2003). Wysokoœæ budynku i po³o¿enie okreœlane jest na podstawie rozk³adu punktów terenowych.
Model ten jest bardziej elastyczny ni¿ model parametryczny. Korzysta siê w nim czêsto z
dodatkowych informacji pozyskanych np. z ortofotomapy lub fotogrametrycznego modelu stereoskopowego.
Eksperyment badawczy
Przeprowadzono eksperyment polegaj¹cy na wykryciu budynków za pomoc¹ dwóch
metod, z których jedna wykorzystuje do analizy dane oryginalne, a druga – dane przetworzone do siatki regularnej (Bucior, 2006).
Wykrywanie budynków na podstawie lotniczego skanowania laserowego
63
Metody bazuj¹ce na chmurze punktów s¹ z natury bardziej skomplikowane, dlatego wykorzystano specjalistyczny program TerraScan, jeden z modu³ów pakietu firmy TerraSolid
(Soininen, 2003). Rekomendacj¹ dla tego programu s¹ obiecuj¹ce rezultaty opisywane w
publikacjach (Crosilla i in., 2004; 2005), efektywnoœæ programu by³a tak¿e analizowana w
projekcie EuroSDR.
Druga z testowanych metod, okreœlana dalej jako analiza rastrowa (poprawniejsze jest
okreœlenie – pseudorastrowa), jest syntez¹ rozwi¹zañ opisanych w uprzednio cytowanej
literaturze, ma charakter analizy wieloczynnikowej, a ostateczny rezultat to wynik z³o¿enia
obrazów poœrednich. Wykonanie tych operacji pierwotnie zaplanowano w programie Idrisi,
a póŸniej uzupe³niono o program do specjalistycznej analizy tekstury.
Ekstrakcjê budynków przeprowadzono na danych udostêpnionych przez Biuro Planowania Przestrzennego Urzêdu Miasta Krakowa, dla potrzeb dydaktycznych i badawczych na Wydziale Geodezji Górniczej i In¿ynierii Œrodowiska AGH. Podstawowe parametry charakteryzuj¹ce wykonany w 2004 r. nalot nad fragmentem Krakowa s¹ nastêpuj¹ce:
m mechanizm skanuj¹cy TopEye Mk II, czêstotliwoœæ impulsu lasera 50 kHz,
m œrednia wysokoœæ lotu 530 m nad terenem, œrednia prêdkoœæ lotu 45 km/h,
m szerokoœæ pasa skanowania ok. 200 m – 9 pasów o pokryciu poprzecznym ok. 50 m,
m œrednia gêstoœæ rejestrowanych punktów 1,5 pkt/m2,
m rejestracja liczby odbiæ pojedynczego impulsu laserowego oraz intensywnoœci odbicia,
m zapis danych w uk³adzie UTM, format binarny.
Do badañ wybrano dwa obszary testowe, o powierzchni ok. 10 ha ka¿dy , nazwane
umownie jako ³atwy i trudny, dla których dysponowano zbiorem ok. 1 mln punktów z
ALS. Na obszarze ³atwym s¹ zlokalizowane bloki wielorodzinne, powtarzalne, z p³askimi
lub lekko nachylonymi dachami, wolnostoj¹ce wœród zieleni (typowe osiedle z lat 70.
ubieg³ego wieku). Natomiast obszar trudny to zabudowa podmiejska z prze³omu XIX i
XX wieku, póŸniej wielokrotnie przebudowywana; jest zwarta i zró¿nicowana wysokoœciowo.
Algorytm TerraScan
Proces detekcji budynków w programie TerraScan ma charakter etapowy, przy czym
mo¿na wyró¿niæ dwie g³ówne fazy: pierwsza to zgrubne wskazanie punktów nale¿¹cych do
budynków, a druga to poprawianie wstêpnej klasyfikacji. W ramach fazy pierwszej wpierw
identyfikuje siê punkty le¿¹ce na terenie stosuj¹c metod¹ aktywnego modelu TIN (a), potem
wyniesione ponad teren o za³o¿on¹ wielkoœæ (b), a nastêpnie le¿¹ce prawdopodobnie na
dachach budynków (c). Natomiast w drugiej fazie z uprzednio wyselekcjonowanego zbioru
punktów usuwa siê kolejno punkty mog¹ce le¿eæ na koronach drzew (d), potem tzw. punkty
odizolowane (e) oraz te, dla których wyst¹pi³o wiêcej ni¿ jedno odbicie impulsu laserowego
(f). W poszczególnych etapach a–f deklaruje siê szereg krytycznych dla wyników algorytmu
parametrów, co pokazano na rysunku 2. Uzyskany wynik jest pokazany na rysunku 3a i 3d,
odpowiednio dla obu obszarów testowych (³atwego i trudnego).
64
Ma³gorzata Bucior, Natalia Borowiec, Ireneusz Jêdrychowski, Krystian Pyka
Rys. 2. Parametry deklarowane dla kolejnych etapów detekcji budynków
(dla obszaru testowego I) – w programie TerraScan; etapy a–f opisane w tekœcie
Analiza rastrowa
Pierwsza czynnoœci¹ by³o utworzenie siatki kwadratowej w której wêz³ach s¹ zapisane
wysokoœci. Przy pomocy interpolacji udostêpnianej przez program TerraSolid wygenerowano siatkê o interwale 1m, czyli o gêstoœci zbli¿onej do œredniej gêstoœci danych oryginalnych,
co jest zgodne z zaleceniami znanymi z literatury (Smith i in., 2004). Tak uzyskany wtórny
zbiór danych wysokoœciowych w formacie ASCII wprowadzono do programu Idrisi i utworzono plik rastrowy, w którym atrybut piksela odpowiada wysokoœci.
W dalszych dzia³aniach siatkê wysokoœciow¹ traktowano jak obraz cyfrowy (struktura
jest taka sama) i generowano obrazy wtórne: obraz spadków – jako tzw. pierwsza pochodna,
obraz krzywizny – jako tzw. druga pochodna obrazu wysokoœci. W trakcie wstêpnych badañ stwierdzono, ¿e wystêpuje problem z odizolowaniem pikseli reprezentuj¹cych budynki i
wysokie drzewa o roz³o¿ystych koronach. Konieczne sta³o siê przyjêcie dodatkowego parametru charakteryzuj¹cego teksturê obrazu wysokoœci (tj. przestrzenne zwi¹zki zachodz¹ce
pomiêdzy wysokoœciami), u³atwiaj¹cego separacjê drzew i budynków. Parametry tekstury
liczone w programie Idrisi uznano za zbyt uproszczone i siêgniêto po program MaZda, opracowany w Instytucie Elektroniki Politechniki £ódzkiej, udostêpniany bezp³atnie w Internecie
Wykrywanie budynków na podstawie lotniczego skanowania laserowego
65
Rys. 3. Wyniki detekcji budynków: lewa kolumna – algorytm TerraSolid (a,d), srodkowa – analizy
rastrowe (b,e), prawa kolumna – model referencyjny (c,f)
(Materka i in., 2001). Po wykonaniu wielu prób, za najlepszy wskaŸnik ró¿nicuj¹cy teksturê
dachów i drzew wybrano drugi moment k¹towy (ang. angular second moment) (Rudnicki,
2002).
Ostatecznie analiza sk³ada³a siê z trzech etapów, w ka¿dym wykorzystywano inny obraz:
m wskazanie pikseli le¿¹cych ponad 3 m nad terenem i tworz¹cych skupiska o powierzchni
wiêkszej od 20 m2 (analiza obrazu wysokoœci),
m identyfikacja miejsc gdzie tekstura wyra¿ona przez drugi moment k¹towy odpowiada
p³aszczyznom dachów (poziomym lub nachylonym), czyli odseparowanie miejsc w
których jest bardzo zmienna tekstura (analiza obrazu tekstury),
m detekcja miejsc o spadkach powy¿ej 400 (analiza obrazu spadku).
66
Ma³gorzata Bucior, Natalia Borowiec, Ireneusz Jêdrychowski, Krystian Pyka
Na ka¿dym etapie generowano obrazy o wartoœciach [0,1], gdzie 1 oznacza spe³nienie, a 0
– niespe³nienie okreœlonych warunków. Tak uzyskane obrazy sk³adowe by³y sk³adnikami analizy wieloczynnikowej obejmuj¹cej sekwencjê dzia³añ takich jak iloczyn logiczny obrazów i
ró¿nica. Ostateczny wynik w postaci obrazów zawieraj¹cych piksele nale¿¹ce do budynków
przedstawiony jest na rysunkach 3b i 3e, odpowiednio dla obu obszarów testowych.
Wyniki
Dla potrzeb analizy skutecznoœci wykrywania budynków testowanymi metodami opracowano wzorzec budynków. Do tego celu wykorzystano model stereoskopowy z³o¿ony ze
zdjêæ w skali 1:13000 i na stacji fotogrametrycznej dokonano stereodigitalizacji dachów.
Nastêpnie porównywano wzorzec z wynikami eksperymentów, bior¹c pod uwagê liczbê
wykrytych budynków oraz globaln¹ powierzchniê w odniesieniu do wzorca. Opracowany model referencyjny jest pokazany na
rysunkach 3c i 3f, obok wyników z obu testowanych metod.
Stwierdzono, ¿e na obszarze o rozproszonej i wielkogabarytowej zabudowie lepsze wyniki daje algorytm TerraScan. T¹ metod¹ zosta³y wykryte praktycznie wszystkie budynRys. 4. Model budynków opracowany za pomoc¹
ki, krawêdzie ich s¹ prostoliniowe. Warto
TerraScan
nadmieniæ, ¿e w tym programie mo¿na modelowaæ wykryte budynki co pokazuje rysunek 4 (do modelowania jest stosowane opisane uprzednio rozwi¹zanie nieparametryczne).
Dla obszaru o zwartej zabudowie ró¿nica pomiêdzy wynikami z obu testowanych metod
jest znacznie mniejsza. Jeœli weŸmie siê pod uwagê bilans powierzchni w odniesieniu do
modelu referencyjnego, wówczas korzystniej wypada metoda oparta na analizie rastrowej.
Nale¿y jednak wzi¹æ pod uwagê fakt, ¿e w zbiorze danych ALS dla niektórych dachów
wyst¹pi³y bia³e plamy, skoncentrowane w pó³nocno-wschodniej czêœci testowanego obszaru co obni¿y³o stopieñ wykrycia budynków na podstawie chmury punktów.
Podsumowanie
Dziêki coraz doskonalszym instrumentom ALS zapewnia coraz wy¿sze dok³adnoœci okreœlania wspó³rzêdnych XYZ, co – razem z olbrzymi¹ wydajnoœci¹ pomiaru – czyni tê technikê
konkurencyjn¹ dla fotogrametrii w zakresie pozyskiwania danych punktowych. Co ciekawe
techniki te nie konkuruj¹ ze sob¹ a wzajemnie siê wspomagaj¹ – od kilku ju¿ lat na platformach lataj¹cych obok skanera laserowego montuje siê cyfrowe kamery fotograficzne, a
typowymi produktami takich hybrydowych misji s¹ zarówno dyskretne modele powierzchni, jak i ortofotomapy.
Wykrywanie budynków na podstawie lotniczego skanowania laserowego
67
Dane rejestrowane technik¹ ALS stanowi¹ dogodny punkt wyjœcia do automatyzacji procesu wykrywania i modelowania obiektów. Zosta³o to ju¿ udowodnione w wielu publikacjach, przy czym pocz¹tkowo badania dotyczy³y detekcji budynków o relatywnie prostych,
powtarzalnych kszta³tach, czemu odpowiada „³atwy” obszar testowy wytypowany do relacjonowanych w pracy eksperymentów. W miarê doskonalenia metod stopniowo rozwa¿a siê
równie¿ trudniejsze przypadki, reprezentatywnym przyk³adem jest drugi z badanych w pracy obszarów testowych.
Jak pokazuje dokonany przegl¹d literatury, proponuje siê wiele metod wykrywania obiektów, ¿adna jednak nie mo¿e byæ uznana jako wystarczaj¹co efektywn¹, ponadto osi¹gana
wiarygodnoœæ wci¹¿ nie jest zadowalaj¹ca. Wiadomo, ¿e najlepsze wyniki uzyskuje siê integruj¹c dane z ró¿nych Ÿróde³. Wiele problemów których nie rozstrzyga ALS daje siê rozwi¹zaæ za pomoc¹ zdjêæ lotniczych (wykonywanych podczas tego samego nalotu z regu³y kamerami semi-pomiarowymi); w sukurs przychodz¹ te¿ dane katastralne. Ponadto sama technika ALS jest w dalszym ci¹gu doskonalona, du¿e nadzieje wi¹¿e siê zw³aszcza z systemami
typu full waveform, czyli rejestruj¹cymi wiele odbiæ impulsu laserowego.
Przeprowadzone eksperymenty badawcze potwierdzaj¹, ¿e dostêpne oprogramowanie
komercyjne spisuje siê poprawnie w terenach o rozproszonej zabudowie, przy czym wystêpuj¹ k³opoty z odseparowaniem roz³o¿ystych drzew o podobnej do budynków wysokoœci.
Skutecznoœæ zaproponowanego postêpowania (pseudo) rastrowego jest podobna, poziom
wykrywalnoœci budynków kszta³tuje siê na poziomie 60-90% w zale¿noœci od charakteru
zabudowy, przy czym nieco lepsze wyniki - ani¿eli przy pomocy komercyjnego oprogramowania - uzyskiwano dla zwartej zabudowy. Jednak¿e testowana metoda nie pozwala na modelowanie 3D, które powinno siê odbywaæ na danych oryginalnych. Wyobra¿alne jest jej
zastosowanie do wskazywania miejsc wystêpowania zabudowy wraz z g³ównymi kierunkami jej przestrzennego usytuowania, co pozwala wytypowaæ optymalne miejsca dla wykonywania przekrojów pionowych przez chmurê punktów, które daj¹ siê wykorzystaæ do dalszego wymiarowania i modelowania budynków (np. z wykorzystaniem transformacji Hough).
Jak wynika z doœwiadczeñ autorów pracy, dla potrzeb modelowania 3D nie jest konieczne
dok³adne ustalenie obrysu budynków lecz pewne jego przybli¿enie – w trakcie modelowania
dane analizowane s¹ na nowo i okreœlany jest obrys 3D.
W ramach badañ przeanalizowano wszystkie przypadki w których detekcja budynków
by³a nieskuteczna. Du¿¹ przeszkod¹ okaza³y siê wysokie drzewa, czêsto wznosz¹ce siê ponad dachami budynków. Ponadto dane ze skanowania zawiera³y doœæ liczne miejsca, w
których LIDAR mierzy³ z bardzo ma³¹ gêstoœci¹, kilkukrotnie mniejsz¹ ni¿ œrednia wynosz¹ca 1,5 pkt/m2. Te dziury bardziej obni¿y³y skutecznoœæ metody pierwszej. Natomiast s³aboœci¹ metody opartej o analizy rastrowe by³a ma³a reprezentatywnoœæ siatki w miejscach
drzew – zastosowana interpolacja zbytnio wyg³adza³a dana Ÿród³owe
Automatyzacja wykrywania i modelowania jest ju¿ obecna w liniach technologicznych
firm produkcyjnych. Konieczne jest jednak dalsze jej doskonalenie, gdy¿ w centrach miast, a
zw³aszcza w obszarach zabytkowych, czyli tam gdzie istnieje najwiêkszy popyt na modele
przestrzenne, dotychczas wdro¿one rozwi¹zania s¹ zbyt ma³o skuteczne.
68
Ma³gorzata Bucior, Natalia Borowiec, Ireneusz Jêdrychowski, Krystian Pyka
Literatura
Ahokas, Kaarttinen, Hyyppä J., 2005: EuroSDR Building Extraction comparison. Final Report.
Ameri B., 2000: Automatic Recognition and 3D Reconstruction of Buildings from Digital Imagery. PhD
Thesis, Institute of Photogrammetry, Stuttgart University, DGK-C 526. 32 (3/1), pp. 400-408.
Axelsson P., 1999: Processing of laser scanner data – algorithms and applications. ISPRS Journal of Photogrammetry & Remote Sensing 54, 138-147.
Baltsavias E.P.,1999a: Airborne laser scanning: existing systems and firms and other resources, ISPRS Journal
of Photogrammetry & Remote Sensing 54 (1999).164–198.
Baltsavias E.P.,1999b: Airborne laser scanning: basic relations and formulas. ISPRS Journal of Photogrammetry & Remote Sensing 54 (1999).199–214.
Baltsavias E.P., 2004. Object extraction and revision by image analysis using existing geodata and knowledge:
current status and steps towards operational systems. ISPRS Journal of Photogrammetry and Remote
Sensing, 58(3-4): 129-151.
Borkowski A., 2003: Modelowanie powierzchni terenu zawieraj¹cej linie nieci¹g³oœci na podstawie danych
skaningu laserowego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol.13B, 307-314.
Borkowski A., 2005: Filtracja danych lotniczego skaningu laserowego z wykorzystaniem metody aktywnych powierzchni. Roczniki Geomatyki 2005, t. III z. 4. 35-42.
Bucior M., 2006: Wykrywanie budynków na podstawie lotniczego skaningu laserowego. Praca magisterska,
AGH, Wydzia³ Geodezji Górniczej In¿ynierii Œrodowiska.
Brenner C., 2000: Towards fully automatic generation of city models. IAPRS 33 (B3), 85-92.
Brenner C., 2001: City models – automation in research and practise. Photogrammetric Week´01, pp. 149-158.
Cho W., Jwa Y.S., Chang H.J., Lee S.H., 2004: Pseudo-grid Based Building Extraction Using Airborne Lidar
Data, ISPRS, Comm. 3.
Crosilla F., Visintini D., Prearo G., 2004: A Robust Method for Filtering Non-Ground Measurements from
Airborne Lidar Data. ISPRS XXth Congress Comm.3.
Crosilla F., Visintini D., Sepic F., 2005: A segmentation procedure of LiDAR data by applying mixed parametric and nonparametric models. ISPRS WG III/3, III/4, V/3 Workshop „Laser scanning 2005”, Enschede.
Dworak T. Z., 1990: Metodyka teledetekcyjnych badañ zapylenia atmosfery. ZN AGH, nr 1339, seria
Sozologia i Sozotechnika, z. 29.
Fuchs C., 1998: Extraktion polymorpher Bildstrukturen und ihre topologische und geometrische Gruppierung. PhD Thesis, Institute of Photogrammetry, Bonn University, DGK-C 502.
Gruen, A., Baltsavias E.P., Henricsson O., 1997: Automatic Extraction of Man-Made Objects from Aerial and
Space Images (II), Birkhauser Verlag.
Hyyppä J., Pyssalo U., Hyyppä H., Samberg A., 2002: Elevation accuracy of laser scanning – derived digital
terrain and target models in forest environment. International Archives of Photogrammetry and Remote
Sensing, Vol. XXXIV / 3A, Graz.
Kurczyñski Z., 1999: Lotniczy skaner laserowy – nowa technologia pozyskiwania danych o rzeŸbie terenu.
Geodeta nr 2 (45).
Kurczyñski Z., 2006: Lotniczy skaning laserowy (LIDAR). http://www.geoforum.pl/ (dostêp 24.07.2006).
Maas H.G., Vosselman G., 1999: Two algorithms for extracting building models from raw laser altimetry data.
ISPRS Journal of Photogrammetry and Remote Sensing, 54 (2-3), pp. 153-163.
Marmol U., 2003: Pozyskanie numerycznego modelu powierzchni topograficznej (NMPT) w oparciu o dane
wysokoœciowe pochodz¹ce z lotniczego skanera laserowego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol.13B, 419-426.
Marmol U., 2005: Filtrowanie danych wysokoœciowych pochodz¹cych z lotniczego skanera laserowego,
Rozprawa doktorska, AGH, Kraków.
Materka A., Szczypiñski P., Kocio³ek M., Strzelecki M., 2001: Computer program for image texture analysis
in PhD students laboratory, Instytut Elektroniki Politechniki £ódzkiej, 2001.
Matikainen L., Hyyppä J., Hyyppä H., 2003: Automatic detection of buildings from laser scanner data for
map updating. In: IAPRSIS XXXIV / 3W13.
Mayer H., 1999: Automatic object extraction from aerial imagery – A survey focusing on buildings. Computer
Vision and Image Understanding, 74(2):138-149.
Wykrywanie budynków na podstawie lotniczego skanowania laserowego
69
Morgan M., Habib A., 2001: 3D TIN for Automatic Building Extraction from airborne Laser Scanning Data,
Proceedings of the ASPRS “Gateway to the New Millennium”.
Paparoditis N., Cord M., Jordan M., Cocquerez J.P., 1998: Building detection and reconstruction from midand high-resolution aerial imagery. Computer Vision and Image Understanding, 72(2).
Rudnicki Z., 2002: Wybrane metody przetwarzania i analizy cech obrazów teksturowych. Zak³ad Konstrukcji i Eksploatacji Maszyn, AGH, Kraków.
Rottensteiner F., 2001: Semi-automatic extraction of buildings based on hybrid adjustment using 3D surface
models and management of building data in a TIS. PhD Thesis. Geowissenschaftliche Mitteilungen 56,
Institute of Photogrammetry and Remote Sensing, Vienna University of Technology.
Rottensteiner, F., Briese, C., 2003. Automatic generation of building models from LIDAR data and the
integration of aerial images. [In:] The International Archives of Photogrammetry, Remote Sensing and
Spatial Information Sciences, Dresden, Germany, Vol. XXXIV, Part 3/W13, pp. 174-180.
Schenk T., Csatho B., Lee D.C., 1999: Quality control issues of airborne laser ranging data and accuracy study
in an urban area. Proceedings of the ISPRS Workshop – ISPRS WG III/5, WG III/2:
Schwalbe E., 2004: 3D building model generation from airborne laserscanner data by straight line detection in
specific orthogonal projections, ISPRS, Commision 3.
Smith, Holland, Longley: The importance of understanding error in Lidar Digital Elevation Models, ISPRS,
Commision 4, 2004.
Sohn G., Dowman I., 2002: Terrain surface reconstruction by the use of tetrahedron model with the MDL
criterion. International Archives of Photogrammetry and Remote Sensing, Vol. XXXIV / 3A, 336-344, Graz.
Soininen A., 2003: TerraScan. User Guide. Terrasolid.
Wehr A., Lohr U., 1999: Airborne laser scanning-an introduction and overview, ISPRS Journal of Photogrammetry & Remote Sensing 54 (1999).68–82.
Vosselman G., Dijkman S., 2001: 3D building model reconstruction from point clouds and ground plans.
IAPRS 34(3W4): 37-43.
Summary
This paper discusses automatic detection of buildings from airborne laser scanner data. Beside
introduction and conclusions there are three main parts in this paper. In part one basic technical
parameters of airborne laser scanning are reminded. Part two presents literature review of various
methods that have been applied in the detection and modeling of buildings. Part three describes a
research experiment carried out by the authors. This part includes a comparison between two methods
of detection: the one offered by specialist software and the alternative method proposed by the authors
of this paper.
The technique of laser scanning, often referred to as LIDAR, continues to develop very dynamically. It
is characterized by a high level of efficiency and accuracy. It is most often used to create 3D models of
cities. Until now, LIDAR was mostly used in national studies to determine digital terrain models
(DTM), which is done by separating certain points (those which result from laser reflections of trees,
buildings and other above-ground surfaces) from disorganized “clouds of points”. Meanwhile, the
most useful contribution of this technique is that it enables numeric calculation of the digital surface
model (DSM).
The authors’ experiment attempted to analyze the effectiveness of automatic detection of buildings
using two different methods. The first method used original data and applied specialist software which
detects and models buildings. In the second, the “cloud of points” was replaced by a regular grid,
which had been determined through interpolation. Then, using the typical tool of GIS, the authors
carried out a series of experiments. In this paper, the authors present their concept of detection of
buildings. This concept is based on an analysis of three surface layers: map of heights, map of slopes
and map of texture. The final stage consisted of spatial analysis which showed all the places which meet
certain conditions that are adequate for buildings, such as heights, slopes and texture.
70
Ma³gorzata Bucior, Natalia Borowiec, Ireneusz Jêdrychowski, Krystian Pyka
The methods were implemented on two test areas. One area contained independently standing apartment buildings in which the sides and rooftops of buildings were perpendicular and at right angles to
each other. The second test area was made up of various buildings of differentiated heights with steep,
multidirectional roofs. For both these areas, reference data was obtained through the vectorization of
photogrammetric stereoscopic models.
Both methods of detection showed comparable effectiveness. The method using “cloud of points” and
specialist software showed slightly straighter roof edges, however a slightly worse balance of surface
in relation to the reference data, than the method based on GIS analyses which presents the authors’
concepts of detections of buildings. However, the differences were negligible and both methods had a
similar level of effectiveness in the detection of buildings: approximately 90% for the easy area and
about 60% for difficult area. These results are similar to those presented in literature.
During the study, all cases in which detection of buildings was ineffective were also analyzed. Tall trees
rising above rooftops often presented a significant obstacle. Moreover, the scanning data contained
several places, where LIDAR provided measurements with very low density, much smaller than the
average density of 1,5 points per m2. These „holes” lowered the effectiveness of the first method.
However, the weakness of the raster method was weak representation of the grid in places where trees
were located as the applied interpolation smoothed out the original data.
The results of this research lead to the conclusion that an optimal method would entail a „combined”
approach. First, the raster analysis should be applied to determine the probable location of buildings.
Then, for certain atypical spaces one should return to the source data (cloud of points) and vertically
assign cross sections in predefined directions. What is still needed is a method of automatic recognition
of buildings on the basis of cross sections as well as dimensions of buildings which aim to obtain a 3D
model.
This paper confirms a huge potential of the laser scanning technique to create 3D models. The
proposed method of detection of buildings proved promising and it can be applied even without
expensive specialized software.
mgr in¿. Ma³gorzata Bucior
[email protected]
mgr in¿. Natalia Borowiec
[email protected]
dr in¿. Ireneusz Jêdrychowski
[email protected]
dr in¿. Krystian Pyka
[email protected]
http://home.agh.edu.pl/~zffit/
POLSKIE komunikacyjnej
TOWARZYSTWO
INFORMACJI
Modelowanie dostêpnoœci
nieruchomoœci
jako PRZESTRZENNEJ
atrybutu w procesie wyceny
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
71
MODELOWANIE DOSTÊPNOŒCI KOMUNIKACYJNEJ
NIERUCHOMOŒCI JAKO ATRYBUTU NIEZBÊDNEGO
W PROCESIE WYCENY*
MODELLING OF REAL ESTATES COMMUNICATION
ACCESSIBILITY AS AN ATTRIBUTE ESSENTIAL
IN THE VALUATION PROCESS
Piotr Cichociñski
Katedra Informacji o Terenie, Wydzia³ Geodezji Górniczej i In¿ynierii Œrodowiska,
Akademia Górniczo-Hutnicza
S³owa kluczowe: system informacji geograficznej, powszechna taksacja, atrybuty nieruchomoœci, dostêpnoœæ komunikacyjna
Keywords: Geographic Information System (GIS), mass appraisal, real estate attributes, communication accessibility
Wstêp
Oczekiwana reforma podatków od nieruchomoœci i zast¹pienie ich podatkiem katastralnym spowoduje koniecznoœæ dokonania powszechnej taksacji nieruchomoœci, czyli wyznaczenia wartoœci wszystkich nieruchomoœci. Jednym z podstawowych sposobów okreœlania
wartoœci rynkowej nieruchomoœci jest wycena realizowana podejœciem porównawczym.
Podejœcie to zak³ada, ¿e wartoœæ rynkowa nieruchomoœci wyznaczana jest przez porównanie
ich z innymi nieruchomoœciami podobnymi, dla których znane s¹ ceny transakcyjne, a tak¿e
cechy ró¿ni¹ce te nieruchomoœci i maj¹ce istotny wp³yw na ich wartoœæ.
Jedn¹ z zasadniczych trudnoœci w przypadku wyceny w podejœciu porównawczym jest
koniecznoœæ posiadania informacji o nieruchomoœciach podobnych do wycenianej, które
by³y przedmiotem obrotu na danym rynku nieruchomoœci. Powszechnie stosowana metoda
okreœlania cech obiektów na podstawie map lub wywiadu terenowego, wymaga uczestnictwa cz³owieka (operatora), co w przypadku powszechnej taksacji spowodowa³oby olbrzymi
nak³ad pracy koniecznej do wykonania, poci¹gaj¹c za sob¹ ogromne koszty. Lecz w rozwi¹zaniu tego problemu mog¹ pomóc systemy informacji geograficznej. Jednym z klasycznych
ich zastosowañ s¹ analizy przestrzenne pozwalaj¹ce na okreœlenie przestrzennych cech obiektów oraz zwi¹zków pomiêdzy nimi. Mo¿na zatem zaproponowaæ zastosowanie tych funkcji
do wyznaczenia, oczywiœcie w oparciu o odpowiednie dane, charakterystyk nieruchomoœci
istotnie wp³ywaj¹cych na ich wartoœæ. W dalszej czêœci artyku³u szczegó³owo przeanalizowano atrybut dostêpnoœæ komunikacyjna.
72
Piotr Cichociñski
Sformu³owanie problemu
Dostêpnoœæ komunikacyjna nieruchomoœci jest parametrem okreœlaj¹cym mo¿liwoœæ
dotarcia do niej albo przemieszczaj¹c siê w³asnym œrodkiem lokomocji lub te¿ korzystaj¹c ze
œrodków komunikacji zbiorowej. Pierwszy przypadek bêdzie mia³ wiêksze znaczenie na terenach pozamiejskich, lecz tam równie¿ ze wzglêdu na rzadsz¹ sieæ komunikacji masowej nie
bez znaczenia jest przypadek drugi.
Pod pojêciem dojazdu w³asnym œrodkiem lokomocji nale¿y rozumieæ przejazd po sieci
drogowej do nieruchomoœci bezpoœrednio z punktu centralnego, wokó³ którego skupia siê
¿ycie mieszkañców danego obszaru. Na ocenê takiego dojazdu wp³yw maj¹ dwa czynniki:
„odleg³oœæ” nieruchomoœci od punktu centralnego oraz jakoœæ, czy te¿ mo¿e rodzaj nawierzchni drogi, któr¹ ten dojazd siê odbywa. S³owo odleg³oœæ umyœlnie zosta³o tutaj ujête w
cudzys³owy. Po pierwsze dlatego, ¿e jej pomiar odbywa siê nie w linii prostej lecz odpowiada
ona dystansowi, który trzeba pokonaæ poruszaj¹c siê drogami. Po drugie z tego powodu, ¿e
ostatecznie parametrem istotnym w tym przypadku nie jest tak naprawdê odleg³oœæ, lecz
czas dojazdu, a nie zawsze jest on wprost proporcjonalny do odleg³oœci. Kierowcy poruszaj¹cy siê w obszarach miejskich dobrze znaj¹ utrudnienia, takie jak na przyk³ad korki, tworz¹ce siê w godzinach szczytów komunikacyjnych. Solidnie przeprowadzona analiza powinna
równie¿ uwzglêdniaæ tego typu czynniki.
Dojazd œrodkami komunikacji zbiorowej, przynajmniej w czêœci obejmuj¹cej ruch pojazdów, uzale¿niony jest od podobnych czynników. Zasadnicza ró¿nica jednak wynika z tego,
¿e œrodkami komunikacji masowej mo¿na dojechaæ tylko do wybranego przystanku, a nastêpnie poruszaæ siê ju¿ pieszo. Dlatego dla w³aœciciela nieruchomoœci istotny jest równie¿
czas dotarcia do najbli¿szego przystanku. Taki podzia³ na dwa, poniek¹d niezale¿ne etapy,
znacz¹co utrudnia modelowanie. Ponadto w przypadku ruchu pieszego nie jest ³atwo okreœliæ którêdy on siê odbywa. Na terenach o gêstej zabudowie i ogrodzonych dzia³kach, piesi
przemieszczaj¹ siê wzd³u¿ dróg i ulic. Natomiast, gdy dzia³ki nie s¹ zabudowane lub zabudowa jest luŸna (dotyczy to równie¿ „blokowisk” z okresu PRL), ruch pieszy mo¿liwy jest w
zasadzie na ca³ym obszarze pomiêdzy budynkami. Dlatego istotne jest przygotowanie odpowiednich danych uwzglêdniaj¹cych to zró¿nicowanie.
Wymienione powy¿ej analizy mo¿na przeprowadziæ b¹dŸ to niezale¿nie dla ka¿dej nieruchomoœci, wyliczaj¹c najlepsz¹ trasê przejazdu do centrum, lub te¿ wyznaczaj¹c wokó³ centrum strefy o okreœlonych czasach dojazdów i przyporz¹dkowuj¹c do nich poszczególne
nieruchomoœci.
Modele danych
Badanie warunków dojazdu do nieruchomoœci przeprowadzono w oparciu o dwa rodzaje
modeli danych: wektorowe i rastrowe.
Dane wektorowe to zbiór wzajemnie powi¹zanych obiektów liniowych reprezentuj¹cych
osie dróg i ulic, tworz¹cych sieæ drogow¹ (ESRI, 2004). W oparciu o tego typu dane dzia³aj¹
funkcje analiz sieciowych, badaj¹ce poruszanie siê wzd³u¿ poszczególnych elementów sk³adowych sieci. Aby umo¿liwiæ przeprowadzenie takich analiz konieczne jest przypisanie poszczególnym odcinkom linii atrybutów, opisuj¹cych koszt przemieszczenia siê wzd³u¿ dane-
Modelowanie dostêpnoœci komunikacyjnej nieruchomoœci jako atrybutu w procesie wyceny
73
go elementu, w zale¿noœci od kontekstu zwany oporem (ang. impedance) lub zapotrzebowaniem (ang. demand). Podstawow¹ i naj³atwiejsz¹ do uzyskania miar¹ jest w tym przypadku
d³ugoœæ odcinka, która mo¿e byæ w prosty sposób wyznaczona na podstawie geometrii
obiektu. Inn¹ istotn¹ cech¹ jest czas niezbêdny do pokonania danego fragmentu sieci, bêd¹cy
ilorazem d³ugoœci oraz prêdkoœci przemieszczania siê. Wartoœæ tego atrybutu jest ju¿ trudniejsza do uzyskania, gdy¿ konieczna jest znajomoœæ prêdkoœci.
Drugi z wykorzystanych modeli to model rastrowy. Wybrany fragment przestrzeni dzielony jest regularn¹ siatk¹ najczêœciej na kwadratowe elementy, zwane pikselami. Ka¿demu
pikselowi mo¿e byæ przypisana maksymalnie jedna jego wartoœæ. W przypadku wykorzystania modelu rastrowego do analiz przemieszczania siê wartoœæ ta jest oporem, który nale¿y
pokonaæ, aby dotrzeæ do kolejnego piksela. Podobnie jak dla danych wektorowych mo¿e to
byæ d³ugoœæ – w tym przypadku wielkoœæ piksela lub te¿ czas, przy czym tak naprawdê
korzystanie z tego pierwszego parametru nie ma specjalnego sensu, gdy¿ wszystkie piksele
maj¹ ten sam rozmiar. Mo¿na sobie co najwy¿ej wyobraziæ przyporz¹dkowanie wybranym
pikselom bardzo du¿ej wartoœci oporu, w praktyce wykluczaj¹cej je z analizy.
Wykorzystane funkcje
W przypadku danych wektorowych skorzystano z wybranych funkcji analiz sieci geograficznych (ESRI, 1996). Zastosowano dwa narzêdzia: znajdowanie najlepszej drogi (ang.
Best Route) pomiêdzy dwoma punktami oraz okreœlanie obszaru obs³ugi (ang. Service Area).
Poszukiwanie najlepszej drogi to wyznaczenie ci¹gu kolejnych, po³¹czonych ze sob¹ odcinków sieci drogowej, których sumaryczny rozpatrywany opór (czyli d³ugoœæ lub czas
przejazdu) jest najmniejszy. Obszarem obs³ugi jest natomiast zbiór wszystkich linii (lub wielobok obejmuj¹cy te linie), tworz¹cych œcie¿ki wychodz¹ce z punktu centralnego, których
sumaryczny opór mierzony od punktu centralnego wzd³u¿ tych œcie¿ek bêdzie nie wiêkszy
ni¿ za³o¿ona wartoœæ.
W przypadku rastrów pos³u¿ono siê funkcj¹ Koszt Odleg³oœci (ang. Cost Distance), która
dla ka¿dego piksela wyznacza zakumulowany koszt dotarcia do najbli¿szego centrum. Zalet¹
tej funkcji jest mo¿liwoœæ uwzglêdnienia centrum o charakterze wyd³u¿onym, na przyk³ad
zlokalizowanego wzd³u¿ g³ównej drogi b¹dŸ ulicy, co jest czêsto spotykane na terenach
wiejskich.
Przygotowanie danych
Analizy o charakterze wektorowym ograniczone by³y do poruszania siê po elementach
sieci drogowej, niestety równie¿ dla ruchu pieszego. Nale¿a³o tylko wyznaczyæ i przyporz¹dkowaæ poszczególnym odcinkom linii osiowych opory wynikaj¹ce z prêdkoœci poruszania
siê, czy to pojazdami, czy te¿ pieszo. Natomiast w przypadku rastrów ka¿dy z wariantów
dojazdu wymusi³ odpowiednie przygotowanie danych (Brzuchowska, Maœko-Osiadacz, 1998).
Podstaw¹ by³o zamodelowanie sieci drogowej za pomoc¹ danych rastrowych. Dokonano
tego wykonuj¹c jeszcze w postaci wektorowej bufor wokó³ osi dróg o wielkoœci 1 m, w
wyniku czego powsta³y wyd³u¿one obiekty powierzchniowe o szerokoœci 2 m. Zosta³y one
74
Piotr Cichociñski
nastêpnie zamienione na raster o pikselu wielkoœci 1 m (rys. 1), co zapewni³o szerokoœæ wynikowych dróg co najmniej 1 piksel i zabezpieczy³o przed ich przypadkowym przerwaniem. Nastêpnie przy rozwa¿aniu ruchu wy³¹cznie po drogach w procesie reklasyfikacji rastra pikselom
reprezentuj¹cym drogê nadano wartoœæ wynikaj¹c¹ z przyjêtego oporu ruchu, natomiast pikselom poza drogami przypisano wartoœci „brak
danych” (ang. no data).
Poniewa¿ na raster zostaj¹ zamieniane tak
naprawdê obiekty powierzchniowe nie jest konieczne posiadanie danych wektorowych w postaci osi dróg. Wystarcz¹ pochodz¹ce z ewidencji gruntów informacje na temat dzia³ek pod droRys. 1. Bufory wokó³ osi dróg w postaci
gami lub te¿ u¿ytków gruntowych typu droga.
wektorowej i rastrowej
Niestety dane tego typu maj¹ jedn¹ wadê: ci¹g³oœæ takich dróg jest przerywana na mostach,
wiaduktach i przejazdach kolejowych. Wymaga to dodatkowego nak³adu pracy na wyszukanie takich miejsc i odpowiednie poprawienie obrazu rastrowego.
Dane rastrowe umo¿liwiaj¹ równie¿ analizowanie przemieszczania siê poza sieci¹ dróg,
co znalaz³o zastosowanie w przypadku badania ruchu pieszego. W tym celu na oddzielnej
warstwie rastrowej pikselom odpowiadaj¹cym obszarom, na których mo¿liwy jest ruch pieszy nadano wartoœæ wynikaj¹c¹ z przyjêtego oporu ruchu, natomiast pozosta³ym pikselom
przypisano wartoœci „brak danych”.
Wymagaj¹cym szczególnego potraktowania problemem by³o po³¹czenie w jednej analizie
dojœcia do przystanku oraz dojazdu œrodkiem komunikacji zbiorowej. Jak do tej pory uda³o
siê ten wariant analiz przeprowadziæ wy³¹cznie w oparciu o dane rastrowe. Autor proponuje
nastêpuj¹ce rozwi¹zanie:
1) selekcjê dróg, którymi przebiegaj¹ linie komunikacji zbiorowej,
2) wykonanie jeszcze w postaci wektorowej dwóch buforów wokó³ wybranych osi dróg
o wielkoœciach odpowiednio 1 m i 3 m, w wyniku czego powstaj¹ wyd³u¿one obiekty powierzchniowe o szerokoœci odpowiednio 2 m i 6 m,
3) wykonanie jeszcze w postaci wektorowej bufora wokó³ osi wszystkich dróg o wielkoœci 10 m, w wyniku czego powstaj¹ wyd³u¿one obiekty powierzchniowe o szerokoœci 20 m,
4) wykonanie jeszcze w postaci wektorowej buforów wokó³ lokalizacji przystanków o
promieniu 5 m,
5) przez u¿ycie funkcji Aktualizuj (ang. Update) z³¹czenie wszystkich powy¿szych buforów,
6) zamiana zbioru danych zawieraj¹cych z³¹czone bufory na raster o pikselu wielkoœci 1 m,
7) reklasyfikacjê tego rastra (rys. 2):
m pikselom reprezentuj¹cym wewnêtrzne bufory 1 m (wokó³ osi dróg) i 5 m (wokó³
przystanków) nadanie wartoœci odpowiadaj¹cej szybkoœci ruchu samochodowego,
m pikselom nale¿¹cym do pozosta³oœci (w postaci dwóch pasków) bufora 3 m przypisanie wartoœci brak danych, co zabezpiecza przed mo¿liwoœci¹ opuszczenia drogi poza
przystankami,
Modelowanie dostêpnoœci komunikacyjnej nieruchomoœci jako atrybutu w procesie wyceny
75
Rys. 2. Fragment zbioru danych, w postaci wektorowej
i rastrowej, przygotowanego do przeprowadzenia analizy
obejmuj¹cej dojœcie do przystanku
oraz dojazd œrodkiem komunikacji zbiorowej: 1 – przystanek,
2 – droga komunikacji zbiorowej, 3 – obszar komunikacji pieszej
wzd³u¿ ci¹gów komunikacji zbiorowej, 4 obszar komunikacji
pieszej, 5 – bufor uniemo¿liwiaj¹cy opuszczenie drogi poza
przystankiem
m
pikselom reprezentuj¹cym zewnêtrzne bufory 10 m
nadanie wartoœci odpowiadaj¹cej szybkoœci ruchu pieszego. Wielkoœæ tego bufora
umo¿liwia równie¿ ruch pieszy wzd³u¿ dróg z komunikacj¹ zbiorow¹.
Wyniki analiz
Na kolejnych rysunkach przedstawiono rezultaty przeprowadzonych prac. Jako pierwsze przebadano analizy sieciowe. Funkcja znajdowania najlepszej drogi (ang. Best Route)
pozwoli³a na okreœlenie optymalnej trasy dojazdu (a tym samym jej d³ugoœci i czasu trwania
podró¿y) z nieruchomoœci do wybranego centrum (rys. 3). Ponadto, je¿eli dla poszczególnych odcinków dostêpna by³aby informacja na temat rodzaju, czy te¿ jakoœci nawierzchni
istnieje mo¿liwoœæ wybrania tej najgorszej. Odpowiednio po³¹czone i sklasyfikowane powy¿sze wartoœci (czas przejazdu i rodzaj nawierzchni) daj¹ w wyniku wartoœæ atrybutu
dostêpnoœæ komunikacyjna dla przypadku dojazdu w³asnym œrodkiem lokomocji. Trzeba
jednak wzi¹æ pod uwagê jedn¹ niedogodnoœæ, a mianowicie koniecznoœæ wykonania takiego
zespo³u analiz dla ka¿dej nieruchomoœci oddzielnie.
Takiej wady nie ma druga z dostêpnych funkcji wektorowych analiz sieciowych, umo¿liwiaj¹ca okreœlenie obszaru obs³ugi (ang. Service Area). Mo¿na siê ni¹ pos³u¿yæ zarówno do
wyznaczenia stref o okreœlonym czasie dojazdu do centrum dla przypadku poruszania siê
w³asnym œrodkiem lokomocji, jak równie¿ do wyliczenia czasu dojœcia do najbli¿szego przystanku (rys. 4). Wiêksza automatyzacja tego zadania polega na mo¿liwoœci dokonania z³¹czenia przestrzennego (ang. spatial join) i przyporz¹dkowania dzia³ek do poszczególnych obszarów utworzonych wokó³ punktu centralnego. Funkcja Obszar Obs³ugi mo¿e generowaæ
jeszcze inn¹ postaæ wyniku: dla poszczególnych odcinków analizowanych linii podaje czas
dotarcia do nich z centrum. Porównanie tych dwóch wyników pokazuje, ¿e utworzone
strefy z regu³y obejmuj¹ wiêcej dróg ni¿ rzeczywiœcie powinno do nich nale¿eæ (rys. 5),
g³ównie z powodu przeprowadzanej generalizacji ich kszta³tu. Mo¿e to powodowaæ pewne
przek³amania, zatem lepiej by³oby korzystaæ z rezultatu w postaci linii. Trzeba wtedy jednak
rozwi¹zaæ zagadnienie wyboru dzia³ek zwi¹zanych z danymi odcinkami dróg. Autor proponuje utworzenie buforów o szerokoœci zapewniaj¹cej ich przeciêcie z s¹siednimi dzia³kami i
zastosowanie jak powy¿ej z³¹czenia przestrzennego. Ustalona doœwiadczalnie szerokoœæ takich buforów dla wykorzystanych przyk³adowych danych wynios³a 20 m.
Podobny jak w poprzedniej analizie wynik mo¿na uzyskaæ stosuj¹c ju¿ w oparciu o dane
rastrowe funkcjê Koszt Odleg³oœci. W przypadku ruchu pieszego planowano nadaæ pikselom
76
Piotr Cichociñski
Rys. 3. Wynik dzia³ania funkcji Najlepsza Droga
Rys. 4. Zastosowanie funkcji Obszar Obs³ugi do wyliczenia czasu dojœcia do najbli¿szego przystanku
Modelowanie dostêpnoœci komunikacyjnej nieruchomoœci jako atrybutu w procesie wyceny
77
po których mo¿liwy jest ruch wartoœæ 1, co informowa³o by, ¿e na pokonanie jednego piksela
o wielkoœci 1 metr trzeba poœwiêciæ 1 sekundê.
Odpowiada³oby to prêdkoœci 3,6 km/h. W takim
uk³adzie prêdkoœæ ruchu samochodem mo¿na
by³oby ustaliæ na 36 km/h, co nadawa³oby pikselowi wartoœæ 0,1. Niestety okaza³o siê, ¿e piksele mog¹ przyjmowaæ wy³¹cznie wartoœci ca³kowite, dlatego zdecydowano o pomno¿eniu zaproponowanych wartoœci przez 10 i uwzglêdnieniu tego przy interpretacji wyników.
W rezultacie otrzymano raster o wartoœciach
pikseli odpowiadaj¹cych czasowi dotarcia do nich
z punktu centralnego (rys. 6). Wykonanie reklasyfikacji w celu wprowadzenia kilku przedzia³ów czasu, a nastêpnie ich zamiana na postaæ Rys. 5. Ró¿nica pomiêdzy wynikami dzia³ania
funkcji Obszar Obs³ugi dla wariantów
wektorow¹ da³o wynik zbli¿ony do uzyskanego
powierzchniowego i liniowego (linia ci¹g³a
z drugiego wariantu (liniowego) funkcji Obszar
i przerywana osi drogi wi¹¿e siê z ró¿n¹
Obs³ugi.
klasyfikacj¹ w analizie liniowej, a zaznaczony
Korzystaj¹c z danych rastrowych mo¿na siê
obszar wynika z analizy powierzchniowej)
równie¿ pokusiæ o próbê odwzorowania pierwszego wariantu (powierzchniowego) funkcji Obszar Obs³ugi. Trzeba w tym celu zast¹piæ
brak danych dla pikseli poza drogami odpowiednio dobran¹ wartoœci¹. Przeprowadzone eks-
Rys. 6. Wynik dzia³ania funkcji Koszt Odleg³oœci dla przypadku ruchu po drogach
78
Piotr Cichociñski
Rys. 7. Wynik dzia³ania funkcji Koszt Odleg³oœci dla przypadku ruchu po drogach i poza nimi
Rys. 8. Wynik analizy uwzglêdniaj¹cej dojazd œrodkami komunikacji masowej do przystanku,
a nastêpnie ruch pieszy
Modelowanie dostêpnoœci komunikacyjnej nieruchomoœci jako atrybutu w procesie wyceny
79
perymenty pokaza³y, ¿e dobry wynik mo¿na uzyskaæ stosuj¹c wartoœæ dwa razy wiêksz¹ od
oporu ruchu po drogach (rys. 7). Na zaprezentowanej mapce mo¿na jednak dostrzec niebezpieczeñstwo wynikaj¹ce z mo¿liwoœci ruchu na prze³aj i tym samym skrócenia krêtych
dróg, co oczywiœcie wprowadza przek³amania.
Ostatni rysunek prezentuje wynik analizy uwzglêdniaj¹cej dojazd œrodkami komunikacji
masowej z punktu centralnego do przystanku, a nastêpnie przejœcie pieszo (rys. 8). Obszarom ruchu pieszego poza drogami przyporz¹dkowano opór dwa razy wiêkszy ni¿ dla dróg.
Podsumowanie
Pomimo oczywistego wniosku wynikaj¹cego z przeprowadzonych badañ, ¿e analizy oparte
na danych rastrowych zapewniaj¹ lepsze mo¿liwoœci odwzorowania ró¿nych aspektów zwi¹zanych z dostêpnoœci¹ komunikacyjn¹, rastrowa postaæ wyników jest ma³o u¿yteczna. Trzeba
przyznaæ, ¿e chocia¿ œwietnie nadaje siê do prezentacji, to jednak nie da siê na jej podstawie
wyznaczyæ atrybutów nieruchomoœci. Z tego powodu wynikowe zbiory rastrowe po odpowiednim sklasyfikowaniu wartoœci pikseli zosta³y ostatecznie przekonwertowane do postaci
wektorowej zawieraj¹cej granice stref, celem umo¿liwienia przypisania do nich nieruchomoœci.
Opisane badania potwierdzi³y u¿ytecznoœæ narzêdzi wektorowych analiz sieciowych oraz
rastrowych analiz kosztów przemieszczania siê do wyznaczenia dostêpnoœci komunikacyjnej nieruchomoœci. Problemem mo¿e siê okazaæ tylko, jak zreszt¹ w wielu innych przypadkach, dostêpnoœæ bardziej szczegó³owych danych, niezbêdnych do przeprowadzenia analiz
na odpowiednim poziomie wiarygodnoœci.
Literatura
ESRI, 1996: Using the ArcView Network Analyst. Environmental Systems Research Institute. Redlands.
ESRI, 2004: ArcDoc Version 9.0. Environmental Systems Research Institute. Redlands.
Brzuchowska J., Maœko-Osiadacz J., 1998: Zastosowanie struktury GRID do modelowania dostêpnoœci w
ramach analizy warunków turystycznych regionu. Polskie Towarzystwo Informacji Przestrzennej. VIII
Konferencja Naukowo-Techniczna Systemy Informacji Przestrzennej. Warszawa, 19-21 maja 1998 r.
Summary
A reform of real estate taxes which is surely unavoidable in the future and introduction of a cadastral
tax will cause the necessity of a mass appraisal of real estates, in other words - value assessment of all
real estates. One of the basic methods of determining market value of real estate is valuation accomplished by means of a comparative approach. This approach assumes that market value of real estate
is assessed through comparison to other similar real estates, for which transaction prices and characteristics distinguishing these real estates and having the essential influence on their value are known.
One of the essential difficulties of comparative approach is the necessity to have information about real
estates similar to the one to be appraised, which were subjects of trade on a given property market.
Generally used method of object attributes determination on the basis of maps and reconnaissance
requires participation of a man (an operator). In case of mass appraisal it would cause enormous
expenditure of labour, resulting in huge costs. But to solve these problems Geographic Information
Systems can be used. One of their classical applications are spatial analyses allowing determination of
spatial characteristics of objects and relationships between them. In the paper communication acces-
80
Piotr Cichociñski
sibility attribute was analysed in detail.
The access to real estate was considered in two categories: movement with own transportation means
and using public transport facilities. The first case is more important in rural areas, but also the
second case is significant because of weak public communication network.
The term movement with own transportation means refers to journey along the road network from the
central point, around which concentrates the life of inhabitants, directly to real estate. Such analysis
can be conducted independently for each real estate, by calculation of best route to the centre, or
determination of zones of specified travel times around the centre and assigning particular real estates
to them. Regarding mass transport facilities, one can ride only to the nearest stop, and then has to
move on foot. Such partition into two stages significantly complicates the modeling.
Examination of conditions of journey to real estate was conducted based on two data models: vector
and raster. In the first case functions for geographical networks analyses were used. Two tools were
applied: Best Route between two points and Service Area. In case of rasters the Cost Distance function
was used, which calculates the least-accumulative-cost distance to the nearest centre for each pixel.
Vector analyses were limited to movement along elements of road network, unfortunately also for
pedestrian traffic. As for rasters, every variant of journey forced preparation of suitable data. When
travel only along roads was considered, pixels outside roads were assigned „no data” value in
reclassification process.
In case of raster data, there is no need to have information concerning road network, recorded as
linear objects. Information coming from land register on parcels under roads or land use type road
will be sufficient. Raster data makes it also possible to conduct analyses regarding movement outside
the road network, which can be applied in case of pedestrian traffic examination. After suitable
preparation of a movement cost raster, it also appeared possible to integrate in one analysis getting to
the stop on foot and further travelling using public transportation means. An advantage of raster data
is also the possibility of taking into account the centre of elongated shape, for example situated along
the main street, which is often the case in countryside. However, resulting raster data sets were finally
converted into vector form, containing borders of zones, for easier assignment of real estates to them.
Research described in the paper confirmed the usefulness of tools for vector network analyses and
raster cost analyses for determination of real estates communication accessibility. The only problem
can be, as in many other cases, the availability of suitable data.
dr in¿. Piotr Cichociñski
[email protected]
tel. (012) 617-34-31
POLSKIE
TOWARZYSTWO
INFORMACJI
Kompleksowa ocena
dok³adnoœci
wielkoskalowych
opracowañ PRZESTRZENNEJ
cyfrowych m. Zielona Góra
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
81
KOMPLEKSOWA OCENA DOK£ADNOŒCI
WIELKOSKALOWYCH OPRACOWAÑ CYFROWYCH
MIASTA ZIELONA GÓRA
THE COMPLEX ESTIMATION OF THE ACCURACY
OF LARGE-SCALE DIGITAL MAPS
OF THE CITY OF ZIELONA GÓRA
W³adys³aw D¹browski, Adam Doskocz
Katedra Geodezji Szczegó³owej, Uniwersytet Warmiñsko-Mazurski w Olsztynie
S³owa kluczowe: osnowa geodezyjna, sieæ odtwarzalna, pomiar kontrolny, wielkoskalowa mapa
cyfrowa, ocena dok³adnoœci
Keywords: geodetic control network, restorable network, control survey, large-scale digital map,
accuracy estimation
Wprowadzenie
Zachodz¹ce zmiany spo³eczno-gospodarcze oraz ugruntowuj¹ce siê w Polsce mechanizmy gospodarki rynkowej powoduj¹, ¿e decydenci od szczebla pañstwowego do w³adz
samorz¹dowych pragn¹ racjonalnie zarz¹dzaæ podleg³¹ im przestrzeni¹. Nie ulega jednak
kwestii, i¿ wspó³czesne zarz¹dzanie infrastruktur¹ przestrzenn¹ Polski, zarówno w zakresie
ca³oœci terytorium jak i poszczególnych jej czêœci, sprawnie mo¿e byæ realizowane jedynie z
wykorzystaniem systemów informacyjnych geograficznej (GIS). W³adze miast bêd¹cych
liderami w tym zakresie w swej codziennej pracy korzystaj¹ z najnowszych rozwi¹zañ geoinformatycznych. Przyk³adem godnym naœladowania jest Urz¹d Miasta Zielona Góra, który
w ramach systemu GIS wykorzystuje równie¿ ortofotomapê cyfrow¹ (JóŸwiak, Grobelny,
2006).
Wspó³czesne opracowania wielkoskalowych map cyfrowych wykonywane s¹ wieloma
technologiami o specyficznych cechach i ró¿nej jakoœci produktu finalnego. Dlatego te¿,
zarówno autorzy opracowañ cyfrowych, jak i kr¹g ich u¿ytkowników powinni wiedzieæ
jakiej dok³adnoœci opracowaniami dysponuj¹, a w zwi¹zku z tym do realizacji jakich zadañ
mog¹ byæ one zastosowane.
Celem niniejszej publikacji jest przedstawienie prac wykonanych na przestrzeni ostatnich
siedmiu lat przez Wydzia³ Geodezji i Gospodarowania Mieniem Urzêdu Miasta Zielona Góra
we wspó³pracy z pracownikami naukowymi Wydzia³u Geodezji i Gospodarki Przestrzennej
Uniwersytetu Warmiñsko-Mazurskiego w Olsztynie, w zakresie modernizacji i utrzymania
82
W³adys³aw D¹browski, Adam Doskocz
odpowiedniej jakoœci pañstwowego zasobu geodezyjnego i kartograficznego na terenie miasta Zielona Góra oraz zaprezentowanie rezultatów tych prac.
Modernizacja szczegó³owej, poziomej osnowy geodezyjnej
III klasy
W latach 1998-1999 na terenie miasta Zielona Góra zrealizowano szczegó³ow¹ osnowê
odtwarzaln¹ III klasy. Osnowê nawi¹zano do istniej¹cych punktów poziomej osnowy geodezyjnej I i II klasy, klasycznymi pomiarami k¹towo-liniowymi oraz technik¹ pomiarów satelitarnych w systemie GPS. W ramach za³o¿onej osnowy odtwarzalnej adaptowano 480 punktów istniej¹cej szczegó³owej poziomej osnowy III klasy.
Dziêki wykonanej modernizacji poziomej osnowy geodezyjnej uzyskano wiarygodn¹ i
wysoce dok³adn¹ podstawê dla realizacji prac geodezyjnych i kartograficznych. Maksymalna wielkoœæ b³êdu po³o¿enia punktu poziomej osnowy odtwarzalnej III klasy miasta Zielona
Góra wynosi mp = 0,027 m. Nale¿y tak¿e nadmieniæ, i¿ metod¹ niwelacji geometrycznej z
dok³adnoœci¹ 10 mm/1 km wyznaczono wysokoœci punktów poligonowych (stabilizowanych ziemnie) oraz punktów odtwarzalnych „typu A”, uzyskuj¹c sieæ punktów zaklasyfikowanych do szczegó³owej wysokoœciowej osnowy geodezyjnej IV klasy (Sprawozdanie,
1999a). W ten sposób zrealizowana szczegó³owa osnowa odtwarzalna III klasy spe³nia rolê
osnowy dwufunkcyjnej (Instrukcja techniczna G-2, 2002). Jak wynika z dotychczasowych
doœwiadczeñ, stanowi to znacz¹ce udogodnienie realizacji bezpoœrednich pomiarów sytuacyjno-wysokoœciowych (D¹browski, Dorzak, 1997).
Pochodz¹ca z nowego opracowania szczegó³owa pozioma osnowa geodezyjna III klasy
pos³u¿y³a jako zbiór punktów dostosowania (punkty III klasy w liczbie 3115, obok 84 punktów I i II klasy osnowy poziomej) w wyznaczeniu parametrów transformacji pomiêdzy
uk³adem lokalnym miasta Zielona Góra a pañstwowym uk³adem wspó³rzêdnych "2000" (Kadaj, 2002).
Zgodnie z informacjami uzyskanymi z Wydzia³u Geodezji i Gospodarowania Mieniem
Urzêdu Miasta Zielona Góra wiadomo, ¿e w oparciu o wyznaczone parametry transformacji
przeliczono zasób wielkoskalowej mapy cyfrowej miasta Zielona Góra do uk³adu „2000”.
Ocena dok³adnoœci opracowania sytuacyjnego
wielkoskalowej mapy cyfrowej w zakresie treœci
mapy ewidencji gruntów i budynków oraz mapy zasadniczej
Celem prac badawczych by³o okreœlenie rzeczywistej dok³adnoœci po³o¿enia szczegó³ów
sytuacyjnych I grupy dok³adoœciowej, zapisanego poprzez ich wspó³rzêdne p³askie (X, Y) w
bazie danych mapy cyfrowej miasta Zielona Góra. W dalszej kolejnoœci, w oparciu o stwierdzone b³êdy po³o¿enia szczegó³ów sytuacyjnych I grupy, wyznaczono zakres przydatnoœci
analizowanych szczegó³ów sytuacyjnych zgromadzonych w bazie danych oraz okreœlono
dok³adnoœæ opracowania sytuacyjnego wielkoskalowej mapy cyfrowej.
Kompleksowa ocena dok³adnoœci wielkoskalowych opracowañ cyfrowych m. Zielona Góra
83
Dok³adnoœæ opracowania sytuacyjnego analizowanej mapy cyfrowej oceniono w nawi¹zaniu do wymogów Wytycznych technicznych K-1.2 (1981), w których podano, ¿e b³¹d
po³o¿enia punktu sytuacyjnego I grupy dok³adnoœciowej na mapie analogowej (to¿samej z
wyplotowan¹ prezentacj¹ graficzn¹ mapy cyfrowej) nie powinien przekroczyæ ± 0,3 mm w
skali mapy. Ogólnie rzecz ujmuj¹c, badanie dok³adnoœci oparto na porównaniu wspó³rzêdnych trzech rodzajów (nienaruszonych w terenie) szczegó³ów sytuacyjnych I grupy – zapisanych w pierwotnym wyznaczeniu ich po³o¿enia (zawartym w bazie danych analizowanej
mapy cyfrowej) ze wspó³rzêdnymi pozyskanymi z kontrolnie wykonanego nowego pomiaru
bezpoœredniego. Badania wykonano w oparciu o ³¹cznie 1619 punktów kontrolnych nastêpuj¹cego rodzaju: punkty za³amania konturu budynków (oznaczone liter¹ B), punkty graniczne (oznaczone liter¹ G) oraz punkty armatury uzbrojenia naziemnego (oznaczone liter¹ U).
Kontrolne pomiary terenowe wykonano (zgodnie z warunkami technicznymi autorstwa
W³adys³awa D¹browskiego) tachimetrem elektronicznym w nawi¹zaniu do poziomej geodezyjnej osnowy odtwarzalnej III klasy o dok³adnoœci mp < 0,03 m. Wzorcowe wspó³rzêdne
punktów kontrolnych wyznaczono z pomiarów zawieraj¹cych obserwacje nadliczbowe, co
pozwoli³o na wyrównanie œcis³e wyników pomiarów i ocenê ich dok³adnoœci (wyrównanie
przeprowadzono w programie SIEÆ 95 autorstwa Idziego Gajderowicza). Stwierdzono, ¿e
œrednia wielkoœæ b³êdu po³o¿enia punktów kontrolnych wynios³a mpI= 0,018 m (Sprawozdanie, 1999b).
Wielkoskalow¹ mapê cyfrow¹ miasta Zielona Góra opracowano na podstawie istniej¹cych wyników pomiarów sytuacyjnych przeprowadzonych w latach 1974–1999 g³ównie
metod¹ domiarów prostok¹tnych z punktów poligonizacji technicznej II klasy (b¹dŸ z opartej
na niej osnowy pomiarowej) za³o¿onej w latach 1973–1974 przez Pañstwowe Przedsiêbiorstwo Geodezyjno-Kartograficzne wg Instrukcji B-III.
Pomiar k¹tów wykonano teodolitem Theo 010 w 2 seriach, zaœ odleg³oœci taœm¹ stalow¹
ze wskaŸnikami lub Distomatem DI-10. Osnowê wyrównano dwurzêdowo metod¹ punktów wêz³owych. B³êdy œrednie punktów wêz³owych nie przekroczy³y 0,15 m. Osnowa z
1974 r. by³a w miarê potrzeb modernizowana i uzupe³niana do 1999 roku. Na jej podstawie
dokonywano sukcesywnych pomiarów sytuacyjnych, g³ównie metod¹ domiarów prostok¹tnych, a w ostatnich latach metod¹ biegunow¹ z wykorzystaniem tachimetru elektronicznego. Wyniki pomiarów, wykonanych w latach 1974–1999, pos³u¿y³y do zbudowania bazy
danych mapy cyfrowej w systemie GEO-INFO.
Zgodnie z wytycznymi Grodzkiego Oœrodka Dokumentacji Geodezyjnej i Kartograficznej
w Zielonej Górze badanie dok³adnoœci opracowania sytuacyjnego mapy cyfrowej wykonano
na 7 obiektach kontrolnych uznanych za reprezentatywne dla poszczególnych obszarów
miasta. Pozwoli³o to na przeniesienie wyników analiz dok³adnoœciowych danego obiektu na
obszar o jednorodnej lub zbli¿onej technologii wyznaczenia wspó³rzêdnych punktów sytuacyjnych I grupy dok³adnoœciowej, zawartych w bazie danych mapy cyfrowej.
W pierwszym etapie badañ uzgodniono i ujednolicono uk³ady wspó³rzêdnych, przetransformowano wspó³rzêdne punktów kontrolnych pozyskane z bazy danych analizowanej mapy
do uk³adu obowi¹zuj¹cej poziomej osnowy geodezyjnej (w nawi¹zaniu, do której zrealizowano pomiary kontrolne). Wykonano transformacjê afiniczn¹ w oparciu o punkty poziomej
osnowy geodezyjnej III klasy, które funkcjonowa³y w osnowie z lat 70., a nastêpnie zosta³y
w³¹czone do nowo za³o¿onej osnowy odtwarzalnej. W ¿adnym z obiektów kontrolnych œredni
b³¹d transformacji nie przekroczy³ 0,10 m.
W³adys³aw D¹browski, Adam Doskocz
84
Nastêpnie, w oparciu o ró¿nice wspó³rzêdnych punktów kontrolnych (wyra¿one w jednolitym uk³adzie wspó³rzêdnych), wyznaczono dok³adnoœæ po³o¿enia szczegó³ów sytuacyjnych. B³¹d po³o¿enia punktu sytuacyjnego obliczono w oparciu o poni¿sz¹ zale¿noœæ (D¹browski i in., 1999):
 [ ∆L2 ]
m PII = 
− m P2I
 N





(1)
gdzie:
m PII
m PI
– b³¹d po³o¿enia punktu na ocenianej mapie cyfrowej,
– b³¹d po³o¿enia punktu wyznaczonego z kontrolnego pomiaru bezpoœredniego,
∆L = ( X II − X I )2 + (YII − YI )2 – d³ugoœæ wektora przesuniêcia punktu kontrolnego,
X II , YII – wspó³rzêdne punktu kontrolnego pozyskane z bazy danych ocenianej mapy cyfrowej,
XI, YI – wzorcowe wspó³rzêdne punktu kontrolnego,
N
– liczba punktów kontrolnych.
W zwi¹zku z tym, i¿ badany zasób bazowy dotyczy obszaru miejskiego, prezentacja
graficzna mapy cyfrowej ma spe³niaæ rolê mapy zasadniczej (terenu zurbanizowanego) w
skali 1:500. Graniczn¹ wielkoœæ b³êdu po³o¿enia szczegó³u sytuacyjnego okreœlono jako trzykrotn¹ œredni¹ wielkoœæ b³êdu:
0,0003 m × 500 = 0,15 m; 0,15 m × 3 = 0,45 m ⇒ b³¹d graniczny – mPgr = 0,45 m.
W odniesieniu do punktów kontrolnych o ∆L > 0,45 m przyjêto, ¿e s¹ obarczone b³êdami
grubymi i poddano je gruntownej analizie. Na ka¿dym obiekcie kontrolnym zlokalizowano
punkty kontrolne obarczone b³êdami grubymi oraz okreœlono jaki odsetek stanowi¹ one w
ca³oœci zbioru punktów kontrolnych (Sprawozdanie, 1999c).
Obiekty 1, 2, 5 i 6 opracowano podobnie, poniewa¿ w przypadku ka¿dego z nich liczba
punktów kontrolnych o b³êdach grubych nie przekroczy³a 3% zbioru punktów kontrolnych.
Ponadto nie stwierdzono na ich obszarach ¿adnej prawid³owoœci w po³o¿eniu punktów kontrolnych o b³êdach grubych. W tej sytuacji punkty obarczone b³êdami grubymi wy³¹czono z
badañ, a na podstawie pozosta³ych okreœlono b³¹d po³o¿enia punktu (mP ) w zbiorze wszystII
kich punktów kontrolnych ³¹cznie oraz z podzia³em na rodzaje szczegó³ów I grupy dok³adnoœciowej.
Ka¿dy z pozosta³ych trzech obiektów kontrolnych opracowano odrêbnie, stosuj¹c do
ka¿dego z nich podejœcie indywidualne, ze wzglêdu na zaobserwowane cechy analizowanych zbiorów.
W przypadku obiektu 3 stwierdzono, i¿ 13% punktów jest obarczonych b³êdami grubymi. Ponadto wykonana analiza po³o¿enia punktów kontrolnych wskaza³a, ¿e punkty obarczone b³êdami grubymi znajduj¹ siê na arkuszach map 1(5), 2(5) i 4(5). Poniewa¿ by³y to
s¹siednie arkusze po³o¿one w œrodkowej czêœci obiektu dlatego te¿, aby nie przes¹dza³y one
o dok³adnoœci pozosta³ych arkuszy, wyznaczono b³¹d po³o¿enia punktu na ka¿dym z arkuszy
oddzielnie (tab. 1).
Do obliczeñ dotycz¹cych arkuszy 1(5), 2(5) i 4(5) w³¹czono wszystkie znajduj¹ce siê na
nich punkty kontrolne, z wyj¹tkiem punktu granicznego o numerze 25280, którego wielkoœæ
∆L = 5,83 m trudno by³o jakkolwiek skomentowaæ. By³o to konieczne poniewa¿ b³êdy grube
stanowi³y odpowiednio na arkuszu: 2(5) – 42%, 4(5) – 10%, 1(5) – 6% punktów zbioru
kontrolnego. Na arkuszach 3(5) i 5(5) w zbiorze punktów kontrolnych nie stwierdzono
punktów o b³êdach grubych.
Kompleksowa ocena dok³adnoœci wielkoskalowych opracowañ cyfrowych m. Zielona Góra
85
Punktami kontrolnymi w obiekcie 3 by³y niemal¿e wy³¹cznie punkty za³amañ konturu
budynków. Ma³y odsetek stanowi³y punkty graniczne na trzech arkuszach, odpowiednio:
2(5) – 10%, 4(5) – 14% i 5(5) – 6%. W zwi¹zku z tym wyznaczono b³¹d po³o¿enia punktu
kontrolnego ³¹cznie, bez wyszczególniania rodzajów punktów.
Na obiekcie 4 stwierdzono, ¿e 7% punktów kontrolnych obarczonych jest b³êdami grubymi. W przeprowadzonej analizie po³o¿enia punktów kontrolnych, punkty obarczone b³êdami grubymi zlokalizowano na arkuszach map 2(7), 3(7), 4(7) i 7(7). Arkusze te znajdowa³y
siê w centralnej czêœci obiektu i zasiêgiem swym obejmowa³y znaczn¹ czêœæ jego obszaru.
Dlatego te¿ dok³adnoœæ pozosta³ych arkuszy, przy ma³ym zasiêgu obszarowym i niewielkiej
liczbie punktów kontrolnych, nie mog³a byæ wyznaczona oddzielnie.
W zwi¹zku z tym, ¿e z 7% punktów kontrolnych o b³êdach grubych oko³o 1% obarczonych by³o b³êdami rzêdu 3 metrów, a pozosta³e 6% nieznacznie przekroczy³y wielkoœæ b³êdu
grubego (0,45 m) – obliczono b³¹d œredni po³o¿enia punktu kontrolnego (w obiekcie 4) w
dwóch wariantach:
I. Wszystkie punkty obarczone b³êdami grubymi wy³¹czono z obliczeñ.
II. Wy³¹czono z obliczeñ tylko punkty z b³êdami bardzo du¿ymi – rzêdu 3 m.
W obu z nich okreœlono b³¹d po³o¿enia punktu (mp ) w zbiorze wszystkich punktów
II
kontrolnych ³¹cznie oraz z podzia³em na rodzaje szczegó³ów I grupy dok³adnoœciowej.
Obiekt 7 reprezentowany by³ a¿ w 23% punktami kontrolnymi o b³êdach grubych.
Po przeanalizowaniu po³o¿enia punktów kontrolnych stwierdzono, ¿e punkty obarczone b³êdami grubymi znajduj¹ siê prawie wy³¹cznie na arkuszu 1(2). Ponadto stanowi¹ one 70%
punktów kontrolnych tego arkusza, a œrednia d³ugoœæ wektora przesuniêcia wynosi 1,96 m.
Przes¹dzi³o to o zaniechaniu dalszych badañ arkusza 1(2) ze wzglêdu na bardzo ma³¹ dok³adnoœæ po³o¿enia szczegó³ów sytuacyjnych I grupy dok³adnoœciowej.
Natomiast w przypadku arkusza 2(2) stwierdzono 3% punktów kontrolnych obarczonych b³êdami grubymi – wy³¹czono je z dalszych obliczeñ. Wyznaczono b³¹d po³o¿enia punktu
kontrolnego ³¹cznie dla wszystkich punktów kontrolnych arkusza 2(2). Jednak¿e ocena ta
mo¿e byæ jednoznacznie traktowana w odniesieniu do punktów za³amañ konturu budynków,
gdy¿ stanowi³y one 94% zbioru punktów kontrolnych arkusza.
Podsumowanie badania dok³adnoœci
opracowania sytuacyjnego mapy wielkoskalowej
Obliczenia i analizy wykonane na obiektach kontrolnych pozwoli³y na okreœlenie rzeczywistej dok³adnoœci opracowania sytuacyjnego mapy cyfrowej miasta Zielona Góra (D¹browski,
Doskocz, 2000b). Dok³adnoœæ mapy scharakteryzowano b³êdem po³o¿enia szczegó³u sytuacyjnego I grupy dok³adnoœciowej (mp ).
II
Ze wzglêdu na stwierdzone kilkumetrowe b³êdy uznano, ¿e arkusz 1(2) obiektu 7 nie
spe³nia wymogów dok³adnoœciowych. Z pozosta³ych obiektów du¿e wielkoœci b³êdów po³o¿enia punktu sytuacyjnego stwierdzono na obiekcie 3, a w szczególnoœci b³¹d mp = 0,57 m
II
adekwatny dla arkusza 2(5). Dok³adnoœæ arkuszy obiektu 3 jest generalnie mniejsza od dok³adnoœci arkuszy map pozosta³ych badanych obiektów.
Po uwzglêdnieniu wymogów dok³adnoœciowych wytycznych K-1.2 (1981), w odniesieniu do wyznaczonych b³êdów po³o¿enia szczegó³ów sytuacyjnych I grupy, okreœlono dozwolone skale prezentacji graficznej badanej mapy cyfrowej. Nastêpnie skale zaszeregowano
W³adys³aw D¹browski, Adam Doskocz
86
Tabe la 1. Stwie rdzone b³ê dy po³o¿e nia s zcze gó³ów s ytuacyjnych pie rws ze j grupy dok³adnoœ ciowe j
na pos zcze gólnych obie ktach kontrolnych wie lkos kalowe j mapy cyfrowe j
Metoda
wyznaczenia
wspó³rzêdnych
punktów
sytuacyjnych
Skala
bazowa
opracowania mapy
cyfrowej
Numer obiektu
kontrolnego
Rodzaj i liczba
punktów
kontrolnych
Stwierdzony
b³¹d po³o¿enia
punktu m pII
[m]
Mianownik skali mapy
spe³niaj¹cy wymóg
standardu dok³adnoœci
(dozwolona skala
prezentacji graficznej)
1
2
3
4
5
6
Obliczenie
wspó³rzêdnych
z wyników
wczeœniejszych
pomiarów
bezpoœrednich
1:500
1
B – 200
0 , 14
466 (1:500)
2
3
4
0,19
633 (1:1000)
0 , 15
500 (1:500)
B – 93
0,21
700 (1:1000)
G – 124
0,21
700 (1:1000)
£¹cznie – 217
0,21
700 (1:1000)
arkusz 1(5)
32
0,25
833 (1:1000)
arkusz 2(5)
40
0,57
1900 (1:2000
arkusz 3(5)
13
0,24
800 (1:1000)
arkusz 4(5)
86
0,28
933 (1:1000)
arkusz 5(5)
34
0,16
533 (1:500)
I wariant
B – 183
0 , 19
633 (1:1000)
G – 45
0,16
533 (1:500)
£¹cznie – 228
0 , 19
633 (1:1000)
B – 193
0,22
733 (1:1000)
G – 48
0,20
666 (1:1000)
£¹cznie – 241
0,22
733 (1:1000)
B – 131
0,10
333 (1:500)
G – 66
0,23
766 (1:1000)
U – 121
0,24
800 (1:1000)
£¹cznie – 318
0,20
666 (1:1000)
II wariant
5
6
7
G – 57
£¹cznie – 257
arkusz 1(2)
arkusz 2(2)
B – 150
0,16
533 (1:500)
G – 67
0,07
233 (1:250)
U – 47
0,14
466 (1:500)
£¹cznie – 264
0 , 14
466 (1:500)
B – 20
0,77
2566 (1:5000)
G –1
0,87
2900 (1:5000)
£¹cznie – 21
0,77
2566 (1:5000)
B – 67
0,20
666 (1:1000)
G–5
0,28
933 (1:1000)
£¹cznie – 72
0,21
700 (1:1000)
Kompleksowa ocena dok³adnoœci wielkoskalowych opracowañ cyfrowych m. Zielona Góra
87
zgodnie z obowi¹zuj¹c¹ systematyk¹ opracowañ geodezyjnych (Instrukcja techniczna K-1,
1998), uzyskuj¹c informacjê o u¿ytecznoœci bazy danych wielkoskalowej mapy cyfrowej
miasta Zielona Góra. Wyniki badañ i p³yn¹ce z nich zalecenia przedstawiono w tabeli 1.
Ocena dok³adnoœci opracowania sytuacyjnego
ortofotomapy cyfrowej w skali bazowej 1:2000
Celem pracy by³o wyznaczenie b³êdów po³o¿enia wybranych szczegó³ów sytuacyjnych
na rastrowym obrazie ortofotomapy opracowanej w skali bazowej 1:2000, a nastêpnie ocena
rzeczywistej dok³adnoœci opracowania sytuacyjnego ortofotomapy i okreœlenie jej u¿ytecznoœci do zarz¹dzania infrastruktur¹ miasta Zielona Góra.
Pracê badawcz¹ wykonano na podstawie 33 sekcji ortofotomapy w postaci rastrowej
(pliki .tif) i towarzysz¹cych im plików referencyjnych (.tfw), udostêpnionych do badañ
przez Wydzia³ Geodezji i Gospodarowania Mieniem Urzêdu Miasta Zielona Góra.
Analizowan¹ ortofotomapê cyfrow¹ miasta Zielona Góra wykonano ze zdjêæ lotniczych
(zrealizowanych w marcu 2002 roku) w skali 1:6000. Opracowanie ortofotomapy w skali
1:2000 wykona³a firma FotoGIS z Pruszkowa, w technologii zapewniaj¹cej uzyskanie terenowego wymiaru piksela równego 0,20 m (UMZG, 2006a).
Ocenê dok³adnoœci opracowania sytuacyjnego ortofotomapy cyfrowej przeprowadzono
przez porównanie wspó³rzêdnych wybranych punktów sytuacyjnych pozyskanych metod¹
wektoryzacji manualnej ze wspó³rzêdnymi tych samych punktów wyznaczonymi w wyniku
pomiarów kontrolnych.
Pomiary kontrolne zosta³y wykonane, zgodnie z warunkami technicznymi autorstwa
W³adys³awa D¹browskiego, przez Okrêgowe Przedsiêbiorstwo Geodezyjno-Kartograficzne
GEOMAP Sp. z o.o. z siedzib¹ w Zielonej Górze. W nawi¹zaniu do wysoko dok³adnej (mp <
0,03 m) osnowy odtwarzalnej III klasy, firma GEOMAP pomierzy³a tachimetrem elektronicznym 501, równomiernie rozmieszczonych na obszarze miasta, szczegó³ów sytuacyjnych (niemal wy³¹cznie) I grupy o ró¿nej dok³adnoœci identyfikacji na rastrowym obrazie
ortofotomapy.
Wœród pomierzonych punktów kontrolnych by³y m.in.: punkty armatury uzbrojenia naziemnego – œrodki geometryczne pokryw tzw. studzienek; punkty za³amañ konturu budynków; punkty za³amañ linii krawê¿nika otaczaj¹cego: zieleñce, skwery, parkingi i inne elementy powierzchniowe trwa³ej infrastruktury komunikacyjnej; s³upy ogrodzeniowe; latarnie uliczne; s³upy linii napowietrznych armatury uzbrojenia nadziemnego itp.
Z materia³u pomiarowego zawieraj¹cego co najmniej dwie obserwacje nadliczbowe dla
ka¿dego kontrolnie pomierzonego punktu sytuacyjnego uzyskano (w wyniku wyrównania
œcis³ego) wspó³rzêdne p³askie (XI, YI) w uk³adzie „2000” i b³¹d po³o¿enia – œrednia wielkoœæ
b³êdu po³o¿enia wynios³a mp = 0,03 m (Sprawozdanie, 2004).
I
Wspó³rzêdne okreœlaj¹ce sytuacyjne po³o¿enie punktów kontrolnych na rastrowym obrazie ortofotomapy wyznaczono ostatecznie jako wartoœæ œredniej arytmetycznej ze wspó³rzêdnych pozyskanych w wyniku dwukrotnej manualnej wektoryzacji tych punktów. Uœrednione wspó³rzêdne (XII, YII) z wyników dwukrotnej wektoryzacji by³y podstaw¹ do realizacji
badañ w zakresie oceny dok³adnoœci ortofotomapy cyfrowej miasta Zielona Góra. W ramach
tych badañ, porównano je ze wspó³rzêdnymi (tych samych szczegó³ów sytuacyjnych) wyznaczonymi w trakcie terenowego pomiaru kontrolnego.
88
W³adys³aw D¹browski, Adam Doskocz
Ocenê dok³adnoœci opracowania sytuacyjnego ortofotomapy zrealizowano zgodnie z
metodyk¹ przedstawion¹ w pracach (D¹browski i in., 1999) oraz (Doskocz, 2003).
W trakcie manualnej wektoryzacji sytuacyjnego po³o¿enia punktów kontrolnych stwierdzono (Sprawozdanie, 2005), ¿e 39 punktów kontrolnych jest nieprzydatnych do badañ
(znajduj¹ siê one na obszarze 18 sekcji ortofotomapy, z ogólnej liczby 33 analizowanych
sekcji). Nieprzydatne punkty kontrolne stanowi¹ 7,8 % spoœród zbioru 501 punktów wyznaczonych w pomiarach terenowych.
Zasadniczym powodem wy³¹czenia punktów nieprzydatnych z dalszych analiz i badañ,
by³ brak mo¿liwoœci jednoznacznego odczytania ich wspó³rzêdnych p³askich z rastrowego
obrazu ortofotomapy. W zwi¹zku z tym, ocenê dok³adnoœci ortofotomapy cyfrowej m. Zielona Góra zrealizowano w oparciu o zbiór 462 punktów kontrolnych.
Uzyskane wyniki dwukrotnej wektoryzacji wykorzystano do oceny dok³adnoœci manualnego wyznaczenia wspó³rzêdnych punktów kontrolnych na rastrowym obrazie ortofotomapy. Na podstawie ró¿nic wspó³rzêdnych (zgodnie z teori¹ par obserwacji) oszacowano dok³adnoœæ wektoryzacji w ramach analizowanych grup punktów sytuacyjnych dla poszczególnych sekcji ortofotomapy cyfrowej (i ³¹cznie w obszarze badañ) za pomoc¹ poni¿ej zapisanej formu³y (Doskocz, 2003):
(2)
[ ∆W 2 ]
mW =
2⋅N
gdzie ÄW = ÄX 2 + ÄY 2 jest d³ugoœci¹ wektora utworzonego ze wspó³rzêdnych punktu
wyznaczonych w podwójnej wektoryzacji, a N jest liczb¹ zwektoryzowanych punktów kontrolnych.
Stwierdzono, ¿e dok³adnoœæ wektoryzacji sytuacyjnego po³o¿enia punktów kontrolnych,
na obszarze analizowanej ortofotomapy opracowanej w skali bazowej 1:2000, wynios³a œrednio
0,05 m (zakres dok³adnoœci wektoryzacji punktów kontrolnych, na rastrowych obrazach
poszczególnych sekcji ortofotomapy, wyniós³ od 0,03 m do 0,08 m). Stanowi³o to dobry
wynik zgodny z dok³adnoœci¹, fotogrametrycznych pomiarów punktowych, prezentowan¹
w literaturze przedmiotu (np. Preuss, 1994).
B³¹d po³o¿enia (mp ) poszczególnych rodzajów szczegó³ów sytuacyjnych wyznaczono
II
na podstawie porównania wspó³rzêdnych pozyskanych z wektoryzacji ortofotomapy
ze wspó³rzêdnymi tych samych szczegó³ów sytuacyjnych wyznaczonymi z wyników pomiaru kontrolnego, wykonanego w oparciu o istniej¹c¹ osnowê odtwarzaln¹ III klasy. Wykonuj¹c obliczenia zgodnie z zale¿noœci¹ (1), przeanalizowano d³ugoœci wektora przesuniêcia
punktów kontrolnych (Sprawozdanie, 2006).
W przeprowadzonej analizie ca³oœci zbioru d³ugoœci (∆L) wektora przesuniêcia punktów
kontrolnych badanej ortofotomapy cyfrowej stwierdzono, ¿e: œrednia d³ugoœæ wektora przesuniêcia wynosi 0,28 m, a zdecydowana wiêkszoœæ wektorów (95%) nie przekracza dwukrotnie œredniej d³ugoœci wektora (∆L ≤ 0,56 m); ale jednoczeœnie kilka (dok³adnie 6) wektorów przesuniêcia punktu kontrolnego wykazuje d³ugoœæ rzêdu ∆L = 1,0 m ±0,2 m.
W zwi¹zku z tym – w sekcjach ortofotomapy oraz w ramach grup rodzajów sytuacyjnych punktów kontrolnych, w których stwierdzono wektory przesuniêcia przekraczaj¹ce
trzykrotnie œredni¹ d³ugoœæ wektora (0,84 m) – obliczenia wykonano tak¿e w drugim wariancie z wy³¹czeniem wektorów o ∆L > 0,84 m. Uznaj¹c, i¿ wektory o tak du¿ej d³ugoœci
powsta³y w sposób losowy – przy braku jakichkolwiek podstaw sformu³owania tezy o nie
Kompleksowa ocena dok³adnoœci wielkoskalowych opracowañ cyfrowych m. Zielona Góra
89
zachowaniu jednorodnej dok³adnoœci opracowania sytuacyjnego ortofotomapy cyfrowej – a
przyczyn zaistnienia takiego zdarzenia nale¿y siê dopatrywaæ po stronie procesu pozyskania
wspó³rzêdnych punktu kontrolnego metod¹ manualnej wektoryzacji przeprowadzonej na rastrowym obrazie ortofotomapy.
Zestawienie stwierdzonych b³êdów po³o¿enia punktów kontrolnych (których sytuacyjn¹
lokalizacjê na rastrowym obrazie ortofotomapy wyznaczono metod¹ manualnej wektoryzacji) uszeregowanych w ramach poszczególnych rodzajów szczegó³ów sytuacyjnych przedstawiono poni¿ej w tabeli 2.
Tabe la 2. Stwie rdzone b³ê dy po³o¿e nia analizowanych rodzajów s zcze gó³ów s ytuacyjnych
na ras trowym obrazie ortofotomapy
Lp.
Rodzaj
sytuacyjnego
punktu
kontrolnego
Liczba
analizowanych
punktów
kontrolnych
Dok³adnoœæ
wektoryzacji
m W [m]
Œrednia
d³ugoœæ
wektora
przesuniêcia
∆L [m]
Stwierdzony
b³¹d
po³o¿enia
punktu
kontrolnego
m p II [m]
Mianownik skali
mapy spe³niaj¹cy
wymóg standardu
dok³adnoœci
(dozwolona skala
prezentacji
graficznej)
1
2
3
4
5
6
7
1
Element
ogrodzenia inny
15
14*
0,06
0,33
0,27
0,43
0,30
1433 (1:2000)
1000 (1:1000)
2
Naro¿nik
elementu
betonowego
36
34*
0,06
0,35
0,31
0,42
0,35
1400 (1:2000)
1166 (1:2000)
3
Punkt
za³amania
konturu
budynku
28
0,07
0,30
0,33
1100 (1:1000)
4
Punkt
za³amania linii
krawê¿nika
172
0,05
0,29
0,33
1100 (1:1000)
5
S³up inny
130
128*
0,05
0,25
0,24
0,29
0,27
966 (1:1000)
900 (1:1000)
6
S³up
ogrodzenia
40
0,06
0,27
0,30
1000 (1:1000)
7
Studzienka
41
40*
0,05
0,27
0,26
0,31
0,28
1033 (1:1000)
933 (1:1000)
462
456*
0,05
0,28
0,27
0,33
0,31
1100 (1:1000)
1033 (1:1000)
£¹cznie
* drugi wariant
90
W³adys³aw D¹browski, Adam Doskocz
Podsumowanie badania dok³adnoœci opracowania
sytuacyjnego ortofotomapy cyfrowej
Ocenê dok³adnoœci opracowania sytuacyjnego ortofotomapy cyfrowej miasta Zielona Góra
scharakteryzowano b³êdem po³o¿enia punktu (mp ). W ramach grup poszczególnych rodzaII
jów analizowanych szczegó³ów sytuacyjnych stwierdzono, ¿e b³êdy po³o¿enia punktu wynosz¹ od 0,27 m do 0,35 m. Rozpatrywane szczegó³y sytuacyjne, bêd¹ce niemal wy³¹cznie
szczegó³ami I grupy dok³adnoœciowej, charakteryzuj¹ siê du¿¹ dok³adnoœci¹ identyfikacji na
rastrowym obrazie ortofotomapy oraz dostêpnoœci¹ dla stosunkowo ³atwego wyznaczania
ich jednoznacznego po³o¿enia metod¹ manualnej wektoryzacji.
Dok³adnoœæ opracowania sytuacyjnego badanej ortofotomapy cyfrowej rzêdu 1–2 piksele
potwierdzi³a poziom dok³adnoœci wskazywany w literaturze przedmiotu (Kaczyñski i in., 1999).
Konkluzja na temat zrealizowanych prac
w zakresie modernizacji i utrzymania odpowiedniej jakoœci
pañstwowego zasobu geodezyjnego i kartograficznego
oraz ich bezpoœrednich korzyœci
dla zarz¹dzania infrastruktur¹ miasta
Dziêki wykonanej modernizacji szczegó³owej poziomej osnowy geodezyjnej III klasy
na terenie miasta Zielona Góra uzyskano wiarygodn¹ i wysoce dok³adn¹ podstawê dla realizacji prac geodezyjnych i kartograficznych. Maksymalna wielkoœæ b³êdu po³o¿enia punktu
poziomej osnowy odtwarzalnej III klasy miasta Zielona Góra wynosi mp = 0,027 m. Oparty
na tej osnowie sytuacyjny pomiar kontrolny, równie¿ charakteryzuje siê wysok¹ dok³adnoœci¹. B³êdy po³o¿enia punktów kontrolnych (bezwzglêdne wielkoœci, po uwzglêdnieniu b³êdnoœci punktów osnowy) wahaj¹ siê od 0,03 m do 0,05 m.
Z dotychczasowych doœwiadczeñ wielu miast i gmin w Polsce (liczba wdro¿eñ technologii osnów odtwarzalnych wynosi ponad 250) wynika, ¿e w przypadku pomiarów sytuacyjnych realizowanych na terenach zurbanizowanych osnowa III klasy wykonana w technologii odtwarzalnej zapewnia mo¿liwoœæ wyznaczania po³o¿enia szczegó³ów z najwy¿sz¹ dok³adnoœci¹ bezwzglêdn¹ (D¹browski, Doskocz, 2000a).
Prawid³owe u¿ytkowanie osnowy III klasy za³o¿onej w technologii odtwarzalnej, czêsto
eliminuje potrzebê jej rozwijania (przy wykonywaniu szczegó³owych pomiarów sytuacyjnych oraz sytuacyjno-wysokoœciowych) do tradycyjnych ci¹gów osnowy pomiarowej (D¹browski, Dorzak, 1997).
Ponadto punkty osnowy pomiarowej zak³adane popularnymi konstrukcjami geodezyjnymi (g³ównie metod¹ k¹towo-liniowych wciêæ wstecz) œciœle wyrównywanymi w nawi¹zaniu do osnowy odtwarzalnej III klasy równie¿ charakteryzuj¹ siê wysok¹ dok³adnoœci¹ – mp
nie wiêksze ni¿ 0,05 m (D¹browska i in., 1995).
W modernizacji szczegó³owej osnowy geodezyjnej niezwykle istotnym jest aspekt adaptacji punktów istniej¹cej osnowy III klasy, charakteryzuj¹cej siê odpowiedni¹ dok³adnoœci¹
(z wyrównania œcis³ego) i nienaruszon¹ stabilizacj¹ terenow¹. Jak wykaza³y przeprowadzo-
Kompleksowa ocena dok³adnoœci wielkoskalowych opracowañ cyfrowych m. Zielona Góra
91
ne badania, poprawne postêpowanie in¿ynierskie zrealizowane w mieœcie Zielona Góra pozwoli³o na przejêcie wartoœciowych wyników pomiarów sytuacyjnych (zapisanych w gromadzonych operatach technicznych) wykonywanych na przestrzeni ostatnich 30. lat i na ich
podstawie zbudowanie bazy danych wielkoskalowej mapy cyfrowej.
Przeprowadzona ocena dok³adnoœci opracowania sytuacyjnego w zakresie treœci mapy
ewidencji gruntów i budynków oraz mapy zasadniczej pozwoli³a na okreœlenie rzeczywistej
dok³adnoœci wielkoskalowej mapy cyfrowej miasta Zielona Góra, któr¹ scharakteryzowano
b³êdem po³o¿enia szczegó³u sytuacyjnego I grupy dok³adnoœciowej (mP ). Stwierdzono, ¿e
II
adaptowanie wyników wczeœniejszych pomiarów bezpoœrednich (w oparciu o dok³adn¹ osnowê geodezyjn¹) generalnie zapewnia wykonanie wielkoskalowej mapy cyfrowej z dok³adnoœci¹ dawnych pomiarów sytuacyjnych – rzêdu 0,10–0,20 m. Mniejsz¹ dok³adnoœæ stwierdzono: na obszarze obiektu kontrolnego nr 3, a szczególnie w zasiêgu arkusza 2(5) oraz na
terenie arkusza 1(2) obiektu 7 (tab. 1). Z informacji uzyskanych z Urzêdu Miasta Zielona
Góra wiadomo, ¿e wymienione mniej dok³adne fragmenty mapy uzupe³niono wynikiem nowych pomiarów bezpoœrednich (Szczepañski, 2001).
Zrealizowana ocena dok³adnoœci opracowania sytuacyjnego ortofotomapy cyfrowej
miasta Zielona Góra (wykonanej w skali bazowej 1:2000) wykaza³a jej jednorodn¹ dok³adnoœæ. Stwierdzony b³¹d po³o¿enia analizowanych punktów kontrolnych wyniós³ oko³o mP =
II
0,30 m ±0,05 m. Wskaza³o to na mo¿liwoœæ prowadzenia punktowych pomiarów sytuacyjnych, wykonywanych na rastrowym obrazie badanej ortofotomapy, z wysok¹ dok³adnoœci¹.
Uzyskane wyniki, w odniesieniu do zbadanych szczegó³ów sytuacyjnych (niemal wy³¹cznie
I grupy dok³adnoœciowej), pozwalaj¹ na ich prezentacjê graficzn¹ nawet w skali 1:1000 (tab.
2). Oprócz powy¿ej akcentowanych walorów ortofotomapy cyfrowej miasta Zielona Góra
w zakresie mo¿liwoœci prowadzenia analiz i pozyskiwania informacji w ramach zbioru ocenianych obiektów punktowych, nale¿y wskazaæ na ogromny potencja³ profesjonalnie (geodezyjnie) opracowanego materia³u fotograficznego oraz wszechstronnoœæ i ró¿norodnoœæ
zgromadzonych w nim informacji o terenie.
Wyniki badañ potwierdzi³y tak¿e, i¿ ortofotomapa cyfrowa miasta Zielona Góra (opracowana w skali 1:2000) w naturalny sposób staje siê wartoœciowym uzupe³nieniem cyfrowych
opracowañ mapowych (cyfrowej mapy zasadniczej oraz cyfrowej mapy ewidencji gruntów i
budynków), którymi ju¿ od kilku lat dysponuje Wydzia³ Geodezji i Gospodarowania Mieniem
Urzêdu Miasta Zielona Góra. Ortofotomapa, jako opracowanie autonomiczne, b¹dŸ w po³¹czeniu z treœci¹ innych map cyfrowych, jest doskona³ym Ÿród³em do realizacji opracowañ tematycznych i studialnych w ramach miejskiego systemu GIS (UMZG, 2006b). Albowiem wiadomym jest, ¿e pozyskanie wiarygodnych i dok³adnych danych jest warunkiem poprawnego
wykonywania prac na przyk³ad z zakresu geodezji gospodarczej (Doskocz, 2005).
W zwi¹zku z powy¿szym w podsumowaniu nale¿y stwierdziæ, ¿e – w warunkach powszechnego tworzenia map cyfrowych bêd¹cych czêsto produktami o niepe³nej aktualnoœci i
nieokreœlonej dok³adnoœci – postêpowanie Urzêdu Miasta Zielona Góra w zakresie rozwi¹zania
kwestii modernizacji geodezyjnej osnowy szczegó³owej oraz technologii wykonania wielkoskalowych opracowañ cyfrowych zas³uguje na pe³ne uznanie i jest godne naœladowania.
Literatura
D¹browska D., D¹browski W., Lewandowicz E., Nojak J., Wierciñski T., 1995: Sytuacyjna mapa numeryczna z
pomiarów bezpoœrednich – pierwsze doœwiadczenia nauczania technologii. [W:] Systemy Informacji Przestrzennej, V Konferencja Naukowo-Techniczna, Wydawnictwo Fundacja „Rozwój SGGW”, Warszawa.
92
W³adys³aw D¹browski, Adam Doskocz
D¹browski W., Dorzak A.,1997: Perspektywy rozwoju technologii osnów odtwarzalnych w œwietle 12letnich doœwiadczeñ. Zeszyty Naukowe Akademii Rolniczej we Wroc³awiu, Seria: Geodezja i Urz¹dzenia
Rolne XIV, Nr 324.
D¹browski W., D¹browska D., Doskocz A., Lubarski J., 1999: Czy numerycznie znaczy dok³adnie. Magazyn
Geoinformacyjny GEODETA, Nr 4 (47), s. 26-27. http://www.atomnet.pl/~geodeta/1999/47text2.htm
D¹browski W., Doskocz A., 2000a: Osnowy za ma³o dok³adne. Magazyn Geoinformacyjny Geodeta nr 7 (62).
D¹browski W., Doskocz A., 2000b: Badanie dok³adnoœci mapy numerycznej m. Zielona Góra [W:] Systemy
Informacji Przestrzennej, X Konferencja Naukowo-Techniczna, Wydawnictwo „Wieœ Jutra”, Warszawa.
Doskocz A., 2003, Ocena dok³adnoœci ortofotomapy cyfrowej. Przegl¹d Geodezyjny, Nr 4.
Doskocz A., 2005: Analiza dok³adnoœci obliczenia pola powierzchni ze wspó³rzêdnych. Przegl¹d Geodezyjny, Nr 4.
Instrukcja techniczna G-2, 2002: Szczegó³owa pozioma i wysokoœciowa osnowa geodezyjna i przeliczenia
wspó³rzêdnych miêdzy uk³adami. G³ówny Geodeta Kraju, Warszawa.
Instrukcja techniczna K-1, 1998: Mapa zasadnicza. G³ówny Geodeta Kraju, Warszawa.
JóŸwiak I., Grobelny M., 2006: Miasto w komputerze. [W:] Raport Computerworld Informatyka w administracji publicznej, http://www.idg.pl/artykuly/50735.html (odczytano: 2006-05-29).
Kadaj R., 2002: Wyznaczenie parametrów transformacji pomiêdzy uk³adem Zielona Góra a uk³adem „2000”.
ALGORES-SOFT s.c. Rzeszów.
Kaczyñski R., Ziobro J., Ewiak I., 1999: Dok³adnoœæ poszczególnych etapów generowania ortofotomap
cyfrowych ze zdjêæ PHARE 1:26000. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 9, Olsztyn.
Preuss R., 1994: Nowoczesne technologie fotogrametryczne dla tworzenia podstaw SIT. Konferencja Naukowo-Techniczna nt. Fotogrametryczna mapa numeryczna miasta, Warszawa 24-26 lutego.
Szczepañski Z., 2001: Oœrodek Dokumentacji Geodezyjnej i Kartograficznej, a GIS – relacje, zale¿noœci,
Konferencja Jubileuszowa nt. 10 lat Systemu Informacji Przestrzennej GEO-INFO®, towarzysz¹ca VII
Miêdzynarodowym Targom Geodezji i Geoinformatyki GEA'2001, Wroc³aw 27-29 wrzeœnia.
Sprawozdanie, 1999a: Sprawozdanie techniczne z za³o¿enia osnowy poziomej szczegó³owej III klasy (sieæ
odtwarzalna) – Obiekt: miasto Zielona Góra. Wykonawca: OPGK „Geomap” Sp. z o.o., Zielona Góra.
Sprawozdanie, 1999b: Sprawozdanie techniczne z pomiaru kontrolnego niektórych szczegó³ów sytuacyjnych I grupy dok³adnoœciowej mapy numerycznej miasta Zielona Góra. Wykonawca: OPGK „Geomap”
Sp. z o.o., Zielona Góra.
Sprawozdanie, 1999c: Sprawozdanie naukowo-techniczne – Badanie dok³adnoœci mapy numerycznej miasta
Zielona Góra. Wykonawca: W. D¹browski, Olsztyn.
Sprawozdanie, 2004: Sprawozdanie techniczne z pomiaru punktów kontrolnych w celu okreœlenia dok³adnoœci ortofotomapy cyfrowej. Wykonawca: OPGK „Geomap” Sp. z o.o., Zielona Góra.
Sprawozdanie, 2005: Sprawozdanie naukowo-techniczne – Pozyskanie wspó³rzêdnych punktów kontrolnych z rastrowego obrazu ortofotomapy miasta Zielona Góra w celu zbadania dok³adnoœci jej opracowania sytuacyjnego. Wykonawca: W. D¹browski, Olsztyn.
Sprawozdanie, 2006: Sprawozdanie naukowo-techniczne – Ocena dok³adnoœci ortofotomapy cyfrowej miasta Zielona Góra. Wykonawca: W. D¹browski, Olsztyn.
UMZG, 2006a: Wykonanie cyfrowej ortofotomapy dla miasta Zielona Góra w skali 1:2000…. Wykonawca:
FotoGIS Jacek Koriat, Pruszków 2002 r. Dokumentacja udostêpniona do wgl¹du przez Urz¹d Miasta
Zielona Góra
UMZG, 2006b: Serwis internetowy Urzêdu Miasta Zielona Góra. http://www.zielona-gora.pl/UMZG/
?id=614981 (wersja z: 2006-05-29).
Wytyczne techniczne K-1.2., 1981: Mapa zasadnicza – aktualizacja i modernizacja. G³ówny Urz¹d Geodezji
i Kartografii, Warszawa.
Kompleksowa ocena dok³adnoœci wielkoskalowych opracowañ cyfrowych m. Zielona Góra
Summary
The paper presents the results of a project carried out over the last seven years by the Department of
Geodesy and Property Management, Municipal Office of the City of Zielona Góra, in cooperation with
the Faculty of Geodesy and Land Management, University of Warmia and Mazury in Olsztyn. The
main goal of the project was to modernize the system of national geodetic and cartographic resources
of the city of Zielona Góra, and to ensure its adequate quality.
A restorable control network of the 3rd class was established in Zielona Góra during the years 1998 to
1999. Points of the existing horizontal geodetic control network of class I and II were incorporated into
the newly-established geodetic network by classical surveys and GPS satellite technique. A total of 480
points of the existing horizontal control network of the 3rd class were adapted for this purpose. The
modernization of the horizontal geodetic control network provided an accurate and reliable basis for
conducting geodetic surveys and for performing cartographic work. The maximum error of position
of a point within the restorable control network of the 3rd class, established in the city of Zielona Góra,
is mp = 0,027 m.
The accuracy of a large-scale digital map of the city of Zielona Góra, compiled based on the results of
planimetric surveys conducted during the years 1974 to 1999, was estimated in 1999. The study was
performed on seven control objects, using a total of 1619 control points of the following type: corner
points of building contours (denoted by the letter B), boundary points of parcels (denoted by the letter
G) and points of technical utilities (denoted by the letter U). The model coordinates of control points
were determined based on new field surveys (with the use of an electronic tachometer - total station
survey), including redundant data, which permitted to adjust the results of control measurements and
to estimate their accuracy. It was found that the adaptation of the results of previous direct measurements based on an accurate geodetic control network enabled to compile a large-scale digital map with
an accuracy of 0.10 to 0.20 m (i.e. at the accuracy level of previous planimetric surveys).
The accuracy of a digital orthophotomap of the city of Zielona Góra, on a scale of 1:2000, was
estimated during the years 2005 to 2006. The analysis was made based on 33 orthophotomap sheets
in raster form (.tif files) with reference files (.tfw). A set of plane coordinates of 501 control points,
determined by direct field measurements with an electronic tachometer, was used in the study. Detail
control points, most of them belonging to the 1st accuracy group (i.e. the so-called “well defined
points”), were considered. The points were easy to identify on the raster image of the orthophotomap,
and available for precise positioning by manual vectorization. The error of position of the control
points obtained by vectorization (on the raster image of the orthophotomap) was. This indicated the
possibility to perform point planimetric surveys, using the raster image of the orthophotomap, with a
high accuracy. With respect to considered detail points, a scale of 1:1000 can be used for the purpose
of graphic representation of vector map data produced by manual vectorization.
The results show that a digital orthophotomap of the city of Zielona Góra became a valuable supplement of a large-scale digital map as for the content of a cadastral map and a basis map. Both as an
autonomous source of information or combined with the content of other digital maps, the orthophotomap on a scale of 1:2000 can provide the basis for studies and projects carried out within the
framework of municipal GIS.
dr hab. in¿. W³adys³aw D¹browski, prof. UWM
[email protected]
tel./fax (089) 523 39 66
dr in¿. Adam Doskocz
[email protected]
tel./fax (089) 523 48 78
93
POLSKIE
TOWARZYSTWO
PRZESTRZENNEJ
Geoinformacja
w katalogachINFORMACJI
bibliotek akademickich
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
95
GEOINFORMACJA
W KATALOGACH BIBLIOTEK AKADEMICKICH
GEOINFORMATION
IN CATALOGUES OF ACADEMIC LIBRARIES
Ma³gorzata Gajos
Zak³ad Komputeryzacji Zarzadzania, Instytut Informatyki, Uniwersytet Œl¹ski
S³owa kluczowe: geoinformacja, geomatyka, katalog NUKAT, jêzyk hase³ przedmiotowych
Keywords: geoinformation, geomatics, catalogue NUKAT, subject language
Wprowadzenie
Geomatyka jest przyk³adem dziedziny, której powstanie zwi¹zane jest z rozwojem informatyki. Obecnie rozwój niemal ka¿dej dziedziny ¿ycia, nauki, techniki, edukacji, w tym
równie¿ geomatyki, zwi¹zany jest z rozwojem szeroko rozumianej technologii informacyjnej.
Zastosowanie nowoczesnych technologii informacyjnych sprawia, ¿e dziedziny te w szybkim tempie wype³niaj¹ siê nowymi informacjami i terminami. Z geomatyk¹ wi¹¿¹ siê m.in.
takie terminy jak geoinformatyka, geoinformacja, GIS, systemy informacji geograficznej,
SIP, systemy informacji przestrzennej, informacja geograficzna, informacja przestrzenna.
Terminy te coraz czêœciej pojawiaj¹ siê w drukowanych i elektronicznych dokumentach i s¹
nazwami przedmiotów tych dokumentów1 . Przyk³ad stanowi¹ ksi¹¿ki: Systemy informacji
przestrzennej / Jerzy GaŸdzicki; Systemy informacji geograficznej / Janusz Kwiecieñ; GIS
dla ka¿dego / David Davis; Wprowadzenie do systemów geoinformacyjnych / Piotr Werner.
W artykule przeprowadzono analizê wystêpowania tych terminów (tylko w jêzyku polskim) w: 1) Narodowym Uniwersalnym Katalogu Centralnym (NUKAT), który realizowany
jest przez biblioteki naukowe, a w szczególnoœci akademickie, g³ównie w oparciu o jêzyk
hase³ przedmiotowych KABA (Katalogi Automatyczne Bibliotek Akademickich), 2) w komputerowych katalogach przedmiotowych bibliotek akademickich, dostêpnych w internecie.
Badaniem objêto biblioteki uczelni, które posiadaj¹ wydzia³y, ogólnie mówi¹c nauk o Ziemi i
kszta³c¹ na studiach dziennych, zaocznych, podyplomowych w zakresie geomatyki, geoinfomatyki, geoinformacji, systemów informacji geograficznej. Uczelniami tymi s¹ m.in. Uniwersytet Warszawski, Uniwersytet Jagielloñski, Akademia Rolnicza w Krakowie, Uniwersytet Warmiñsko-Mazurski w Olsztynie, Uniwersytet Marii Curie-Sk³odowskiej w Lublinie,
1 Przedmiot dokumentu to rzecz przez autora opisana, natomiast treœæ dokumentu to s¹dy i wiedza
autora o danym przedmiocie, tak¿e jego intencje autorskie, metoda, a nawet styl. Mo¿na przytoczyæ wiele
przyk³adów dokumentów o podobnej treœci, traktuj¹cych jednak o ró¿nych przedmiotach.
96
Ma³gorzata Gajos
Uniwersytet Adama Mickiewicza w Poznaniu, Politechnika £ódzka, Politechnika Warszawska, Politechnika Wroc³awska, Wojskowa Akademia Techniczna w Warszawie, Akademia
Górniczo-Hutnicza w Krakowie, Uniwersytet Œl¹ski.
Wyszukiwanie w katalogach informacji metod¹ on-line staje siê masowe. Dzieje siê tak
dziêki ci¹g³emu rozwojowi urz¹dzeñ elektronicznych, umo¿liwiaj¹cych funkcjonowanie systemów on-line i zwiêkszaj¹cej siê liczbie posiadaczy komputerów, wykorzystuj¹cych je w
celu uzyskania informacji.
Charakterystyka analizowanych pojêæ z zakresu geomatyki
W celu przeprowadzenia charakterystyki analizowanych pojêæ z zakresu geomatyki wprowadzono definicje tych pojêæ zawarte w Leksykonie geomatycznym2 (GaŸdzicki, 2003).
Geoinformacja (geoinformation) jest to informacja uzyskiwana na drodze interpretacji
danych geoprzestrzennych. Tak¿e synonim i czêsto u¿ywany skrót informacji geograficznej,
stosowany równie¿ dla podkreœlenia interdyscyplinarnego charakteru tego terminu nie ograniczaj¹cego siê do geografii jako nauki.
Geoinformacja jest równie¿ synonimem dla informacji przestrzennej i geoprzestrzennej.
Geomatyka (geomatics) jest definiowana jako dyscyplina naukowo-techniczna zajmuj¹ca
siê pozyskiwaniem, analizowaniem, interpretowaniem, upowszechnianiem i praktycznym
stosowaniem geoinformacji. Wed³ug Oxford English Dictionary Online (2004) geomatyka
jest matematyk¹ Ziemi, tj. nauk¹ o pozyskiwaniu, analizie i interpretacji danych zw³aszcza
pomiarowych, które odnosz¹ siê do powierzchni Ziemi.
Geoinformatyka (geoinformatics) to zastosowanie informatyki w naukach o Ziemi.
Pojêcie geomatyki i geoinformatyki jest czêsto uto¿samiane. Przyk³adowo internetowa encyklopedia Wikipedia okreœla oba terminy jako dyscyplinê naukowo-techniczn¹ zajmuj¹c¹ siê
pozyskiwaniem, przetwarzaniem, analizowaniem i udostêpnianiem informacji geograficznej3 .
O tym, ¿e s¹ to synonimy pisa³ równie¿ m.in. Janusz Michalak stwierdzaj¹c, i¿ porównanie
wielu ró¿nych definicji odnosz¹cych siê do nazw geomatyka i geoinformatyka wykazuje, ¿e
ró¿nice pomiêdzy definicjami odnosz¹cymi siê do jednej i drugiej nazwy nie s¹ wiêksze ni¿
ró¿nice pomiêdzy definicjami odnosz¹cymi siê do ka¿dej z nich osobno (Michalak, 2000).
Zadania geoinformatyki realizuje siê m.in. z u¿yciem oprogramowania systemów informacji geograficznej (GIS), zwanych te¿ m.in. systemami informacji przestrzennej (SIP),
systemami informacji o terenie i systemami geoinformacyjnymi.
System informacji geograficznej (Geographical Information System – GIS) to system
informacji przestrzennej dotycz¹cy danych geograficznych. Termin ten w liczbie mnogiej
systemy informacji geograficznej stosowany jest równie¿ jako nazwa dziedziny zajmuj¹cej
siê geoinformacj¹ oraz metodami i technikami GIS.
System informacji przestrzennej to system pozyskiwania, gromadzenia, weryfikowania,
integrowania, analizowania, transferowania i udostêpniania danych przestrzennych, w szerokim rozumieniu obejmuje on metody, œrodki techniczne, w tym sprzêt i oprogramowanie,
2 Publikowany równie¿ w wersji elektronicznej Internetowy leksykon geomatyczny (http://
www.ptip.org.pl) jest rozszerzany i aktualizowany, uwzglêdniaj¹c rozwój geomatyki.
3 http://pl.wikipedia.org/wiki/Geoinformatyka
Geoinformacja w katalogach bibliotek akademickich
97
bazê danych przestrzennych, organizacjê, zasoby finansowe oraz ludzi zainteresowanych
jego funkcjonowaniem.
Terminy geomatyczne jako has³a przedmiotowe
w katalogu NUKAT
Narodowy Uniwersalny Katalog Centralny (NUKAT) zosta³ zaprojektowany jako baza
zawieraj¹ca informacje o zasobach bibliotek polskich, zw³aszcza bibliotek naukowych, w
tym równie¿ Biblioteki Narodowej. Katalog centralny jest tworzony metod¹ wspó³katalogowania. Warunkiem podjêcia wspó³pracy przez bibliotekê naukow¹ w ramach katalogu centralnego jest posiadanie dostêpu do Internetu. Przyst¹pienie do pracy nastêpuje po podpisaniu
przez dan¹ bibliotekê odpowiedniej umowy z Centrum NUKAT. Mo¿na podpisaæ umowê jako
biblioteka uczestnicz¹ca czynnie w przedsiêwziêciu NUKAT lub biblioteka biernie wykorzystuj¹ca zasoby katalogu centralnego. Opracowanie rzeczowe (okreœlenie zawartoœci treœciowej) dokumentów w NUKAT jest prowadzone w jêzykach informacyjno-wyszukiwawczych
zatwierdzonych do stosowania w tym katalogu. S¹ to: jêzyk hase³ przedmiotowych (jhp)
KABA (skrót od Katalogi Automatyczne Bibliotek Akademickich), jhp Biblioteki Narodowej
(BN) oraz Medical Subject Headings (MeSH), wykorzystywany przez biblioteki medyczne.
Najwiêcej bibliotek korzysta z jhp KABA (Serafin, 2004).
Jêzyk KABA pozwala wyraziæ treœæ dokumentu za pomoc¹ s³ownictwa jêzyka naturalnego.
W toku projektowania jêzyka postanowiono, i¿ KABA bêdzie jêzykiem kompatybilnym ze znanymi jêzykami hase³ przedmiotowych tworzonymi przez najwiêksze biblioteki narodowe œwiata. S¹ to: Library of Congres Subject Heading (LCSH) Biblioteki Kongresu w Waszyngtonie,
Repertoire de Vedettes-Matiere Biblioteki Uniwersytetu Lavala w Quebec oraz Repertoire d’Autorite-Matiere Encyclopedique et Alphabetique Unifie (RAMEAU). ród³em bezpoœrednim jêzyka KABA jest jêzyk RAMEAU tworzony przez Bibliotekê Narodow¹ Francji (Kruszyñska, 1999).
Baza kartoteki hase³ wzorcowych przedmiotowych jêzyka KABA utrzymywana jest na serwerze Biblioteki Uniwersyteckiej w Warszawie i jest dostêpna w sieci internet.
Najwiêksz¹ czêœæ jêzyka hase³ przedmiotowych stanowi¹ nazwy pospolite: dyscypliny
naukowe (np. geomatyka), dziedziny wiedzy, ¿ycia spo³ecznego, dzia³alnoœci praktycznej,
kategorie osób, obiekty fizyczne, przedmioty, osoby prawne, instytucje, dzia³ania, czynnoœci, kierunki, teorie naukowe, prawa, metody, wydarzenia historyczne, systemy (np. systemy informacji geograficznej), programy komputerowe, jednostki abstrakcyjne, pojêcia itp.
Pozosta³a czêœæ s³ownictwa to: nazwy geograficzne, nazwy osobowe, nazwy cia³ zbiorowych, instytucji, organizacji, imprez, tytu³y ujednolicone, tytu³y serii, czasopism itp.
Jednostki leksykalne jêzyka hase³ przedmiotowych wystêpuj¹ jako has³a wzorcowe4 przeznaczone do u¿ywania w procesie tworzenia charakterystyk wyszukiwawczych dokumentów (hase³ przedmiotowych prostych i rozwiniêtych). Has³o przedmiotowe proste sk³ada siê
tylko z tematu (ew. z dopowiedzeniem), którego rol¹ jest odzwierciedlanie przedmiotu opracowanego dokumentu (Serafin, 2005). Przyk³adem has³a przedmiotowego prostego, sk³ada4 Has³o wzorcowe to przyjêta dla danego systemu ujednolicona nazwa danej osoby, cia³a zbiorowego,
ujednolicony tytu³, ustalone wyra¿enie jêzyka informacyjno-wyszukiwawczego podane w ujednoliconej
formie (WoŸniak-Kasperek J.: Tworzenie i stosowanie jhp KABA).
Ma³gorzata Gajos
98
j¹cego siê tylko z tematu jest geomatyka, a z dopowiedzeniem – systemy informacji geograficznej. Has³o przedmiotowe rozwiniête sk³ada siê z tematu (ew. z dopowiedzeniem) i co
najmniej jednego okreœlnika. Okreœlniki dziel¹ siê na dwa rodzaje z punktu widzenia ich ³¹czliwoœci z tematami: 1) okreœlniki swobodne (rzeczowe, geograficzne, chronologiczne, formy), które mo¿na ³¹czyæ z wieloma tematami zgodnie z zakresem ich stosowania i regu³ami
gramatyki jhp KABA, 2) okreœlniki zwi¹zane, które mo¿na ³¹czyæ z jednym tematem lub z
kilkoma tematami5 . Przyk³adowo dla pola semantycznego geomatyka:
Przyk³ad 1. Temat: geomatyka
zarz¹dzanie (okreœlnik rzeczowy)
Polska (okreœlnik geograficzny) – czasopisma (okreœlnik formy)
podrêczniki akademickie (okreœlnik formy)
Przyk³ad 2. Temat: systemy informacji geograficznej
zadania i æwiczenia (okreœlnik rzeczowy)
studia i nauczanie (œrednie) (okreœlnik rzeczowy) – Polska (okreœlnik geograficzny) –
1990 (okreœlnik chronologiczny)
podrêczniki – CD-ROM (okreœlnik formy)
Kolejnym elementem jêzyka KABA s¹ dopowiedzenia. Dopowiedzenia stanowi¹ integraln¹
czêœæ tematu i/lub okreœlnika. S³u¿¹ przede wszystkim eliminowaniu wieloznacznoœci; czasami objaœniaj¹ temat, „dope³niaj¹” jego treœæ, podaj¹ kontekst6 . Na przyk³ad systemy informacji geograficznej – studia i nauczanie (œrednie), GRASS (system informacyjno-wyszukiwawczy). Wyró¿nia siê dopowiedzenia identyfikuj¹ce (objaœniaj¹ce, kwalifikuj¹ce) i lokalizuj¹ce.
W s³ownikach jêzyków hase³ przedmiotowych jak i w katalogach przedmiotowych wa¿nym narzêdziem organizuj¹cym informacjê i wspomagaj¹cym wyszukiwanie s¹ odsy³acze.
System odsy³aczy dobrze spe³niaj¹cy sw¹ funkcjê w s³owniku czy kartotece hase³ wzorcowych mo¿e i zwykle nie jest wystarczaj¹cy z punktu widzenia potrzeb takich zbiorów informacyjnych jak katalogi, kartoteki, bazy danych itp. W zbiorach tych dodatkowo potrzebne
s¹ bowiem odsy³acze do i pomiêdzy has³ami przedmiotowymi, a nie tylko do i pomiêdzy
tematami i okreœlnikami. Ka¿dy odsy³acz charakteryzuje siê jedn¹ z dwu nastêpuj¹cych par
cech: jest albo ca³kowity, albo uzupe³niaj¹cy oraz albo wyliczaj¹cy, albo orientacyjny (tekstowy). Odsy³acze ca³kowite ³¹cz¹ wyra¿enia z jakiœ powodów odrzucone (np. geoinformatyka), nie zaakceptowane do stosowania, „zakazane” z wyra¿eniami (has³ami s³ownika, katalogu) przyjêtymi, zaakceptowanymi do stosowania (np. geomatyka). Relacja ³¹cz¹ca wyra¿enie odrzucone z przyjêtym w teorii jêzyków informacyjno-wyszukiwawczych nosi nazwê
relacji ekwiwalencji (lub odpowiednioœci) wyszukiwawczej. Odsy³acze uzupe³niaj¹ce ³¹cz¹
wyra¿enia przyjête, zaakceptowane do stosowania w s³owniku, katalogu. Wyra¿enia po³¹czone odsy³aczem uzupe³niaj¹cym pozostaj¹ wzglêdem siebie albo w zwi¹zku hierarchicznym, albo kojarzeniowym7 . Przyk³adem odsy³acza uzupe³niaj¹cego dla geomatyki jest termin szerszy geografia – systemy informacyjno-wyszukiwawcze, dla GRASS terminem szerszym s¹ systemy informacji geograficznej.
Tabela 1 przedstawia wystêpowanie w katalogu NUKAT analizowanych hase³ z pola semantycznego geomatyka.
5
Zob. WoŸniak-Kasperek J.: Tworzenie i stosowanie jhp KABA (prezentacja do wyk³adu).
Zob. WoŸniak-Kasperek J.: Wstêp do katalogowania przedmiotowego (prezentacja wyk³adu).
7 Tam¿e.
6
Geoinformacja w katalogach bibliotek akademickich
99
Tabe la 1. Wys tê powanie has e ³ z pola s e mantyczne go ge omatyka w katalogu N UKAT
Termin
Wystêpowanie w katalogu NUKAT
Geoinformacja
nie
Geoinformatyka
odsy³acz do terminu geomatyka
Geomatyka
tak
GIS
odsy³acz do terminu systemy informacji geograficznej
Informacja geograficzna
nie
Informacja przestrzenna
nie
SIP
w jhp KABA nie; w jhp BN odsy³acz do terminu GIS
Systemy informacji geograficznej
tak
Systemy informacji przestrzennej
w jhp KABA nie; w jhp BN odsy³acz do terminu GIS
ród³o: Opracowanie w³asne
Jak wynika z tabeli 1 has³ami przedmiotowymi w jhp KABA z pola semantycznego geomatyka, z dziewiêciu analizowanych terminów, s¹ tylko geomatyka i systemy informacji
geograficznej. Termin geoinformatyka wystêpujê jako odsy³acz ca³kowity do terminu geomatyka i pozostaje z nim w relacji ekwiwalencji wyszukiwawczej. Termin GIS wystêpujê
jako odsy³acz ca³kowity do terminu systemy informacji geograficznej. Pozosta³e terminy nie
wystêpuj¹ w jhp KABA. Terminy SIP i systemy informacji przestrzennej wystêpuj¹ jako
odsy³acze do GIS w jhp BN.
Terminologia geomatyczna
w katalogach bibliotek akademickich
Na pocz¹tku lat dziewiêædziesi¹tych cztery biblioteki akademickie: Uniwersytetu Warszawskiego, Uniwersytetu Jagielloñskiego w Krakowie, Uniwersytetu Gdañskiego oraz Akademii Górniczo-Hutniczej w Krakowie powziê³y decyzje o opracowywaniu jhp KABA. Obecnie
dwadzieœcia dwie biblioteki uprawnione s¹ do tworzenia s³ownictwa jhp KABA8 .
Spoœród analizowanych dwunastu bibliotek (zob. tabela 2), siedem uczestniczy w tworzeniu jhp KABA. W tabeli 2 przedstawiono wystêpowanie terminów z zakresu geomatyki w
katalogach wybranych bibliotek akademickich, zwi¹zanych z problematyk¹ geomatyczn¹.
Z tabeli 2 wynika, i¿ charakterystyka wystêpowania analizowanych terminów w katalogach bibliotek uprawnionych do tworzenia s³ownictwa jhp KABA i katalogu NUKAT jest taka
sama. Zatem dla tych bibliotek wystêpowanie terminów z zakresu geomatyki jako hase³
przedmiotowych bêdzie takie jak dla katalogu NUKAT. W pozosta³ych bibliotekach wyst¹pienia s¹ ró¿ne. Najczêœciej wystêpuj¹cym has³em s¹ systemy informacji geograficznej, rzadziej
pojawia siê geomatyka, geoinformacja czy systemy informacji przestrzennej.
8 Stan na 10 sierpnia 2006 r.. Wykaz bibliotek uprawnionych do tworzenia s³ownictwa jhp KABA zob.
http://www.nukat.edu.pl/
Ma³gorzata Gajos
100
Tabe la 2. Wys tê powanie te rminów z pola s e mantyczne go ge omatyka
w katalogach on-line bibliote k akade mickich
Has³o przedmiotowe
geoinformacja
geoinformatyka
geomatyka
GIS
informacja
geograficzna
informacja
przestrzenna
SIP
systemy
informacji
geograficznej
systemy
informacji
przestrzennej
Biblioteka G³ówna Akademii
Górniczo- Hutniczej*
–
+
h
+
–
–
–
h
–
Biblioteka G³ówna Akademii Rolniczej
w Krakowie*
–
+
h
+
–
–
–
h
–
Biblioteka G³ówna Politechniki
£ódzkiej
–
–
–
k
k
k
–
k
k
Biblioteka G³ówna Politechniki
Warszawskiej
k
–
–
k
–
–
k
k
–
Biblioteka G³ówna Uniwersytetu
im. M. Curie Sk³odowskiej*
–
+
h
+
–
–
–
h
–
Biblioteka G³ówna
Wojskowej Akademii Technicznej
h
–
–
h
–
–
–
–
–
Biblioteka akademicka
Biblioteka Jagielloñska*
–
+
h
+
–
–
–
h
-
Biblioteka Politechniki Wroc³awskiej
h
–
h
h
–
–
–
h
h
Biblioteka Uniwersytecka
w Poznaniu*
–
+
h
+
–
–
–
h
–
Biblioteka Uniwersytecka
w Warszawie*
–
+
h
+
–
–
–
h
–
Biblioteka Uniwersytetu Œl¹skiego
w Katowicach
–
–
–
+
–
–
–
h
–
Biblioteka Uniwersytetu WarmiñskoMazurskiego w Olsztynie*
–
+
h
+
–
–
–
h
–
* biblioteki uprawnione do tworzenia s³ownictwa jhp KABA
h – termin jest has³em przedmiotowym
k – termin jest s³owem kluczowym (brak mo¿liwoœci wyszukiwania wg hase³ przedmiotowych)
+ termin wystêpuje w katalogu jako termin odrzucony i odsy³a do innego has³a
– termin nie wystêpuje w katalogu
ród³o: Opracowanie w³asne na podstawie katalogów on- line bibliotek akademickich
Podsumowanie
Kontynuacj¹ opracowania formalnego zbiorów bibliotecznych (opracowania alfabetycznego) jest opracowanie rzeczowe, czyli okreœlenie zawartoœci treœciowej dokumentów bibliotecznych. Katalogi alfabetyczne s¹ w stanie zaspokoiæ tylko niektóre potrzeby czytelników, poniewa¿ wielu z nich poszukuje nie konkretnej pozycji, ale wydawnictw z okreœlonej
dziedziny lub na okreœlony temat. Zbiory, które nie s¹ opracowane rzeczowo, pozostaj¹ dla
czytelnika w du¿ej mierze niedostêpne, a ich wykorzystanie jest znacznie ograniczone. Spo-
Geoinformacja w katalogach bibliotek akademickich
101
sób i efekty poszukiwañ w katalogu rzeczowym zale¿¹ w znacznym stopniu od zastosowanego jêzyka informacyjno-wyszukiwawczego. W bibliotekach akademickich stosowane s¹
wci¹¿ ró¿ne systemy i jêzyki wyszukiwania. Jednak coraz wiêcej bibliotek przystêpuje do
wspó³uczestnictwa w tworzeniu jhp KABA i katalogu NUKAT. Istotnym jest, ¿e w katalogu
tym wystêpuje has³o przedmiotowe geomatyka, jako nazwa nowej, dynamicznie rozwijaj¹cej
siê dyscypliny naukowo-technicznej. Wystêpuje równie¿ jako has³o przedmiotowe termin
systemy informacji geograficznej, którego ekwiwalentem jest GIS. Brak jednak innego ekwiwalentu tego has³a, wystêpuj¹cego bardzo czêsto w tytu³ach publikacji i bêd¹cego przedmiotem g³ównym tych dokumentów – systemy informacji przestrzennej (SIP), a tak¿e systemy
geoinformacyjne. Brak jest równie¿ w katalogu has³a geoinformacja i jego ekwiwalentów
informacja geograficzna, informacja geoprzestrzenna, informacja przestrzenna. Geoinformacja jest terminem coraz czêœciej pojawiaj¹cym siê w dziedzinie geomatyki. Wystêpuje w
nazwach kluczowych wydarzeñ z zakresu geomatyki (konferencje, seminaria, warsztaty).
Pojawia siê w okreœleniach innych terminów jak np. systemy geoinformacyjne, spo³eczeñstwo geoinformacyjne. Dlatego te¿ byæ mo¿e nale¿a³oby rozwa¿yæ ewentualnoœæ wprowadzenia do jhp KABA terminu geoinformacja jako has³a przedmiotowego i jej synonimów jako
ekwiwalentów, w relacji podrzêdnoœci w stosunku do terminu geomatyka i w relacji kojarzeniowej z terminem systemy informacji geograficznej (GIS).
Rozwój nauki poci¹ga za sob¹ koniecznoœæ sta³ego uzupe³niania bazy jêzyków informacyjno-wyszukiwawczych, w tym jhp KABA, o rekordy hase³ dla nowych terminów. W celu
zapewnienia jak najwiêkszej skutecznoœci wyszukiwañ bibliotecznych konieczne jest pog³êbianie wspó³pracy œrodowisk bibliotekarskiego i naukowego.
Literatura
GaŸdzicki J., 2003: Leksykon geomatyczny (Lexicon of Geomatics). Polskie Towarzystwo Informacji Przestrzennej. Warszawa; Internetowy leksykon geomatyczny (dostêp 1 sierpnia 2006). http://www.ptip.org.pl
Wikipedia. Wolna encyklopedia. Artyku³: geoinformatyka (dostêp 1 sierpnia 2006). http://pl.wikipedia.org/
wiki/Geoinformatyka.
Michalak J., 2000: Geomatyka (geoinformatyka) – czy nowa dyscyplina? Przegl¹d Geologiczny, vol. 48, nr
8; (on line) (dostêp 1 sierpnia 2005). http://netgis.geo.uw.edu.pl/geomatyka/index.shtml
Serafin M., 2004: Opracowanie rzeczowe druków zwartych w NUKat. Wspó³praca bibliotek w ramach
katalogu centralnego. [W:] Biuletyn EBIB 2004 nr 9 (60) (dostêp 1 sierpnia 2006). http://ebib.oss.wroc.pl/
2004/60/serafin.php
Serafin M., 2005: Leksyka jêzyka hase³ przedmiotowych KABA i jêzyka hase³ przedmiotowych Biblioteki
Narodowej z zakresu bibliotekoznawstwa. Studium analityczno-porównawcze. [W:] Biuletyn EBIB 2005
nr 4 (65) [dostêp 1 sierpnia 2006]. http://ebib.oss.wroc.pl/2005/65/serafin.php
Katalog NUKAT (dostêp 10 sierpnia 2006). http://www.nukat.edu.pl
Kruszyñska K., 1999: Oddzia³ Opracowania Rzeczowego Zbiorów Biblioteki G³ównej AGH. Biuletyn
Informacyjny Pracowników Akademii Górniczo-Hutniczej 1999 nr 65 (dostêp 1 sierpnia 2006). http://
www.agh.edu.pl/bip/65/15_65.htm
WoŸniak-Kasperek J.: Tworzenie i stosowanie jhp KABA (prezentacja do wyk³adu) (dostêp 10 sierpnia
2006). http://www.lis.uw.edu.pl/down/wozniak/4.pps
WoŸniak-Kasperek J.: Wstêp do katalogowania przedmiotowego (prezentacja wyk³adu) (dostêp 10 sierpnia
2006). http://www.lis.uw.edu.pl/down/wozniak/1.pps
102
Ma³gorzata Gajos
Summary
Geomatics - the science and technology of gathering, analyzing, interpreting, distributing and using
spatial information (geoinformation), i.e. information referred to the Earth – is an example of a branch
which appeared as the result of computer science development. Partly because of broad proliferation
of information technology, every discipline of life, science, technique and education, also geomatics,
nowadays quickly fills with new information and terms. Terms such as geoinformatics, geoinformation, geographic information systems (GIS), spatial information systems, geographic information,
spatial information are also connected with geomatics. These terms repeatedly appear in printed and
electronic documents. The aim of this paper is to analyse their occurrence in computer subject catalogues in academic libraries (e.g. Warsaw University, Jagiellonian University in Kraków, Agricultural
University of Cracow, University of Warmia and Mazury in Olsztyn, Maria Curie-Sk³odowska University in Lublin, Adam Mickiewicz University in Poznañ, Technical University of £ódŸ, Warsaw
University of Technology, Wroc³aw University of Technology, Military University of Technology in
Warsaw, AGH University of Science and Technology in Kraków, University of Silesia in Katowice).
The aim is also to analyse these terms occurrence in the National Union Catalogue (NUKAT), which
is realised by scientific libraries, mainly academic, on the base of subject language KABA.
dr Ma³gorzata Gajos
[email protected]
POLSKIEbazy
TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
Koncepcja
danych fotogrametrycznych
bliskiego
zasiêgu
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
103
KONCEPCJA BAZY DANYCH
FOTOGRAMETRYCZNYCH BLISKIEGO ZASIÊGU1
THE CONCEPT OF A CLOSE-RANGE
PHOTOGRAMMETRIC DATABASE
Artur Janowski1, Piotr Sawicki2, Jakub Szulwic3
Instytut Geodezji, Uniwersytet Warmiñsko-Mazurski w Olsztynie
Katedra Fotogrametrii i Teledetekcji, Uniwersytet Warmiñsko-Mazurski w Olsztynie
3
Katedra Geodezji, Politechnika Gdañska
1
2
S³owa kluczowe: baza danych, Internet, dane fotogrametryczne, bliski zasiêg
Keywords: database, Internet, photogrammetric data, close range
Wprowadzenie
Wspó³czesne cyfrowe techniki pomiarowe fotogrametrii bliskiego zasiêgu znajduj¹ powszechne zastosowanie w wielu dziedzinach nauki i techniki – w budownictwie, architekturze, energetyce, metrologii maszyn i urz¹dzeñ, robotyce, w procesie kontroli produkcji przemys³owej, medycynie, biologii, itd. (Atkinson, 1996; Luhmann, 2003). Umo¿liwiaj¹ rekonstrukcjê as-built, wyznaczenie deformacji i przemieszczeñ w trybie pomiaru punktowego
oraz pomiaru powierzchni obiektów 2D oraz 3D. Zdjêcia mog¹ byæ wykonywane w ró¿nych zakresach promieniowania elektromagnetycznego, np. w zakresie widzialnym, ultrafioletu, bliskiej i dalekiej podczerwieni. Stosowane wizyjne systemy pomiarowe bliskiego zasiêgu umo¿liwiaj¹ wielokrotne, powtarzalne w czasie kolekcjonowanie danych o geometrycznych i fizycznych cechach badanych obiektów, np. danych wektorowo-rastrowych, informacje danych termalnych oraz tworzenie ró¿norodnej w formie i zakresie dokumentacji
wyników pomiarów.
Szeroki tematycznie zakres aplikacji przyczynia siê do powstania du¿ych zbiorów danych
cyfrowych. W konsekwencji, uzasadnionym staje siê stworzenie systemu informatycznego,
który umo¿liwia³by kompleksow¹ archiwizacjê, prezentacjê i udostêpnianie tych danych w
celu ich dalszej zaawansowanej analizy, przetwarzania oraz ekstrakcji informacji. Stworzona
baza danych powinna byæ dedykowana mo¿liwie szerokiemu zakresowi profesjonalnych
u¿ytkowników.
1 Praca naukowa finansowana ze œrodków Komitetu Badañ Naukowych w latach 2004–2006 jako projekt
badawczy Nr 4T12E 003 26.
104
Artur Janowski
Za³o¿enia systemu
Koncepcja proponowanego systemu informatycznego zak³ada umo¿liwienie zdefiniowanym u¿ytkownikom dostêpu do danych fotogrametrycznych bliskiego zasiêgu oraz funkcjonowanie systemu w œrodowisku Internetu. Nale¿y podkreœliæ, ¿e celem projektu nie jest
stworzenie aplikacji do fotogrametrycznych pomiarów w trybie on-line.
Jako medium komunikacji z baz¹ danych zosta³ wybrany Internet ze wzglêdu na cechy
wspó³czesnego odbiorcy technologii informacyjnej, tzn. jego rozproszenie, d¹¿enie do powszechnej dostêpnoœci danych i zapotrzebowanie na aktualne informacje. Zastosowanie Internetu i powi¹zanych z nim technik do kontrolowanego udostêpniania, prezentacji oraz przesy³ania danych wynika równie¿ z nowoczesnoœci oraz mo¿liwej implementacji proponowanego rozwi¹zania w sieciach lokalnych i korporacyjnych.
Proces tworzenia bazy danych poprzedzono analiz¹ oczekiwañ i potrzeb potencjalnych
u¿ytkowników. Oceniono funkcjonuj¹ce w Internecie projekty odwo³uj¹ce siê do zasobów
fotogrametrycznych, m.in. Arpenteur (Grussenmeyer et al., 2002), a tak¿e rozwi¹zañ autorskich: SIPOF – System Internetowego Przetwarzania Obrazów Fotogrametrycznych (Janowski i in., 2003; Szulwic, 2003) oraz ISUOIPF – Internetowy System Udostêpniania Obrazów i Produktów Fotogrametrycznych (£uczyckii in., 2005). W pierwszej fazie projektu
stworzono model pojêciowy, który nastêpnie zosta³ przekszta³cony w model relacyjny oraz
przygotowany dla predefiniowanych zapytañ i oczekiwañ u¿ytkowników.
W celu ochrony danych i ich struktury zdefiniowane zosta³y trzy poziomy uprawnieñ
dostêpu do bazy danych:
1) poziom administratora, umo¿liwiaj¹cy ca³kowite zarz¹dzanie projektami i prawami
dostêpu dla innych u¿ytkowników,
2) poziom autoryzowanego u¿ytkownika o szerokich, predefiniowanych uprawnieniach,
np. umo¿liwiaj¹cych dostêp do projektów i danych oraz ich modyfikowania i aktualizowania,
3) poziom nieautoryzowanego u¿ytkownika pozwalaj¹cy na przegl¹danie oraz pobieranie
projektów i obrazów bez prawa ich modyfikacji.
Okreœlenie trzech typów u¿ytkownika umo¿liwi³o przypisanie im praw, z zachowaniem
zasady ograniczania dostêpu w zale¿noœci od stopnia zaufania i umiejêtnoœci. Role u¿ytkowników mog¹ byæ zmieniane dynamicznie, w zale¿noœci od aktualnego zasobu bazy danych
oraz oczekiwañ u¿ytkowników.
Struktura, funkcjonalnoϾ
i logika utworzonej bazy danych
Uniwersalnoœæ wykorzystania systemu implikowa³a stworzenie struktury bazy danych, która
mog³aby archiwizowaæ wszystkie istotne parametry ró¿norodnych typów projektów oraz pozwala³aby na optymalny pod wzglêdem czasu, trybu i dok³adnoœci dostêp do bazy oraz transfer
danych. W tym celu opracowana zosta³a struktura relacji, logika i zasady funkcjonalnoœci bazy
danych. Podstawowa struktura bazy danych obejmuje nastêpuj¹ce informacje:
m tematyczne grupy projektów
m typ cyfrowego opracowania
Koncepcja bazy danych fotogrametrycznych bliskiego zasiêgu
105
rodzaj cyfrowego pomiaru
dane dotycz¹ce projektu
dane dotycz¹ce wykonawcy
parametry zastosowanych sensorów
m parametry sesji obrazowych
m parametry pojedynczych obrazów cyfrowych
m rodzaje i dane z pomiarów obrazowych
m rodzaje i obserwacje geodezyjne
m wyniki opracowania punktowego
m wyniki opracowania wektorowego
m wyniki ortorektyfikacji obrazów cyfrowych
m wyniki jakoœciowego i iloœciowego opracowania termalnego
m wyniki opracowania wielospektralnego
m wyniki ekstrakcji informacji
m parametry analiz tematycznych
m dane i parametry wizualizacji 2D/3D
wraz z szerokim zakresem dodatkowych szczegó³owych atrybutów.
m
m
m
m
Jednym z podstawowych Ÿróde³ informacji pomiarowych zasilaj¹cych proponowan¹ bazê
danych jest opracowany i ci¹gle modernizowany multisensoralny cyfrowy system wideotermalny VISION PLUS (Sawicki, Wiêcek, 1998; Sawicki, 2000).
Udostêpnienie systemu potencjalnie du¿ej liczbie u¿ytkowników wymaga³o zastosowania
profesjonalnych i wiarygodnych narzêdzi, które gwarantowa³y rozwi¹zanie problemów zwi¹zanych z bezpieczeñstwem, spójnoœci¹, integralnoœci¹ oraz efektywnym wyszukiwaniem
danych, a tak¿e z administrowaniem posiadanymi zbiorami danych. W prezentowanym systemie wykorzystano serwer relacyjnej bazy danych Firebird ®, który jest narzêdziem typu
freeware (licencje: Initial Developer’s Public License, InterBase Public License v.1.0, Mozilla
Public License v.1.1), do którego obs³ugi zastosowano œrodowisko programistyczne Borland Delphi ™. Przyjête rozwi¹zanie w znacznym stopniu obni¿y³o koszty realizacji projektu.
W celu u³atwienia zarz¹dzania przywilejami grup odbiorców oraz zwiêkszeniu elastycznoœci, wydajnoœci jak i zmniejszeniu redundancji danych zaprojektowano silne „rozwarstwienie”
(podzia³) danych, uzyskuj¹c w projekcie 28 wzajemnie powi¹zanych tabel oraz widoki (views)
z przypisanymi zró¿nicowanymi prawami. Zaawansowany dostêp do danych umo¿liwia interfejs aplikacji, pozwalaj¹cy wykorzystaæ jej strukturê, który zawiera menu zró¿nicowane
w zale¿noœci od uprawnieñ zalogowanego u¿ytkownika i zasobów dostêpnych dla danego
opracowania. Wszystkie zale¿noœci s¹ typu 1: N (jeden do wielu). Wykorzystano tak¿e udostêpniane w Firebird ® mechanizmy silnie wspieraj¹ce utrzymanie integralnoœci danych, tj.
mechanizmy wyzwalaczy (triggers), kaskadowego aktualizowania i usuwania danych z tabel
(encji) zale¿nych, ochrona przed osieroceniem zwi¹zków, wspó³bie¿noœæ i inne. Etap projektowy wsparto narzêdziami typu CASE (Computer Aided System Engineering). Modelowanie
danych oparto na dwupoziomowym podejœciu do modelu danych – logiczna CDM (Conceptual Data Model) i fizyczna niezale¿noœæ danych PDM (Physical Data Model).
106
Artur Janowski
Bezpieczeñstwo informatyczne i prawne danych
Rozwi¹zanie problemów z zakresu bezpieczeñstwa i dostêpu do informacji zawartych w
zasobie projektowanej bazy danych fotogrametrycznych bliskiego zasiêgu wymaga³o ze strony
autorów niezbêdnych studiów i analiz.
Baza danych, dostêpna w sieci rozleg³ej, jest traktowana jako system teleinformatyczny,
w którym dane i informacje niejawne mog¹ byæ udostêpnione po zastosowaniu szyfrowania
oraz innych metod kryptograficznych (RPRM, 1999). Baza danych musi uwzglêdniaæ klauzulê tajnoœci przetwarzanych informacji niejawnych oraz kategorie uprawnieñ u¿ytkowników systemu w zakresie dostêpu do informacji niejawnych. W przypadku danych ogólnie
dostêpnych w sieci internetowej, poziom zabezpieczeñ musi byæ nie mniejszy ni¿ poziom
bezpieczeñstwa przypisany najbardziej tajnemu zasobowi.
Przy tworzeniu baz danych fotogrametrycznych zak³ada siê, ¿e materia³y geodezyjne i
kartograficzne mog¹ zostaæ uznane tajnymi, jeœli zawieraj¹ informacje o po³o¿eniu, rodzaju,
charakterze lub przeznaczeniu obiektów z klauzul¹ „tajne” (UOOIN, 1999; RMON, 2003).
Klauzul¹ „tajne” okreœlone zostaj¹ fotogrametryczne zobrazowania lotnicze lub naziemne
zawieraj¹ce obraz obiektów (budynków, budowli, urz¹dzeñ) usytuowanych na terenach zamkniêtych (UPB, 1994; UPGIK, 1989). Klauzula niejawnoœci nie jest nadawana z mocy prawa, lecz przez organ lub osobê do tego upowa¿nion¹ (UOOIN, 1999). W prezentowanej
internetowej bazie danych fotogrametrycznych dla aplikacji bliskiego zasiêgu nie zosta³y zapisane ¿adne informacje z klauzul¹ niejawnoœci.
Bezpieczeñstwo baz danych jako systemów informatycznych jest wspierane przez dokumenty certyfikacji bezpieczeñstwa komputerowego i sieciowego. Bezpieczeñstwo systemu
jest miar¹ jego podatnoœci na niepo¿¹dane zmiany i ingerencje. W³aœciwym punktem odniesienia do oceny bezpieczeñstwa s¹ istniej¹ce i uznawane w Polsce standardy bezpieczeñstwa
TCSEC (Trusted Computer Security Evaluation Criteria – Orange Book oraz ITSEC (Information Technology Security Criteria – European Orange Book).
W procesie projektowania internetowej bazy danych zachowano zasady standardu
EU ITSEC, które umo¿liwiaj¹ kontrolê i bezpieczeñstwo zasobów:
m domniemana odmowa udzielenia dostêpu – wymuszenie od u¿ytkownika okreœlenia
potrzeby uzyskania dostêpu do ¿¹dnego zasobu przed udzieleniem uprawnieñ,
m jawny projekt zabezpieczenia – ukazanie s³abych punktów projektu w czasie planowania,
m akceptowalnoœæ – system zabezpieczeñ jest przyjazny dla uprawnionego u¿ytkownika,
m ca³kowite poœredniczenie – zabezpieczenie powinno kontrolowaæ dostêp ka¿dego u¿ytkownika do bazy danych,
m najmniejsze uprzywilejowanie – system powinien przydzielaæ przywileje narastaj¹co,
w zale¿noœci od wymagañ dostêpu, ze wzglêdu na charakter ¿¹danych danych i najwy¿sze uprawniania u¿ytkownika,
m ekonomicznoœæ mechanizmu – prostota mechanizmu spe³niaj¹ca oczekiwania wobec
systemu,
m rozdzielanie przywilejów – istnienie zabezpieczeñ wzajemnie niezale¿nych,
m najmniejszy wspólny mechanizm – ograniczanie wielodostêpnoœci do danych i informacji przygotowanych dla konkretnego u¿ytkownika.
Wymienione zasady spe³niaj¹ równie¿ normê „Praktyczne zasady zarz¹dzania bezpieczeñstwem informacji” ISO/IEC 17799:2000, która funkcjonuje w Polsce jako PN-ISO/IEC
17799:2003.
Koncepcja bazy danych fotogrametrycznych bliskiego zasiêgu
107
Przyjête poziomy dostêpu u¿ytkowników wynika³y przede wszystkim z za³o¿onej „sprawnoœci” projektowanego systemu. W porównaniu do innych produktów, bezpiecznym i wydajnym silnikiem bazodanowym okaza³ siê Firebird ®. Do ochrony transferu danych przewidziano dedykowane narzêdzia, tj. rozwi¹zania wspierane przez protokó³ SSH (Secure Shell),
np. PuTTY, ssh.com, OpenSSH, które umo¿liwiaj¹ „tunelowanie” – tworzenie wirtualnych,
zamkniêtych sieci prywatnych VPN (Virtual Private Network).
Podsumowanie
Prezentowana baza danych przechowuje i udostêpnia w œrodowisku internetowym zasób
cyfrowych danych fotogrametrycznych i termowizyjnych oraz numerycznych danych pomiarowych, które mog¹ byæ pozyskane z n-wymiarowych opracowañ bliskiego zasiêgu,
realizowanych w i-epokach.
W projekcie autorzy okreœlili uprawnienia u¿ytkowników oraz zaproponowali strukturê
bazy danych – model pojêciowy i funkcjonalny. Rozwi¹zanie informatyczne projektu powi¹zane zosta³o ze wskazaniem narzêdzi programistycznych pozwalaj¹cych na stworzenie modelu bazy z okreœleniem oprogramowania bazodanowego. Przedstawione zosta³y równie¿
uwarunkowania prawne i standardy informatyczne prze³o¿one na funkcjonuj¹c¹ strukturê
bazy danych.
Literatura
Atkinson K.B., 1996: Close Range Photogrammetrz and Machine Vision, Whittles Publishing.
Grussenmeyer P., Drap P., Gaillard G., 2002: Arpenteur 3.0: Recent Development in Web based Photogrammetry, Sao Jose’ dos Campos – Brazil Symposium ISPRS.
Janowski A., Paszotta Z., Szulwic J., 2003: Badanie mo¿liwoœci przetwarzania lotniczych obrazów cyfrowych przekazywanych za pomoc¹ Internetu. Vol. 1 i 2, KBN nr 8 T12E005 21.
Luhmann T., 2003: Nahbereichsphotogrammetrie – Grundlagen, Methoden und Anwendungen, Wichman
Verlag, Heidelberg.
£uczycki M., Moszyñski M., Szulwic J., 2005: Internetowy System Udostêpniania Obrazów i Produktów
Fotogrametrycznych, ZN Politechniki Wroc³awskiej, Wroc³aw.
Orange Book. American Department of Defense.
RMON, 2003: Rozporz¹dzenie Ministra Obrony Narodowej z dnia 18 lipca 2003 r. w sprawie terenów
zamkniêtych niezbêdnych dla obronnoœci pañstwa.
RPRM, 1999: Rozporz¹dzenie Prezesa Rady Ministrów z dnia 25 lutego 1999 r. w sprawie podstawowych
wymagañ bezpieczeñstwa systemów i sieci teleinformatycznych.
Sawicki P., Wiêcek B., 1998: Cyfrowy system video termalny dla aplikacji w bliskim zasiêgu. Archiwum
Fotogrametrii, Kartografii i Teledetekcji Vol. 8, s.13/1-13/8.
Sawicki P., 2000: Digital multisensoral video-thermal system for close range metrology applications. International Archives of Photogrammetry and Remote Sensing, Vol. XXXIII Part B5/2 Com.V, s. 691-698.
Szulwic J., 2003: Koncepcja technologii przetwarzania i analizy geoinformacyjnej zdjêæ fotogrametrycznych
w rozwi¹zaniach internetowych, UWM Olsztyn.
UPB, 1994. Ustawa z dnia 7 lipca 1994 r. Prawo budowlane.
UPGIK, 1989. Ustawa z dnia 17 maja 1989 r. Prawo geodezyjne i kartograficzne.
UOOIN, 1999. Ustawa z dnia 22 stycznia 1999 r. o ochronie informacji niejawnych.
108
Artur Janowski
Summary
Modern digital measurement techniques of close-range photogrammetry find general application in
many fields of science and technology – in construction, architecture, energy sector, metrology of
machinery and equipment, robotics, in control processes of industrial production, medicine, biology
etc.
The paper presents a concept of a database for storing and making available in the internet environment digital resources of photogrammetric and thermovisual data and numerical measurement data,
which may be acquired from n-dimension short-range records realized in i-epochs.
In the project, the authors defined the rights of users and suggested the structure of the database – a
conceptual and functional model. Information solution for the project was connected with indication of
programming tools which allow to create the model of database with database software defined. Legal
aspects and relevant IT standards were also presented.
dr in¿. Artur Janowski
[email protected]
tel. +89 523 37 97
dr in¿. Piotr Sawicki
e-mail: [email protected]
tel. (089) 523 32 82, 523 38 41
dr in¿. Jakub Szulwic
[email protected]
tel. (058) 347 17 31
POLSKIE
INFORMACJI
PRZESTRZENNEJ
Eliminacja
obiektówTOWARZYSTWO
liniowych z zastosowaniem
regionów
strukturalnych ...
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
109
ELIMINACJA OBIEKTÓW LINIOWYCH
Z ZASTOSOWANIEM REGIONÓW STRUKTURALYCH
NA PRZYK£ADZIE SIECI DROGOWEJ
ELIMINATION OF LINEAR OBJECTS WITH THE USE
OF STRUCTURAL REGIONS ON THE EXAMPLE
OF A ROAD NETWORK
Krystian Kozio³
Laboratorium GIS i Teledetekcji, Katedra Ekologii Lasu,
Wydzia³ Leœny Akademii Rolniczej im. H. Ko³³¹taja w Krakowie
S³owa kluczowe: generalizacja obiektów liniowych, klasyfikacja, eliminacja, regiony strukturalne sieci drogowej, TBD, generalizacja obiektowa
Keywords: generalization of linear objects, classification, elimination, structural regions of road
network, Topographic Data Base, objects generalization
Regiony1 strukturalne dla generalizacji sieci drogowej
Dla przybli¿enia definicji regionu pos³u¿ymy siê przyk³adem. Niech sieæ drogowa ograniczona granicami administracyjnymi bêdzie reprezentowana przez osie z przypisan¹ klas¹ zgodn¹
z ustaw¹ o drogach publicznych (krajowe – 1, wojewódzkie – 2, …). Je¿eli usuniemy z
rysunku wszystkie drogi, to pozostanie obszar ograniczony tylko i wy³¹cznie granicami opracowania, o przyjêtej wartoœci atrybutu klasy. Teraz dodaj¹c kolejno osie dróg bêdziemy
tworzyæ podzbiory dróg pocz¹wszy od najistotniejszego (drogi krajowe), w kierunku podzbioru o wartoœci klasy najni¿szej, tworz¹c jednoczeœnie zamkniête obszary. Tak postêpuj¹c
otrzymujemy regiony, tj. najmniejsze obszary ograniczone osiami dróg o wybranych wartoœciach atrybutów. Dla osi dróg najni¿szej klasy, która posiada ustawow¹ numeracjê dróg
(drogi powiatowe), utworzone regiony s¹ ju¿ z punktu widzenia generalizacji jednorodne,
gdy¿ w ich wnêtrzu powinny znajdowaæ siê jedynie drogi bez przypisanej numeracji (nie
sklasyfikowane). Tworz¹c regiony dla najni¿szej klasy otrzymamy „niepodzielne” regiony,
które nazwiemy elementarnymi, gdy¿ w swoim wnêtrzu zawieraæ bêd¹ mog³y jedynie drogi
ko³owe tej samej klasy.
Dla utworzonych regionów mo¿emy mówiæ o okreœlonej wartoœci klasy w przypadku,
gdy linie graniczne regionu sk³adaj¹ siê z encji nale¿¹cych do dróg krajowych i wojewódz1 Regionem nazywamy czêœæ p³aszczyzny ograniczonej przez punkty wêz³owe i linie krawêdziowe
grafu geometrycznego na p³aszczyŸnie, tworz¹ce cykl wraz z tymi punktami i wêz³ami, jednak z wy³¹czeniem wszelkich innych punktów wêz³owych lub linii krawêdziowych grafu (Kulikowski, 1986, s. 221).
110
Krystian Kozio³
kich. Bêdziemy mówiæ, i¿ region taki jest klasy wojewódzkiej. Bêdzie on wiêc równy najni¿szej wartoœci klasy linii granicznej.
Czym zatem jest region i region elementarny oraz czym siê one charakteryzuj¹?
Regionem Rki, gdzie i = 1,2,3..., a k jest wartoœci¹ klasy, nazwiemy najmniejszy obiekt
powierzchniowy, w którym granice zewnêtrzne wyznaczone s¹ przez krawêdzie ró¿nych
klas, ale krawêdzie w jego wnêtrzu bêd¹ co najmniej o jedn¹ klasê ni¿sze od klasy krawêdzi
zewnêtrznych regionu. Na przyk³ad region klasy wojewódzkiej tworzyæ bêd¹ drogi klasy
krajowej i wojewódzkiej, a w jego wnêtrzu bêd¹ drogi klas ni¿szych ni¿ wojewódzkie.
Regionem elementarnym rj, gdzie j = 1, 2, 3... nazwiemy region, w którym granice
zewnêtrzne s¹ tej samej lub ró¿nej klasy, ale krawêdzie wewnêtrzne s¹ jednej i to najni¿szej
klasy. Region Rki bêdzie siê sk³ada³ z co najmniej jednego regionu rj. W przyjêtym modelu
danych region elementarny jest reprezentowany przez œcianê grafu planarnego2 utworzonego na podstawie podzbioru krawêdzi dróg ko³owych, dla których wartoœæ klasy jest wy¿sza
ni¿ powiatowa.
Zbiór wszystkich regionów oznaczymy przez R, natomiast poszczególne podzbiory regionów utworzonych dla klas dróg oznaczymy przez Rk, gdzie k mo¿e przyjmowaæ wartoœci:
0 – granica opracowania, (k=0)
K – dla dróg krajowych, (k=1),
W – dla dróg wojewódzkich, (k=2),
P – dla dróg powiatowych, (k=3),
L – dla dróg lokalnych, (k=4).
Cech¹ charakterystyczn¹ regionów jest tworzenie z ich udzia³em struktury jednorodnej
logicznie, dziêki której w sposób automatyczny mo¿na sieæ drogow¹ podzieliæ na mniejsze
czêœci, a w ich wnêtrzu uzyskaæ jednoznaczn¹ klasyfikacjê dla dróg. Algorytmy budowy
regionów s¹ oparte o istniej¹ce w grafie planarnym zwi¹zki topologiczne i wynikaj¹ce z nich
atrybuty.
Tworzenie regionów
Regiony to obszary powierzchniowe, których granice zewnêtrzne tworzy klasa obiektów
liniowych bêd¹cych ulicami (drogami) znajduj¹cymi siê najni¿ej w przyjêtej hierarchii i posiadaj¹ce klasyfikacjê (drogi powiatowe posiadaj¹ce numeracjê). Regiony s¹ obszarami najmniejszymi powierzchniowo w sieci drogowej – superklasy, w których ulice tworz¹ sieæ
lokaln¹. Sieæ jest niezale¿na, dziêki czemu ustalona jedna domena atrybutów ma zastosowanie w klasyfikacji ulic (obiektów) ka¿dego regionu opracowywanej mapy. Tworzenie regionów jest przydatne równie¿ w procesach generalizacji kartograficznej zale¿nej od skali, gdy¿
z mapy jako pierwsze s¹ eliminowane regiony.
Przy budowie regionów, tj. z³o¿onych obiektów elementarnych, zastosowane zostan¹
dwa rodzaje regu³ zdefiniowanych przez Molenaara (1996):
1) regu³y okreœlaj¹ce klasy obiektów elementarnych tworz¹cych obiekt z³o¿ony,
2) regu³y okreœlaj¹ce relacje topologiczne miedzy obiektami elementarnymi (tzn. przyleg³oœæ, po³¹czenie, np.)
2 Graf planarny – graf, którego jedno lub wiêcej izomorficzne przekszta³cenie da siê narysowaæ na
p³aszczyŸnie tak, by ³uki obrazuj¹ce krawêdzie grafu nie przecina³y siê. Tê konkretn¹ postaæ grafu, zachowuj¹c¹ tê w³asnoœæ, nazywamy grafem p³askim (Kulikowski, 1986).
Eliminacja obiektów liniowych z zastosowaniem regionów strukturalnych ...
111
Zwi¹zki topologiczne okreœlone i zdefiniowane w Formalnej Strukturze Danych (FSD)
przez Molenaara s¹ wykorzystywane w tworzeniu algorytmu automatycznej budowy regionów dla dowolnej klasy dróg ko³owych, ze szczególnym uwzglêdnieniem budowy regionów
elementarnych. Budowa regionów elementarnych pozwoli na jednoznaczn¹ klasyfikacjê dróg
lokalnych z zastosowaniem minimalnej liczby atrybutów.
Zasady (kryteria) steruj¹ce budow¹ regionów i regionów elementarnych s¹ okreœlone w
taki sposób, aby ich zastosowanie prowadzi³o do utworzenia regionów niezale¿nie od analizowanej sieci dróg.
Warunkiem poprawnego budowania regionów jest zapisanie sieci drogowej w postaci
grafu planarnego zgodnie z za³o¿eniami FDS. Po etapie przygotowawczym mo¿na przyst¹piæ do automatycznego wyznaczenia regionów i regionów elementarnych. Zdefiniowane
zwi¹zki topologiczne oraz okreœlone na ich podstawie wartoœci atrybutów pozwalaj¹ na zdefiniowanie zasad steruj¹cych budow¹ regionów.
Rozpatruj¹c sieæ drogow¹ na pewnym ograniczonym obszarze, mo¿na powiedzieæ, ¿e
regiony klas ni¿szych zawieraj¹ siê w regionach klas wy¿szych (rys. 1), które stanowi¹ dla
nich niezmienn¹ podczas generalizacji kartograficznej. Pierwszy region o najwy¿szej klasie
stanowi granica opracowania. Kolejnym bêd¹ regiony tworzone przez drogi klasy krajowej,
a nastêpnie wojewódzkiej. Poniewa¿ klasyfikacji podlegaæ bêd¹ drogi klasy lokalnej, granice
regionów elementarnych bêd¹ stanowiæ krawêdzie nale¿¹ce do podzbioru EK, EW i EP (zbiory krawêdzi dróg okreœlonej klasy K – krajowe, W – wojewódzkie i P – powiatowe)
Budowanie regionu polega na ³¹czeniu krawêdzi dróg wybranych klas w ³añcuch prosty
zamkniêty, przez wêz³y pocz¹tku i koñca, tak aby powsta³ region topologiczny grafu planarnego. Podstawowym dzia³aniem dla przeprowadzenia poprawnego utworzenia regionów jest
uzyskanie topologii dla sieci dróg. Wybrane œrodowisko cyfrowe (ESRI) umo¿liwia budowê
Rys. 1. Graficzne zobrazowanie hierarchicznej budowy zbioru R regionów
112
Krystian Kozio³
topologii i uzyskanie wartoœci atrybutów topologicznych. Zarówno u¿ytkownicy, jak i producent tego oprogramowania nazywaj¹ tê topologiê – planarn¹ (podstawowym modelem
przechowywania danych jest model oparty o graf planarny zachowuj¹cy zwi¹zki topologiczne) (MacDonald, 1999).
Zastosowanie jej do sieci dróg powoduje utworzenie w cyfrowej reprezentacji grafu informacji o istniej¹cych œcianach, krawêdziach i wêz³ach. Budowa topologii wêz³owej powoduje wype³nienie wartoœci dotycz¹cych wêz³ów, topologia krawêdziowa odpowiada za atrybuty krawêdzi, natomiast topologia poligonowa pozwala na uzyskanie informacji o œcianach
grafu planarnego (ESRI, 1999).
W wyniku dzia³ania algorytmów budowy regionów zostan¹ utworzone regiony ró¿nych
klas (rys. 2), o ustalonej hierarchii. Budowa regionów dla dróg klas wy¿szych ni¿ gminne
wykorzystuje hierarchiê ustalon¹ przez obowi¹zuj¹ce przepisy prawa. Region RKi klasy krajowej bêdzie zawiera³ minimum jeden region RWi klasy wojewódzkiej, który mo¿e pokrywaæ
siê z regionem krajowym. Region wojewódzki sk³adaæ siê bêdzie co najmniej z jednego regionu RPi klasy powiatowej, który mo¿e pokrywaæ siê z regionem wojewódzkim.
Algorytmy tworzenia regionów i regionów elementarnych dzia³aj¹ niezale¿nie od charakterystyki analizowanego obszaru. W zastosowaniu praktycznym zadzia³a³y dla terenów o
wysokim stopniu zurbanizowania (rys. 2) i dla terenów niezabudowanych (rys. 3). Algorytmy te zadzia³aj¹ dla dowolnie przyjêtego atrybutu opisowego, stanowi¹cego podstawow¹
hierarchiê (np. dla dróg klas odœnie¿ania – atrybuty komunikacyjne).
W omawianym opracowaniu jako granic¹ pos³u¿ono siê odpowiednio granic¹ województwa (rys. 3) lub miasta (rys. 2). Granice w algorytmach budowy regionów posiadaj¹ klasê
najwy¿sz¹, co mo¿na wyt³umaczyæ hierarchi¹ regionów.
Klasyfikacja regionów
Budowanie klasyfikacji jest jednym z podstawowych elementów pozwalaj¹cych na przeprowadzenie automatycznego procesu generalizacji kartograficznej obiektów. Szczególn¹
uwagê nale¿y zwróciæ na proces eliminacji, który bez jednoznacznej klasyfikacji nie mo¿e
zostaæ przeprowadzony. Budowanie jednoznacznej klasyfikacji poci¹ga za sob¹ rozbudowanie domeny atrybutów opisowych. Rozbudowa ta powoduje jednoczeœnie wzrastanie kosztów utrzymania aktualnoœci zasobu danych. Sposobem na unikniecie koniecznoœci wprowadzania nowych atrybutów jest uzyskanie atrybutów klasyfikuj¹cych opartych na atrybutach
topologicznych – wynikaj¹cych z geometrii i logiki sieci drogowej (Chrobak, 1998, 2000),
(Kozio³, 2002). Wartoœci atrybutów: stopnia wêz³a, rangi drogi oraz klasy drogi s¹ podstaw¹
do wykonania jednoznacznej klasyfikacji dróg ko³owych (Chrobak, 1999, 2000), (Kozio³,
2002) w ramach jednego regionu elementarnego oraz klasyfikacji regionów i regionów elementarnych (rys. 4).
Poniewa¿ region drogowy nie stanowi obiektu geograficznego, argumentami opisowymi
danego regionu mog¹ byæ jedynie te, których wartoœci mo¿liwe s¹ do uzyskania na podstawie jego budowy geometrycznej i logicznej. Obliczenie tych argumentów bêdzie mo¿liwe po
potraktowaniu poszczególnego regionu jako podgrafu i rozpatrywanie ka¿dego tak utworzonego grafu oddzielnie. Do atrybutów klasyfikacji regionów nale¿y zaliczyæ:
m liczbê encji klasy lokalnej w jednym regionie elementarnym,
m sumê atrybutów rangi wszystkich encji znajduj¹cych siê w podgrafie,
Eliminacja obiektów liniowych z zastosowaniem regionów strukturalnych ...
113
sumê atrybutów po³¹czenia dla krawêdzi podgrafu,
d³ugoœæ obwodu liczon¹ jako suma d³ugoœci krawêdzi granicznych,
pole powierzchni obliczonej na podstawie niezmienników po³o¿enia.
Najwiêksze wartoœci tych atrybutów przypadn¹ regionom o du¿ej liczbie encji i wêz³ów.
Atrybut d³ugoœci obwodu zosta³ w klasyfikacji uwzglêdniony jako 0,01 jego wartoœci. Natomiast miar¹ rozpoznawalnoœci regionu bêdzie wartoœæ atrybutu pola powierzchni.
W trakcie procesu generalizacji sieci drogowej podstawowym czynnikiem jest eliminacja
dróg. Utworzenie i klasyfikacja regionów i regionów elementarnych umo¿liwia przeprowadzenie tego procesu w sposób ca³kowicie automatyczny, zachowuj¹c przy tym obiektywnoœæ, jednoznacznoœæ i weryfikowalnoœæ wyniku procesu generalizacji.
m
m
m
Eliminacja regionów strukturalnych sieci drogowej
Po przeprowadzonej klasyfikacji regionów strukturalnych sieci drogowej mo¿na uruchomiæ proces automatycznej eliminacji regionów. Eliminacja regionów wymaga ustalenia czynnika decyduj¹cego o usuniêciu rozpatrywanego regionu. Eliminacja regionów powoduje usuniêcie wszystkich dróg wewnêtrznych. Czynnikiem decyduj¹cym o eliminacji jest rozpoznawalnoœæ rysunku mapy lub obiektów na ekranie komputera. Obiektywna i weryfikowalna
metoda generalizacji (Chrobak, 1999) jest mo¿liwa, je¿eli zastosowana zostanie metoda trójk¹ta elementarnego. Aby dokonaæ procesu automatycznej eliminacji, niezbêdne jest okreœlenie atrybutu wskazuj¹cego na pozostawienie lub usuniecie obiektu.
Utworzone regiony strukturalne z punktu widzenia procesów tworzenia obrazu mapy
(np. kolorowania), nie mog¹ byæ postrzegane jako obiekty powierzchniowe. Z punktu widzenia topologii planarnej spe³niaj¹ one wszystkie wymogi obiektów powierzchniowych. W
przypadku automatycznej generalizacji kartograficznej dróg poprzez regiony bêdziemy je
traktowaæ w tym procesie jako poligony. Budowa regionów strukturalnych oparta jest o
analizê wêz³owo-krawêdziow¹ (rys. 5b).
Wêz³y tworz¹ce regiony strukturalne s¹, dla sieci drogowej, niezmiennikami po³o¿enia
(skrzy¿owania i przeciêcia dróg, ulic), a wiêc maj¹ okreœlone wspó³rzêdne X, Y w wybranym uk³adzie odniesienia. Krawêdzie stanowi¹ ³añcuchy proste o okreœlonym przebiegu (rys.
5a). Cechy te pozwalaj¹ na traktowanie, w pewnych sytuacjach (automatyczna generalizacja), regionów jako obiektów powierzchniowych, a rozmiar tego poligonu jako atrybut umo¿liwiaj¹cy ocenê rozpoznawalnoœci regionu.
Generalizacja mapy – czy bazy danych?
Jako powierzchniê porównawcz¹ przyjêto pole powierzchni ko³a o promieniu równym
r = 0,6 Mj gdzie Mj to mianownik skali mapy docelowej, a 0,6 odpowiada wspó³czynnikowi
rozpoznawalnoœci przy gruboœci symbolu 0,1 mm. Jako powierzchniê wzorcow¹ wybrano
ko³o (tab. 1) ze wzglêdu na traktowanie ka¿dego regionu jako osobnego obiektu i badanie
jego otoczenia (równoodleg³ych punktów od obiektu). Przyjête kryterium powierzchni elementarnych i strukturalnych regionów sieci drogowej umo¿liwia testowanie ich rozpoznawalnoœci na rysunku mapy, zachowuj¹c warunek obiektywnoœci i mo¿liwoœæ weryfikacji
wyników procesu eliminacji.
Krystian Kozio³
114
Tabe la 1 Wie lkoœ æ powie rzchni wzorcowe j po uwzglê dnie niu wie lkoœ ci s ymbolu
Skala
Wartoœci promienia ko³a z uwzglêdnion¹ gruboœci¹ symbolu w skali mapy
e + 0,1 mm
0,6
e + 0,25 mm
e + 0,35 mm
e + 0,5 mm
e + 1,0 mm
e + 2,0 mm
0,75
0,85
1
1,5
2,5
Pole powierzchni wzorcowej [m ]
2
1:5 000
28,3
44,2
56,7
78,5
176,7
490,9
1:10 000
113,1
17 6 , 7
227,0
314,2
706,9
1963,5
1:25 000
706,9
1104,5
1418,6
1963,5
4417,9
12271,8
1:50 000
2827,4
4417,9
5674,5
7854,0
17671,5
49087,4
1:100 000
11309,7
17671,5
22698,0
31415,9
70685,8
19 6 3 4 9 , 5
1:250 000
70685,8
110446,6
141862,5
196349,5
441786,5
1227184,6
1:500 000
282743,3
441786,5
567450,2
785398,2
1767145,9
4908738,5
1:750 000
636172,5
994019,6
1276762,9
1767145,9
3976078,2
11044661,7
1130973,4
1767145,9
2269800,7
3141592,7
7068583,5
19634954,1
1:1 000 000
W wyniku prowadzonych badañ nad procesem eliminacji regionów zosta³ dostrze¿ony
problem wp³ywu metody wizualizacji sieci drogowej na ten proces. W celu uzyskania poprawnego obrazu sieci drogowej na wybranej skali mapy, nale¿y uwzglêdniæ wielkoœci symbolów u¿ytych na tej mapie do wizualizacji dróg. Zmiana sposobu prezentacji bêdzie mieæ
zasadniczy wp³yw na liczbê wyeliminowanych obiektów (tab. 1).
Analizowanie wielkoœci symboli rozpoczêto od wartoœci kryterium rozpoznawalnoœci bez
uwzglêdnienia rozmiaru symbolu, co oznaczono jako: (e + 0,1 mm). Przy zastosowaniu
tylko kryterium rozpoznawalnoœci, mo¿na mówiæ, ¿e proces eliminacji przebiega³ w celu
utworzenia zgeneralizowanego obrazu bazy danych bez uwzglêdniania wizualizacji obiektów.
Problem symbolizacji uwidoczniony na rysunku 6 pokazuje, jak du¿y wp³yw na eliminacjê ma sposób reprezentacji obiektów na mapie lub ekranie. Nale¿y tak¿e zauwa¿yæ, ¿e dla
kryterium elementarnego (e = 0,5 mm + 0,1 mm) sieæ dróg jest rozpoznawalna przy zastosowaniu symbolu o gruboœci linii 0,1 mm, najmniejszej mo¿liwej gruboœci, (rys. 6 po lewej).
Tak¹ generalizacjê, która jest wykonana dla elementarnej wartoœci kryterium rozpoznawalnoœci nazwiemy generalizacj¹ bazy danych nie precyzuj¹c gruboœci linii reprezentuj¹cej sieæ
drogow¹. Z punktu widzenia tworzenia przedstawieñ kartograficznych takie rozró¿nienie
mo¿e wydaæ siê zbêdne. Jednak¿e w przypadku funkcjonuj¹cej wieloskalowej bazy danych
mo¿e to rozwi¹zaæ problem ró¿nicy iloœci informacji w ró¿nych skalach, na ró¿nych poziomach skal wyœwietlania. Proces eliminacji regionów dla okreœlonego rozmiaru symbolu zosta³ przedstawiony na rysunku 6 w œrodku. Obraz oryginalny zosta³ przetworzony przez
zastosowanie wspó³czynnika rozpoznawalnoœci e = 0,5 mm + 2 mm. Spowodowa³o to wyeliminowanie regionów, których powierzchnia nie spe³nia³a kryterium rozpoznawalnoœci. Obrazy w skali 1: 250 000 i 1: 500 000 przedstawiono na rysunku 6 odpowiednio dla symbolu
0,1 mm z lewej strony, a dla symbolu 2 mm poœrodku.
Eliminacja obiektów liniowych z zastosowaniem regionów strukturalnych ...
115
Rys. 6. Wizualizacja regionów (symbol 2 mm) po eliminacji dla dwóch wybranych skal:
– bez uwzglêdnienia gruboœci symbolu drogi (e = 0,5 mm + 0,1 mm)
– z zastosowaniem symbolizacji (e = 0,5 + 2,0 mm)
Algorytm agregacji regionów
Utworzone regiony poddawane s¹ testowi rozpoznawalnoœci rysunku przy przyjêtym
kryterium, stanowi to pierwszy etap ich eliminacji. Przyjête kryterium rozpoznawalnoœci
wskazuje regiony, dla których nale¿y podj¹æ odpowiedni¹ procedurê, to jest eliminacjê. Jednak¿e w przypadku regionów sieci drogowej eliminacja przebiega na drodze agregacji z
jednym z regionów s¹siaduj¹cych.
Problem odpowiedniej kolejnoœci przebiegu procedury eliminacji przez agregacjê jest zgodny
z klasyfikacj¹ regionów. Procedura agregacji regionów nie mo¿e jednak przebiegaæ w oderwaniu od ich hierarchii wynikaj¹cej z przyjêtego atrybutu opisowego (klasa drogi). W przypadku gdyby procedura agregacji dzia³a³a niezale¿nie od ustalonej hierarchii regionów, to
utworzony obraz zgeneralizowany sieci drogowej nie zachowa³by logicznej struktury sieci
drogowej. Dobór odpowiedniego regionu stycznego z eliminowanym oraz kolejnoœæ agregowania regionów s¹ mo¿liwe dziêki zastosowaniu klasyfikacji obiektów z³o¿onych. Wybór
116
Krystian Kozio³
regionu nadrzêdnego nie jest determinowany przez powierzchniê gdy¿ przedmiotem generalizacji s¹ drogi, a regiony s¹ tylko pewn¹ ich reprezentacj¹. Podstaw¹ wyboru regionu nadrzêdnego jest klasyfikacja i ustalona hierarchia regionów strukturalnych. Znaj¹c wartoœæ
atrybutów klasyfikacyjnych dla wszystkich granic eliminowanego regionu do agregacji wybierana jest ta granica, której suma tych atrybutów jest najni¿sza, to znaczy ¿e krawêdzie tej
drogi znajduj¹ siê najni¿ej w klasyfikacji.
W ten sposób uzyskany zostaje zgeneralizowany zbiór regionów (rys. 6) ze zbioru wyjœciowego (rys. 6 u góry). Utworzone algorytmy wykorzystuj¹ zwi¹zki topologiczne i funkcje opisane w rozdzia³ach poprzednich.
Przeprowadzona eliminacja poprzez agregacjê jest procesem ca³kowicie automatycznym
i opartym o wartoœci weryfikowanych atrybutów. Przeprowadzony proces jest niezale¿ny
od po³o¿enia obiektów i stosowanego oprogramowania, wymaga jednak zastosowania przyjêtego modelu danych.
Wnioski
Mo¿liwe jest utworzenie jednoznacznej klasyfikacji obiektów liniowych na podstawie atrybutów, których wartoœci obliczane s¹ na podstawie w³aœciwoœci grafów planarnych (wynikaj¹cych z geometrii obiektów). Atrybuty te wykorzystywane s¹ tak¿e przy automatycznym
tworzeniu regionów strukturalnych sieci drogowej. Utworzona klasyfikacja dróg i regionów
dróg ko³owych wykorzystywana jest w automatycznym procesie eliminacji obiektów sieci
drogowej. Eliminacja w zakresie sieci drogowej przebiega dwutorowo. Z jednej strony podlegaj¹ agregacji regiony strukturalne, z drugiej proces eliminacji przebiega dla obiektów liniowych znajduj¹cych siê wewn¹trz regionów.
Regu³a geometryczna pozwala proces eliminacji obiektów liniowych i powierzchniowych
przeprowadzaæ na drodze automatycznej. Jest to mo¿liwe dziêki weryfikacji przy zastosowaniu kryterium rozpoznawalnoœci linii ³amanej w procesie eliminacji obiektów. Kryterium to
pozwala w sposób wymierny okreœliæ bliskoœæ obiektów w zale¿noœci od skali wizualizacji
obiektów na mapie, st¹d jego zastosowanie do agregacji obiektów z obiektów prostych.
Regu³a geometryczna stanowi jeden z kilku algorytmów generalizacji, opartych na kryterium
rozpoznawalnoœci linii rysunku.
Literatura
ESRI, 1999: Arc/Info Concepts, data models, database design and storage – Data Management. ESRI, Redlands.
Chrobak T., 1998: Generalizacji sieci dróg. Geodezja tom 4 zeszyt 1, AGH, Kraków.
Chrobak T., 1999: Badanie przydatnoœci trójk¹ta elementarnego w komputerowej generalizacji kartograficznej. Kraków, UWND AGH.
Chrobak T., 2000: A Numerical Method for Generalizing the Linear Elements of Large-Scale Maps, Based on
the Example of Rivers. Cartographica, Volume 37.
Kozio³ K., 2002: Badanie przydatnoœci teorii grafów w budowie regionów dla sieci dróg ko³owych. Geodezja,
Tom 8, Zeszyt 1, AGH, Kraków.
Kulikowski J.L., 1986: Zarys teorii grafów. PWN, Warszawa.
MacDonald A., 1999: Building a Geodatabase. ESRI, Redlands.
Molenaar M., 1996: Multi-scale approaches for geo-data. International Archives of Photogrammetry and
Remote Sensing, Vol. XXXI, Part B3, Vienna, Austria, pp. 542-554.
Eliminacja obiektów liniowych z zastosowaniem regionów strukturalnych ...
117
Summary
Elimination of objects in any database must be based on their earlier sorting. This is one of numerous
problems we come across during the process of digital generalization of objects. Obtaining a clear
classification of objects usually leads to too extensive development of the domain of descriptive attributes. The author tries to prove that it is useful to make structural regions for the network of linear
objects such as roads, rivers or railways for the classification of objects, using the smallest number of
attributes. The created classification allows automatic elimination of the network objects. To illustrate
the mentioned above issues a fragment of a topographic database was selected. It was the layer of the
road network.
In the paper, the problem of necessary conditions to form regions is also presented as well as the
way of classification of created regions. After making the classification of structural regions of the road
network, the process of automatic elimination of regions is presented. It is made by the aggregation
with one of the neighboring regions. Elimination through aggregation is based on fully automatic
processes and verifiable values of attributes. The carried out process is independent from the situation
of objects and the applied software, although it requires application of the accepted model of data.
dr in¿. Krystian Kozio³
[email protected]
http://argis.les.ar.krakow.pl
tel/fax (012) 662 50 82
118
Krystian Kozio³
Rys. 2. Regiony klasy krajowej (kolor czerwony) i i wojewódzkiej (kolor zielony) na terenie miasta Krakowa
Rys. 3. Regiony utworzone dla dróg klasy krajowej
(kolor czerwony) i wojewódzkiej (kolor zielony)
dla sieci drogowej województwa ma³opolskiego
Eliminacja obiektów liniowych z zastosowaniem regionów strukturalnych ...
119
Rys. 4. Region elementarny klasy powiatowej o identyfikatorze 523
Rys. 5. Fragment TBD: a – sieæ drogowa jako graf planarny z podzia³em na drogi krajowe – czerwony,
wojewódzkie – zielony, powiatowe – br¹zowy, pozosta³e czarny; b – regiony elementarne
utworzone na podstawie wêz³ów i krawêdzi
POLSKIE
TOWARZYSTWO
PRZESTRZENNEJ
Standaryzacja
danych
kartograficznych iINFORMACJI
teledetekcyjnych
do analizy zmian...
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
119
STANDARYZACJA DANYCH KARTOGRAFICZNYCH
I TELEDETEKCYJNYCH DO ANALIZY ZMIAN
STRUKTURY KRAJOBRAZU
THE STANDARDIZATION OF CARTOGRAPHICAL
AND REMOTE SENSING DATA FOR THE ANALYSIS
OF CHANGES IN LANDSCAPE STRUCTURE
Mieczys³aw Kunz
Zak³ad Teledetekcji i Kartografii, Instytut Geografii, Uniwersytet Miko³aja Kopernika,Toruñ
S³owa kluczowe: GIS, pokrycie/u¿ytkowanie terenu, przetwarzanie danych, standaryzacja
danych
Keywords: GIS, land-use/land-cover, data processing, data standardization
Wprowadzenie
Sekwencje map topograficznych i historycznych wykonanych w tej samej skali to niezwykle cenne Ÿród³a informacji, które mog¹ byæ wykorzystywane do okreœlenia przemian
struktury u¿ytkowania badanego terenu. Dane pochodz¹ce z ró¿nych Ÿróde³ kartograficznych, uzupe³nione informacj¹ ze zdjêæ lotniczych i powi¹zane w system informacji geograficznej, mog¹ byæ wykorzystywane kompleksowo i analizowane w wielu aspektach.
Wspó³czeœnie systemy informacji geograficznej s¹ standardowym narzêdziem stosowanym w analizach zmian pokrycia/u¿ytkowania terenu. Pomimo, ¿e pos³ugiwanie siê procedurami i narzêdziami geomatycznymi nie sprawia dziœ wiêkszego problemu, to jednak sposób przygotowania danych pochodz¹cych z ró¿nych Ÿróde³ do analiz wieloczasowych jest
wci¹¿ skomplikowany i przez to czêsto obarczony b³êdami. Pope³niane b³êdy powinny byæ
okreœlane liczbowo, co pozwoli³oby na ich uwzglêdnienie przy interpretacji wyników. Pocz¹tkowy etap wszystkich prac o strukturze u¿ytkowania/pokrycia terenu, realizowany z
wykorzystaniem map, a którego celem jest otrzymanie podk³adów kartometrycznych, decyduje o jakoœci wyników osi¹ganych w dalszych etapach analizy przestrzennej.
Kolejnym etapem, po procesie geometryzacji danych rastrowych, jest proces szczegó³owej interpretacji map pod k¹tem wydzielania wybranych klas pokrycia/u¿ytkowania terenu.
W przypadku sekwencji map ró¿ni¹cych siê czasem odwzorowania terenu (niejednokrotnie
o setki lat) wyniki interpretacji powinny byæ poddane procesowi standaryzacji danych, po to
aby analiza zmian dokonywana na podstawie ró¿norodnych Ÿróde³ by³a wiarygodna i po-
120
Mieczys³aw Kunz
prawna. Na tym etapie analizy nale¿y tak¿e wybraæ najlepsze odniesienie czasowe ze wzglêdu na bogactwo treœci wystêpuj¹cej w materia³ach Ÿród³owych. Z uwagi na ró¿nice treœci
map, wynikaj¹ce ze stosowania ró¿nych legend i korzystania z ró¿nych instrukcji sporz¹dzana map, pominiêcie jednego stanu mo¿e daæ bardziej interesuj¹ce wyniki, ni¿ bezwzglêdne
trzymanie siê posiadanych zasobów.
Cel i zakres opracowania
Celem niniejszej pracy by³o sformu³owanie algorytmu postêpowania w przypadku pos³ugiwania siê danymi wieloczasowymi oraz przeprowadzenie procesu standaryzacji danych
pozyskanych z map historycznych, wspó³czesnych podk³adów topograficznych i leœnych
map gospodarczych. Proces ten obj¹³, oprócz map, tak¿e archiwalne i wspó³czesne zdjêcia
lotnicze.
W opracowaniu u¿yto nastêpuj¹cych materia³ów kartograficznych prezentuj¹cych obszar dzisiejszego Zaborskiego Parku Krajobrazowego (ZPK) w regionie Bory Tucholskie:
map Schröttera-Engelhardta (1796–1802), pruskich map topograficznych – Messtischblätter
(1874), map topograficznych Wojskowego Instytutu Geograficznego (1936), map topograficznych w uk³adzie 1942 (1954), map topograficznych w uk³adzie 1965 (1985). Dodatkowo w analizach wykorzystano mapy przegl¹dowe drzewostanów z lat: 1911, 1945, 1952–
1954, 1966, 1976, 1987–1988, 1999–2000 oraz panchromatyczne i barwne zdjêcia lotnicze
z lat: 1951, 1964, 1975, 1986 i 1997 (rys. 1 i 2).
Pierwsza z analizowanej serii mapa topograficzna, opracowanie Schröttera-Engelhardta,
wykonana by³a w skali 1:50 000. Skala pozosta³ych map wynosi³a 1:25 000. Dostêpny w
analizie horyzont czasowy obejmowa³ wiêc nieca³e 200 lat. Mapy przegl¹dowe drzewostanów wykonane by³y w skali 1:20 000, za wyj¹tkiem roku 1987–1988, kiedy mapy te wyj¹tkowo wykonywano w skali 1:25 000. Zakres skal wykorzystanych zdjêæ lotniczych mieœci³
siê w zakresie od 1:12 000 do 1:26 000.
Badania prowadzono na trzech poligonach badawczych – Kruszyn (pó³nocna czêœæ ZPK),
Laska (œrodkowa czêœæ ZPK) oraz PNBT (po³udniowa czêœæ ZPK).
Metodyka pracy i uzyskane wyniki
Opracowany algorytm postêpowania (rys. 3) obejmuje zagadnienie rekonstrukcji zmian
pokrycia/u¿ytkowania terenu Zaborskiego Parku Krajobrazowego wraz z analiz¹ dynamiki
tych zmian, przeprowadzon¹ w oparciu o mo¿liwie najd³u¿szy horyzont czasowy i podobieñstwo skal wykorzystywanych Ÿróde³ pierwotnych. Zaproponowane etapy pracy dotycz¹ ca³ego postêpowania badawczego, jednak¿e w niniejszym artykule uwzglêdniono tylko
te etapy i ich uwarunkowania, które s¹ zwi¹zane bezpoœrednio z tytu³em i podanym zakresem opracowania.
Jako podstawowy uk³ad wspó³rzêdnych w opracowaniu przyjêto uk³ad „1965”, który
jest systemem obowi¹zuj¹cym do koñca 2009 roku. O wyborze tego uk³adu zadecydowa³o
kilka czynników, z których najwa¿niejsze to: prostota definiowania (uk³ad kartezjañski) oraz
fakt, ¿e ostatnia seria wykorzystanych map topograficznych wykonana by³a w tym uk³adzie.
Standaryzacja danych kartograficznych i teledetekcyjnych do analizy zmian...
121
Rys. 3. Schemat postêpowania badawczego dotycz¹cego rekonstrukcji pokrycia/u¿ytkowania terenu
Zaborskiego Parku Krajobrazowego oraz okreœlenia dynamiki tych zmian
Ponadto uk³ad „1965” przyjmowano jako podstawowy przy sporz¹dzaniu ró¿nych opracowañ tematycznych zwi¹zanych z gospodark¹ leœn¹. Równie¿ archiwalne leœne mapy gospodarcze i mapy przegl¹dowe wykonywane by³y w tym uk³adzie. Istotne jest tak¿e pe³ne odtajnienie parametrów i równañ transformacyjnych omawianego uk³adu.
122
Mieczys³aw Kunz
Standaryzacja danych
W³aœciwa klasyfikacja treœci mapy u³atwia stworzenie poprawnego, w sensie geograficznym, obrazu pokrycia/u¿ytkowania terenu na podstawie interpretacji wieloczasowych map
topograficznych i innych map tematycznych, w tym leœnych map gospodarczych. Pozwala
ona tak¿e na wyjawienie, w procesie wnioskowania i generalizacji, ogólnych typowych cech
tych obiektów.
W etapie standaryzacji nastêpuje weryfikacja otrzymanej treœci z interpretacji wszystkich
wykorzystanych Ÿróde³ danych. W procesie porównywania wieloczasowych Ÿróde³ kartograficznych, a nastêpnie wyci¹gania wniosków na podstawie ró¿nic i podobieñstw ich stanów, przeœledzono zawartoœæ tych danych Ÿród³owych pod k¹tem wyró¿nionych na mapach kategorii pokrycia/u¿ytkowania terenu. Stwierdzono, ¿e nie wszystkie kategorie wystêpuj¹ na wszystkich stanach map.
Z powy¿szych wzglêdów, dla potrzeb krajobrazowych analiz wieloczasowych prowadzonych przez porównania Ÿróde³ kartograficznych (map topograficznych i map przegl¹dowych drzewostanów), proponuje siê okreœlaæ podczas weryfikacji trzy poziomy iloœci kategorii pokrycia/u¿ytkowania terenu:
m potencjaln¹ liczbê kategorii (PTL),
m rzeczywist¹ liczbê kategorii (RLK),
m wykorzystan¹ liczbê kategorii (WLK).
Potencjalna liczba kategorii okreœla bogactwo informacyjne danej mapy, czyli informuje jakie kategorie pokrycia/u¿ytkowania terenu zosta³y wydzielone podczas jej sporz¹dzania.
Rzeczywista liczba kategorii okreœla bogactwo informacyjne danego obszaru, który
podlega szczegó³owej analizie, czyli okreœla liczbê wyró¿nionych kategorii na badanym obszarze.
Wykorzystana liczba kategorii okreœla liczbê kategorii pokrycia/u¿ytkowania terenu
powsta³ych w procesie standaryzacji legendy na potrzeby analiz sekwencji czasowych.
Dziêki procesowi standaryzacji legend mo¿emy porównywaæ treœæ map wykonanych w
ró¿nych okresach. W proponowanej metodyce pojêcie kategoria jest równoznaczne z pojêciem
klasa, ale pierwsze z nich lepiej charakteryzuje Ÿród³a danych jakimi s¹ mapy topograficzne.
Miêdzy proponowanymi poziomami kategorii pokrycia/u¿ytkowania terenu zachodzi nastêpuj¹ca zale¿noœæ:
PLK ≥ RLK ≥ WLK,
co oznacza, ¿e rzeczywista liczba kategorii nigdy nie przekracza potencjalnej liczby kategorii,
zaœ wyró¿niona liczba kategorii jest co najwy¿ej równa rzeczywistej liczbie kategorii.
Weryfikacjê poziomów kategorii, zgodnie z zaproponowan¹ powy¿ej procedur¹, przeprowadzono na wszystkich wykorzystanych Ÿród³ach informacyjnych, tj. na mapach topograficznych i mapach przegl¹dowych drzewostanów. Przyk³adowe wyniki analiz zawieraj¹
tabele 1 i 2 oraz rysunki 3 i 4.
Na podstawie powy¿ej opisanej analizy mo¿na stwierdziæ, ¿e liczba mo¿liwych do wydzielenia typów kategorii (klas) pokrycia/u¿ytkowania terenu wzrasta³a wraz z rozwojem
nowych metod prezentacji kartograficznej i eksploracji terenowej, natomiast liczba wykorzystanych kategorii utrzymywa³a siê na sta³ym poziomie. Powierzchnia na wykresie pomiêdzy liniami PLK a WLK to niewykorzystany potencja³ informacyjny danej serii map, który
Standaryzacja danych kartograficznych i teledetekcyjnych do analizy zmian...
123
Tabe la 1. Pote ncjalna (PLK), rze czywis ta (R LK) i wykorzys tana (WLK) liczba kate gorii pokrycia
u¿ytkowania/te re nu otrzymana na pods tawie inte rpre tacji map topograficznych 1796–1985
Mapa / rocznik
Poligon Kruszyn
Poligon Laska
Poligon PNBT
Schrötter- Engelhardt / 1796–1802
6/5/4
6/5/4
6/5/4
Messtischblätter / 1874
8/6/4
8/7/5
8/8/5
WIG / 1936
7/7/5
7/7/5
7/7/5
PUW "1942" / 1954
8/6/4
8/7/4
8/8/5
PUW "1965" / 1985
9/6/5
9/6/4
9/6/4
Zapis x/x/x oznacza PLK/RLK/WLK
Tabe la 2. Pote ncjalna (PLK), rze czywis ta (R LK) i wykorzys tana (WLK) liczba kate gorii pokrycia
u¿ytkowania/te re nu otrzymana na pods tawie inte rpre tacji map prze gl¹dowych drze wos tanów 1911–2000
Mapa / rocznik
Poligon Kruszyn
Poligon Laska
Poligon PN BT
1911/1945
15/10/10
15/10/10
15/6/6
1952/53/54
15/12/12
15/10/10
15/12/12
19 6 6
15/13/12
15/13/12
15/12/11
19 7 6
15/12/10
15/10/10
15/10/9
1987/88
15/12/10
15/11/10
15/8/7
1999/2000
15/11/9
15/10/9
15/9/8
Zapis x/x/x oznacza PLK/RLK/WLK
mo¿e byæ brany pod uwagê w przypadku interpretacji struktury krajobrazu badanej w pojedynczym przedziale czasowym.
W przypadku wykorzystania map przegl¹dowych drzewostanów liczba mo¿liwych do
wydzielenia kategorii utrzymuje siê na niezmiennym poziomie przez ca³y analizowany okres.
Jest to dowód na trwa³oœæ za³o¿eñ i podejœcia do gospodarki leœnej oraz stosowania podobnych metod prezentacji kartograficznej. Rzeczywiste kategorie nie wykazuj¹ jednak takiego
przebiegu i w przypadku ka¿dego analizowanego poligonu badawczego wraz ze wzrostem
wartoœci na osi czasu maleje liczba wyró¿nianych kategorii.
Na podstawie analizy klas (kategorii) pokrycia/u¿ytkowania terenu przeprowadzonej dla
wykorzystanych serii map proponuje siê wprowadziæ dwa nowe wskaŸniki:
m wskaŸnik ubytku informacji (Ui) analizowanych serii map,
m wskaŸnik potencja³u informacyjnego (Pi) analizowanych serii map.
WskaŸniki te obliczane s¹ jako wektorowa suma odleg³oœci pomiêdzy PLK, RLK a WLK
dla poszczególnych serii map zgodnie ze wzorem:
Ui(roka-rokz) = (RLK-WLK)roka + (RLK-WLK)rokm + …+ (RLK-WLK)rokz
Pi(roka-rokz) = (PLK-RLK) roka + (PLK-RLK) rokm + … + (PLK-RLK) rokz
gdzie: rok a jest rokiem aktualnoœci najstarszej, rok m poœredniej, a rok z najnowszej mapy.
WskaŸnik ubytku informacji (Ui) mówi nam o zubo¿eniu iloœci wykorzystanych klas
pokrycia/u¿ytkowania terenu w stosunku do rzeczywistej liczby wyró¿nionych kategorii,
spowodowanym standaryzacj¹ wieloczasowych danych u¿ytych do analiz porównawczych.
Im wy¿sza jest wartoœæ tego wskaŸnika tym wiêksza redukcja wyró¿nionych klas pokrycia/
Mieczys³aw Kunz
124
poligon Kruszyn
liczba kategorii
12
10
8
6
4
2
0
1796
1874
1936
PLK
1954
RLK
1985
1999
WLK
Rys. 4. Potencjalna (PLK), rzeczywista (RLK) i wykorzystana (WLK) liczba kategorii pokrycia/
u¿ytkowania terenu poligonu Kruszyn otrzymana na podstawie interpretacji map topograficznych
1796–1999
poligon Kruszyn
liczba kategorii
20
15
10
5
0
1945
1954
1966
PLK
1976
RLK
1988
1999
WLK
Rys. 5. Potencjalna (PLK), rzeczywista (RLK) i wykorzystana (WLK) liczba kategorii pokrycia/
u¿ytkowania terenu poligonu Kruszyn otrzymana na podstawie interpretacji map przegl¹dowych
drzewostanów 1911–2000
u¿ytkowania terenu nast¹pi³a w procesie standaryzacji danych. Wzrost wskaŸnika oznacza
te¿ wiêkszy ubytek pierwotnej treœci map.
WskaŸnik potencja³u informacyjnego (Pi) mówi natomiast o bogactwie wyró¿nionych
klas pokrycia/u¿ytkowania terenu w stosunku do iloœci teoretycznej, za³o¿onej w procesie
opracowywania materia³u pierwotnego, zgodnie z instrukcj¹ sporz¹dzania danej serii map.
Mniejsza wartoœæ tego wskaŸnika oznacza wiêksze wykorzystanie pierwotnych klas pokrycia/u¿ytkowania terenu, wiêksz¹ ró¿norodnoœæ krajobrazu i mniejszy niewykorzystany potencja³ informacyjny Ÿród³a danych.
Z przedstawionych zale¿noœci wynika, ¿e najkorzystniejsza sytuacja wystêpuje wtedy,
gdy:
Ui = Pi oraz Ui i Pi > 0.
Standaryzacja danych kartograficznych i teledetekcyjnych do analizy zmian...
125
Oznacza to, ¿e wszystkie wyró¿nione na mapach kategorie pokrycia/u¿ytkowania terenu
zosta³y wykorzystane w procesie integracji danych, a procedura standaryzacji nie nios³a za
sob¹ redukcji liczby wyró¿nionych klas.
Na podstawie obliczonych wskaŸników dla wszystkich serii map mo¿na przyst¹piæ do
wyboru najlepszego okresu odniesienia dla integracji danych (rys. 6). Zapewni to najlepsz¹
analizê ze wzglêdu na bogactwo treœci map Ÿród³owych.
Rys. 6. Schemat integracji danych
Agregacja danych
Podczas analizy danych zaobserwowano, ¿e struktura przestrzenna przedstawiona na
mapie leœnej jest podzia³em czysto gospodarczym, a wykorzystanie tej treœci w porównywaniu poszczególnych stanów z mapami topograficznymi mo¿e odbywaæ siê jedynie po procesie agregacji wybranej treœci mapy. W systemie informacji geograficznej, powsta³ym w oparciu
o mapy przegl¹dowe drzewostanów, za podstawowy element przestrzenny przyjmuje siê
pododdzia³ leœny. Wychodz¹c od tego pojêcia na kolejnym poziomie agregacji wprowadzono
terminy: leœna jednostka krajobrazowa oraz leœna jednostka wiekowa.
Leœna jednostka krajobrazowa jest definiowana jako czêœæ obszaru leœnego obejmuj¹cego s¹siaduj¹ce pododdzia³y leœne, charakteryzuj¹ce siê podobnym typem u¿ytkowania terenu. G³ównym kryterium dla wyznaczania krajobrazowych jednostek leœnych jest sposób
u¿ytkowania zaprezentowany na mapie przegl¹dowej nadleœnictw i zweryfikowany w operacie urz¹dzania lasu.
Leœna jednostka wiekowa jest definiowana jako czêœæ obszaru leœnego obejmuj¹cego
s¹siaduj¹ce pododdzia³y leœne, charakteryzuj¹ce siê podobnym wiekiem drzewostanów. G³ównym kryterium dla wyznaczania leœnej jednostki wiekowej jest klasa wieku, okreœlona na
podstawie prac taksacyjnych i zapisana w operacie urz¹dzania lasu.
Krajobrazow¹ jednostkê leœn¹ mo¿na porównaæ do wydzielonego na podstawie map topograficznych p³ata krajobrazowego (ang. patch).
126
Mieczys³aw Kunz
Modelowanie
z wykorzystaniem niejednorodnych ³añcuchów Markowa
Tradycyjnie stosowane modele matematyczne, tzw. niejednorodne ³añcuchy Markowa
okreœlaj¹ prawdopodobieñstwo przejœcie uk³adu z jednego studium do nastêpnego. W prowadzonych badaniach wykorzystano te modele do okreœlenia prawdopodobieñstwa zast¹pienia danej kategorii pokrycia/u¿ytkowania terenu (równowa¿ne jego udzia³owi powierzchniowemu) przez inn¹ kategoriê w kolejnym okresie. Okreœlono wiêc macierze przejœæ dla
wszystkich stanów pokrycia/u¿ytkowania terenu otrzymanych na podstawie interpretacji
map topograficznych oraz map przegl¹dowych drzewostanów. Mapy wektorowe przekonwertowano do postaci rastrowej z wymiarem piksela 30 m. Zastosowany wymiar piksela
(dwukrotnoœæ dok³adnoœci graficznej materia³ów Ÿród³owych) pozwala na wyeliminowanie
wszystkich b³êdów graficznych, w tym powsta³ych w procesie rektyfikacji map. Otrzymany przy tym za³o¿eniu wynik pokazuje rzeczywiste zmiany, jakie zasz³y w analizowanym
horyzoncie czasowym na badanym obszarze.
W procesie tym zauwa¿ono jednak, ¿e analiza, dziêki wystêpowaniu przejœæ „niemo¿liwych” (np. przejœcie woda-las w krótkim przedziale czasowym) œwiadczy o lokalnym braku
dok³adnoœci procesu rektyfikacji map lub o b³êdzie interpretacyjnym b¹dŸ kartograficznym.
Podsumowanie
Opracowany algorytm postêpowania pozwala na pe³n¹ integracjê zgromadzonych danych pochodz¹cych z ró¿nych Ÿróde³ oraz na wykorzystywanie wszystkich posiadanych
sekwencji czasowych map do analiz retrospektywnych zmian pokrycia/u¿ytkowania terenu.
Zaproponowanie obliczania potencjalnej, rzeczywistej i wykorzystanej liczby kategorii (PLK,
WLK, RLK) oraz wprowadzenie wskaŸnika ubytku informacji (Ui) i potencja³u informacyjnego (Pi) wydaje siê nieodzownym dzia³aniem dla analiz porównawczych, obejmuj¹cych
mapy wykonywane w ró¿nych okresach, przy wykorzystaniu niespójnych instrukcji kartograficznych. Stwierdzono, ¿e oba wskaŸniki s¹ dobr¹ miar¹ stopnia wykorzystania zastosowanego zbioru danych kartograficznych do opisu zmian u¿ytkowania terenu i struktury
badanego krajobrazu.
Wprowadzone leœne jednostki krajobrazowe u³atwi³y odniesienie treœci mapy przegl¹dowej drzewostanów do informacji zawartej na mapach topograficznych. Dziêki sprecyzowaniu tej relacji mo¿liwe by³o okreœlenie kolejnych stanów pokrycia/u¿ytkowania terenu dla
obszarów leœnych. Z kolei wprowadzenie leœnych jednostek wiekowych ujawni³o wiêksze
zró¿nicowanie przestrzenne na pozornie homogenicznych, du¿ych obszarach pokrytych kategori¹ lasy. Problematyka wprowadzenia leœnych jednostek wiekowych nie zosta³a w pe³ni
wyczerpana. Stosowanie ich na du¿¹ skalê w kartografii leœnej wymaga jeszcze dalszych
badañ szczegó³owych.
Materia³y fotolotnicze, od dawna wykorzystywane w badaniu œrodowiska przyrodniczego i jego komponentów, stanowi¹ cenne i nieraz jedyne uzupe³nienie istniej¹cych materia³ów
Ÿród³owych. Wykorzystuj¹c je w badaniach przyrodniczych s³u¿¹cych interpretacji pokrycia/u¿ytkowania terenu nale¿y zawsze sporz¹dziæ optymalny klucz fotointerpretacyjny.
Standaryzacja danych kartograficznych i teledetekcyjnych do analizy zmian...
127
W najbli¿szym czasie nale¿y spodziewaæ siê szerszego wykorzystania wysokorozdzielczych zobrazowañ satelitarnych, których parametry techniczne powoli zbli¿aj¹ siê do zdjêæ
lotniczych, a mo¿liwoœæ informacyjna bêdzie wkrótce zbli¿ona do map topograficznych.
Zaproponowane procedury integracji wieloŸród³owych danych dotycz¹cych pokrycia/u¿ytkowania terenu bêd¹ wtedy tak¿e aktualne.
Summary
This paper presents the algorithm of the procedures for analysis landuse/landcover structure on the
basis of primary multisources data (topographic maps, thematic maps and aerial photographs). The
procedure of full data integration was elaborated with the application of Geographical Information
System (GIS) technology. The process of standardization multitemporal data was discussed in detail.
The worked out procedures allow for the analysis of landuse/landcover in any period of time.
dr Mieczys³aw Kunz
[email protected]
tel. (056) 611 46 98
128
Mieczys³aw Kunz
Rys. 1. Fragment wykorzystanych map
topograficznych: mapa Schröttera-Engelhardta (LG),
Messtischblätter (PG), mapa WIG (LŒ),
mapa topograficzna w uk³adzie 1942 (PŒ),
mapa topograficzna w uk³adzie 1965 (LD);
oznaczenia: L – lewy, P – prawy, G – góra,
Œ – œrodek, D – dó³.
Standaryzacja danych kartograficznych i teledetekcyjnych do analizy zmian...
129
Rys. 2. Zdjêcia lotnicze okolic jeziora Kruszyñskiego wykonane w l951 (LG), 1964 (PG), 1975 (LD)
i 1997 roku (PD); oznaczenia L – lewy, P – prawy, G – góra, D – dó³.
POLSKIE
TOWARZYSTWO
INFORMACJI krajobrazu
PRZESTRZENNEJ
IntensywnoϾ
gospodarki
leœnej a heterogenicznoœæ
leœnego
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
129
INTENSYWNOŒÆ GOSPODARKI LEŒNEJ
A HETEROGENICZNOŒÆ KRAJOBRAZU LEŒNEGO
INTENSITY OF FOREST ECONOMY
VERSUS DIVERSITY OF FOREST LANDSCAPE
Mieczys³aw Kunz1, Andrzej Nienartowicz2
1
Zak³ad Teledetekcji i Kartografii, Instytut Geografii, Uniwersytet Miko³aja Kopernika, Toruñ
Pracownia Modelowania Procesów Ekologicznych, Instytut Ekologii i Ochrony Œrodowiska,
Uniwersytet Miko³aja Kopernika, Toruñ
2
S³owa kluczowe: GIS, wskaŸniki krajobrazu, krajobraz leœny, przetwarzanie danych, ró¿norodnoœæ krajobrazu
Keywords: GIS, landscape indices, forest landscape, data processing, landscape diversity
Wprowadzenie
Strukturê krajobrazu i jej zmiennoœæ w czasie i w przestrzeni mo¿na analizowaæ na kilka
sposobów wykorzystuj¹c przy tym ró¿ne metody i narzêdzia badawcze. Jedn¹ z podstawowych technik badawczych stosowanych w ekologii krajobrazu s¹ systemy informacji geograficznej (GIS). Ta nowoczesna technologia umo¿liwia dokonywanie oceny struktury krajobrazu za pomoc¹ szeregu miar i wskaŸników ekologicznych, dokonywanych w oparciu o
wiele ró¿norodnych Ÿróde³ informacji. Umo¿liwia ona tworzenie map i wykonywanie analiz
porównawczych nie tylko w poszczególnych obszarach badanej przestrzeni, ale równie¿ z
uwzglêdnieniem up³ywaj¹cego czasu. Ekologia krajobrazu z powodzeniem wykorzystuje
narzêdzia i procedury geoinformatyczne w po³¹czeniu z metodami standardowymi stosowanymi od wielu lat.
Wspó³czesny obraz wzorca przestrzennego krajobrazu jest wynikiem wszelkich dzia³añ i
procesów zachodz¹cych na analizowanym obszarze w przesz³oœci. Niemal ka¿da dzia³alnoœæ
cz³owieka dotycz¹ca przestrzeni znajduje odzwierciedlenie w mozaice krajobrazowej utworzonej przez ró¿ne formy u¿ytkowania terenu. Heterogenicznoœæ (mozaikowatoœæ) krajobrazu oznacza jego ró¿norodnoœæ wynikaj¹c¹ z uwzglêdnienia kryteriów biologicznych, geograficznych czy ekologicznych.
Na obszarach leœnych strukturê przestrzenn¹ krajobrazu silnie modyfikuj¹ zmiany u¿ytkowania œródleœnych obszarów rolniczych, zachodz¹ce g³ównie wskutek celowego zalesiania lub naturalnego procesu sukcesji lasu po zaprzestaniu uprawy rolnej. Przeprowadzone w
XIX wieku z przyczyn politycznych i ekonomicznych zalesienia w pó³nocnej czêœci Zaborskiego Parku Krajobrazowego znacznie zmieni³y wskaŸniki okreœlaj¹ce strukturê krajobrazu.
130
Mieczys³aw Kunz, Andrzej Nienartowicz
Celem pracy by³o okreœlenie ró¿nic w przebiegu zmian wskaŸników i miar struktury krajobrazu na trzech powierzchniach badawczych, w przesz³oœci w ró¿nym stopniu odlesionych
i powtórnie zalesionych. W ostatnich latach jedna z tych powierzchni sta³a siê obszarem o
wysokim statusie ochrony, zaœ na pozosta³ych produkcja i pozyskanie drewna prowadzone
jest z ró¿n¹ intensywnoœci¹.
Obszar badañ
Zaborski Park Krajobrazowy (ZPK) po³o¿ony jest w pó³nocno-zachodniej czêœci dzielnicy przyrodniczo-leœnej Bory Tucholskie (Trampler i in., 1990). Wed³ug podzia³u fizycznogeograficznego Polski park le¿y na Równinie Charzykowskiej (Kondracki, 1988; Kondracki
i Richling, 1993–1997), natomiast wg podzia³u geobotanicznego Polski dokonanego przez
Matuszkiewicza (1993) nale¿y do Dzia³u Pomorskiego, Krainy Sandrowych Przedpoli Pojezierzy Œrodkowopomorskich, Podkrainy Tucholskiej, Okrêgu Borów Tucholskich, podokrêgu
Swornigackiego. Pod wzglêdem administracyjnym le¿y w województwie pomorskim, na
terenie powiatu i gminy Chojnice oraz gminy Brusy. Pó³nocna i zachodnia czêœæ ZPK le¿y w
rejonie dzia³ania Nadleœnictwa Przymuszewo, zaœ po³udniowa i po³udniowo-zachodnia czêœæ
Nadleœnictwa Rytel. Oba nadleœnictwa podlegaj¹ Regionalnej Dyrekcji Lasów Pañstwowych
w Toruniu.
Na obszarze ZPK dominuj¹ dziœ lasy (71%) oraz ekosystemy wodne, g³ównie rzeki i
jeziora (13%). Teren ten zosta³ ostatecznie ukszta³towany przez najm³odsze zlodowacenie
ba³tyckie. Dlatego te¿ wystêpuj¹ tutaj bardzo zró¿nicowane polodowcowe formy rzeŸby
terenu w postaci dolin, rynien, i oczek wodnych, które w po³¹czeniu z pagórkami wydm
tworz¹ mocno zró¿nicowany krajobraz. Na zmiennoœæ przestrzenn¹ krajobrazu wywo³an¹
czynnikami naturalnymi nak³ada siê heterogenicznoœæ spowodowana prowadzeniem na tym
terenie od ponad 130 lat intensywnej gospodarki leœnej. Mimo silnych przekszta³ceñ zbiorowisk leœnych przyroda tego obszaru odznacza siê tak wysokimi walorami, ¿e w 1996 roku w
po³udniowej czêœci parku krajobrazowego utworzono Park Narodowy „Bory Tucholskie” o
powierzchni oko³o 48 km2. Poza parkiem narodowym na terenie badañ wystêpuje szeœæ
rezerwatów przyrody.
Przedmiotem analizy by³ obszar ca³ego Zaborskiego Parku Krajobrazowego, w którego
ró¿nych czêœciach w przesz³oœci gospodarka leœna realizowana by³a z ró¿n¹ intensywnoœci¹
(rys. 1). Dla okreœlenia wp³ywu u¿ytkowania lasu na zmiennoœæ przestrzenn¹ krajobrazu
wyznaczono, w gradiencie oddzia³ywania cz³owieka, trzy du¿e poligony badawcze:
m obszar na pó³noc od rzeki Zbrzycy, bêd¹cej dop³ywem Brdy, w rejonie jeziora Kruszyñskiego, gdzie jeszcze w koñcu XIX wieku dominowa³y ubogie pastwiska owcze;
tereny te zosta³y zalesione po utworzeniu pruskiego Oberforstereich Zwangshoff i w
nastêpnych latach by³ to obszar najintensywniejszej gospodarki leœnej na ca³ym rozwa¿anym terenie (poligon badawczy – Kruszyn),
m obszar na pó³noc od linii jezior Witoczno – £¹ckie-Dybrzk, gdzie wed³ug danych
zawartych na dawnych mapach topograficznych nieprzerwanie wystêpowa³y kompleksy leœne; dziœ na tym terenie znaczne powierzchnie zajmuj¹ rezerwaty przyrody i
lasy wodochronne oraz wystêpuj¹ najstarsze drzewostany na ca³ym badanym terenie
(poligon badawczy – Laska),
Intensywnoœæ gospodarki leœnej a heterogenicznoœæ krajobrazu leœnego
Rys. 1. Po³o¿enie obszaru badañ (A – poligon badawczy Kruszyn, B – poligon badawczy Laska
i C – poligon badawczy PNBT)
131
Mieczys³aw Kunz, Andrzej Nienartowicz
132
obszar le¿¹cy w obrêbie Parku Narodowego „Bory Tucholskie”, gdzie od 1996 roku
pozyskiwanie produktów leœnych odbywa siê w bardzo ograniczonym zakresie; na
terenie tym wystêpuje wiele jezior, z których Gacno Wielkie, dziêki badaniom Hjelmroos-Ericsson (1981), stanowi punkt reperowy do badañ przemian roœlinnoœci w holocenie (poligon badawczy – PNBT),
Tak wyznaczone powierzchnie by³y podstaw¹ do analizowania zmian pokrycia/u¿ytkowania terenu oraz analizy wskaŸników wzorca przestrzennego krajobrazu.
m
Metody badañ
G³ównym Ÿród³em informacji o czasowych i przestrzennych zmianach struktury krajobrazu by³y mapy topograficzne z lat 1796–1999 oraz mapy przegl¹dowe drzewostanów wykonane w latach 1911–1999 (tab. 1). Ponadto jako materia³y uzupe³niaj¹ce do okreœlenia pokrycia
terenu wykorzystano zdjêcia lotnicze wykonane w latach 1951–1997. Obróbkê materia³ów
Tabe la. 1. Wykaz wprowadzonych do s ys te mu GIS i wykorzys tanych map topograficznych
oraz mate ria³ów fotolotniczych
Lp.
Rodzaj materia³u Ÿród³owego
Skala
Rok wydania
Liczba
arkuszy/zdjêæ
M apy topograficzne
1.
Mapy topograficzne w uk³adzie 1965
1: 25 000
1985
8
2.
Mapy topograficzne w uk³adzie 1942
1: 25 000
19 5 4
6
3.
Mapy topograficzne WIG
1: 25 000
1936
6
4.
Pruskie mapy topograficzne – Messtischblätter
1: 2 5 0 0 0
1874
6
5.
Mapy Schröttera- Engelhardta
1: 50 000
1796- 1802
2
Le œ ne mapy prze gl¹dowe drze wos tanów wraz z ope ratami
6.
Mapy przegl¹dowe
1: 2 0 0 0 0
1999–2001
6
7.
Mapy przegl¹dowe
1: 2 5 0 0 0
1987–1988
4
8.
Mapy przegl¹dowe
1: 20 000
1976
4
9.
Mapy przegl¹dowe
1: 20 000
1966
4
10 .
Mapy przegl¹dowe
1: 20 000
1952–1954
4
11.
Mapy przegl¹dowe
1: 20 000
1945
3
12.
Mapy przegl¹dowe
1: 2 0 0 0 0
1911–1926
4
Zdjê cia lotnicze
13.
Barwne
1 : 26 000
19 9 7
17
14.
Panchromatyczne
1 : 12 000
1986
23
15 .
Panchromatyczne
1 : 16 500
19 7 5
45
16.
Panchromatyczne
1 : 13 000
1964
44
17.
Panchromatyczne
1 : 25 000
19 5 1
41
Intensywnoœæ gospodarki leœnej a heterogenicznoœæ krajobrazu leœnego
133
kartograficznych i zdjêæ lotniczych oraz wykonanie map przeprowadzono w technologii GIS z
wykorzystaniem posiadanych licencjonowanych programów MicroStation z konfiguracjami
oraz ArcView z rozszerzeniami niezbêdnymi do przeprowadzenia analizy struktury krajobrazu.
W opracowaniu zwracano uwagê na dok³adnoœæ kartograficzn¹ materia³ów Ÿród³owych
oraz na standaryzacjê danych pochodz¹cych z ró¿nych Ÿróde³ i wykonanych ró¿n¹ technik¹
kartograficzn¹ i fotograficzn¹. Dziêki temu wypracowano algorytm postêpowania w przypadku korzystania z serii wieloczasowych danych Ÿród³owych.
Zmiennoœæ przestrzenn¹ struktury krajobrazu badano w oparciu o kwadratowe poligony
badawcze (o boku 5040 m). Przy dok³adnym okreœlaniu po³o¿enia poligonów badawczych
zastosowano posiadane urz¹dzenie GPS wraz z odbiornikiem poprawek ró¿nicowych. Sposób wykorzystania takiego lokalizatora w powi¹zaniu z baz¹ danych przedstawi³ m.in. Rutchey i Vilcheck (1994).
Dla scharakteryzowania zmian struktury krajobrazu na obszarze Zaborskiego Parku Krajobrazowego pod wp³ywem oddzia³ywania gospodarki leœnej zastosowano wybrane miary
wydzieleñ, tj. p³atów wyodrêbnionych na seriach map topograficznych i mapach przegl¹dowych drzewostanów. Obliczenia wykonano g³ównie o oparciu o wektorow¹ bazê danych.
Dynamikê zmian pokrycia/u¿ytkowania terenu obliczono z wykorzystaniem niejednorodnych ³añcuchów Markowa (Childress i in., 1998; Weiner, 1999).
W pracy zastosowano nastêpuj¹ce miary wzorca przestrzennego krajobrazu:
m miary powierzchni p³atów – powierzchnia kategorii (CA), najwiêkszy powierzchniowo p³at (LPA),
m miary gêstoœci i rozmiaru p³atów – liczba p³atów (NUMP), œrednia wielkoœæ p³atu
(MPS),
m miary krawêdzi – ³¹czna d³ugoœæ granic (TE), gêstoœæ granic (ED), œrednia d³ugoœæ
granic (MPE),
m miary kszta³tu – œredni wskaŸnik kszta³tu (MSI), wymiar fraktalny (FD), liczba punktów charakteryzuj¹cych kszta³t p³ata (NSCP), wg Mosera i in. (2002),
m miary ró¿norodnoœci – wskaŸnik ró¿norodnoœci Shannon’a (SDI).
Ponadto, zgodnie z koncepcj¹ krajobrazu jako systemu p³atów-korytarzy zaproponowan¹
przez Formana i Godrona (1986), obliczono na wszystkich stanach map topograficznych
d³ugoœæ barier i korytarzy ekologicznych (drogi lokalne i wiejskie oraz cieki).
Wyniki
U¿ytkowanie terenu uzyskane w oparciu o interpretacjê map topograficznych z lat 1796,
1874 i 1999 pokazane jest na rysunku 2. Zmiany pokrycia/u¿ytkowania terenu na podstawie
interpretacji wieloczasowych map topograficznych z lat 1796–1999 zawarte zosta³y na rysunku 3. Zilustrowane tam przemiany zosta³y przeprowadzone na podstawie danych standaryzowanych (agregacja kategorii legendy sprowadzona do jednego roku odniesienia). Otrzymane zmiany jakoœciowe (prawdopodobieñstwo wyst¹pienia danej kategorii) otrzymane na
podstawie analizy niejednorodnych ³añcuchów Markowa prezentuj¹ inne opracowania (Kunz,
2005). Najistotniejsze zmiany w pokryciu/u¿ytkowaniu badanego obszaru wyst¹pi³y w latach 1796–1937 (rys. 3). Nast¹pi³o wtedy przekszta³cenie krajobrazu z nieleœnego w krajobraz leœny. Po tym okresie obserwuje siê tylko nieznaczne zwiêkszenie udzia³u lasów w
krajobrazie, g³ównie przez zalesianie œródleœnych ³¹k i pastwisk.
134
Mieczys³aw Kunz, Andrzej Nienartowicz
W latach 1796–1999 na wszystkich poligonach badawczych wzrasta³a liczba p³atów krajobrazowych interpretowana na podstawie map topograficznych (rys. 4a). W ostatnim analizowanym okresie XX wieku (lata 1985–1999) liczba p³atów zmniejszy³a siê lub utrzyma³a
na niemal sta³ym poziomie. Tylko w przypadku poligonu badawczego zlokalizowanego na
terenie parku narodowego liczba wydzielonych p³atów zmala³a po ustanowieniu tej formy
ochrony prawnej. Przejawia siê to wyraŸnym spadkiem liczby wydzieleñ w 1999 roku w
stosunku do stanu z 1985 roku, tj. z okresu przed utworzeniem parku narodowego. Ogó³em
na wszystkich poligonach badawczych na podstawie map topograficznych wydzielono 1615
p³atów, z czego najwiêcej, bo a¿ 897, na poligonie Kruszyn. Na poligonie badawczym Laska
zanotowano 833 p³aty. Na poligonie PNBT by³o ich najmniej, tylko 635. Podobne tendencje
otrzymano na podstawie interpretacji leœnych map gospodarczych.
Analizuj¹c ³¹czn¹ d³ugoœæ granic mo¿na zauwa¿yæ, ¿e we wszystkich trzech przypadkach maksimum wartoœci tego wskaŸnika przypada na lata 60. ubieg³ego wieku (ryc. 4b).
Ponadto w ostatnim analizowanym okresie najni¿sze wartoœci tego parametru uzyskuje poligon badawczy PNBT. Miary krawêdzi dla poligonu badawczego Kruszyn i Laska pozostaj¹
wysokie, poniewa¿ prowadzi siê tam nadal intensywne pozyskanie drewna.
Analizuj¹c wskaŸnik NSCP, zale¿ny od liczby boków wszystkich wydzieleñ badanego
krajobrazu, a wiêc tak¿e od kszta³tu poszczególnych p³atów, stwierdzono, ¿e najwy¿sze
wartoœci na pocz¹tku rozpatrywanego horyzontu czasowego wyst¹pi³y na poligonie badawczym Kruszyn, na którym w owym czasie dominowa³y grunty orne i pastwiska (tab. 2).
Najni¿sze wartoœci wskaŸnika, zaproponowanego dla analizy krajobrazu przez Moser’a i in.
(2002), w analizowanym okresie uzyska³a powierzchnia PNBT. W kolejnych okresach wartoœci te zmienia³y siê doœæ znacznie, ale poligon badawczy PNBT osi¹ga³ przewa¿nie ni¿sze
wartoœci ni¿ pozosta³e powierzchnie.
WskaŸnik ró¿norodnoœci najwy¿szy jest dla poligonu badawczego Kruszyn, a najni¿szy
dla poligonu badawczego PNBT. Na poligonie badawczym Laska, gdzie istniej¹ rezerwaty
przyrody, takie jak jezioro Nawionek, Bagno Stawek i jeziora Piecki, a wiêc struktury przestrzenne o kszta³tach nieregularnych, ale stosowanie zrêbów nie jest wyeliminowane, wskaŸnik
ró¿norodnoœci osi¹ga wartoœci wy¿sze od poligonu badawczego PNBT.
Rozwój sieci komunikacyjnej wp³yn¹³ znacz¹co na strukturê przestrzenn¹ krajobrazu
powoduj¹c jej mozaikowatoœæ. Najwiêksze zmiany zasz³y w latach 1937–1985 (rys. 4c). Na
obszarze chronionym zaznacza siê spadek ³¹cznej d³ugoœci elementów liniowych, które mog¹
stanowiæ bariery ekologiczne w krajobrazie. Spadek d³ugoœci dróg na obszarze parku narodowego zwi¹zany jest ze znacz¹cym ograniczeniem wyrêbów. W zwi¹zku z tym brak tu
powierzchni zrêbowych, a tak¿e nie wystêpuje tu koniecznoœæ tworzenia szlaków zrywkowych, miejsc sk³adowania surowca drzewnego i tworzenia dróg dla jego wywozu.
Wartoœæ wskaŸnika kszta³tu zmienia siê nieznacznie w ca³ym analizowanym okresie 1796–
1999 (tab. 2) i oscyluje w okolicach wartoœci 1,60. Najmniejsze ró¿nice pomiêdzy poligonami zanotowano dla 1954 roku, a najwiêksze dla okresu 1796–1874. W latach 1796, 1874 i
1937 wy¿sze wartoœci wystêpowa³y naprzemiennie na ka¿dym z trzech analizowanych poligonów badawczych. Pocz¹wszy od roku 1954 wartoœciami wy¿szymi odznacza siê tylko
jeden poligon badawczy, a mianowicie PNBT. Najni¿sze wartoœci wskaŸnika kszta³tu uzyskuje w tym okresie poligon badawczy Kruszyn. Jedynie w ostatnim rozwa¿anym roku
indeks kszta³tu poligonu Kruszyn by³ wy¿szy od wartoœci, któr¹ uzyska³ poligon badawczy
PNBT.
Intensywnoœæ gospodarki leœnej a heterogenicznoœæ krajobrazu leœnego
135
Rys. 4. Zmiana wskaŸników wzorca przestrzennego krajobrazu w latach 1796–1999: a – liczba p³atów
(NUMP), b – ³¹czna d³ugoœæ granic (TE), c – ³¹czna d³ugoœæ barier ekologicznych; d³ugoœci wyra¿one w km
WskaŸnik
Poziom
krajobrazu
SDI
N SC P
1,05
43,9
1,25
7,3
1, 4 0
1,04
11,8
1,35
28,4
N SC P
1,49
1,20
2,06
1,73
1,34
MSI
FD
Poziom
MSI
kategorii – las
FD
Poziom
krajobrazu
24,4
0,99
60,4
4,51
1,62
MPE[km]
3,02
MPE
[km]
81,6
207,9
61,9
133,3
153,3
338,5
TE [km]
ED[m/ha]
Poziom
TE [km]
kategorii – las
ED[m/ha]
Poziom
krajobrazu
62
7,06
19 , 8 5
34
22,68
MPS
128
437,7
1,46
20,1
1, 3 2
1,71
14,5
1,35
1, 6 8
4,25
48,5
123,4
1, 9 3
84,4
214,4
75,60
29
22,89
111
2192,4
19 3 7
1,30
13,8
1,30
1,65
13 , 4
1,31
1,6
2,09
109,0
277,4
1,67
135,4
344,6
17,14
133
12,29
207
2280,1
1954
1,21
14,4
1,32
1,66
13,5
1,33
1,8
2,59
86,7
220,2
2,00
106,4
270,3
27,22
85
18,82
135
2313,5
1985
Poligon badawczy Kruszyn
1874
32,53
112
1105,9
1796
NUMP
Poziom
NUMP
kategorii – las
MPS
Poziom
krajobrazu
Poziom
CA [ha]
kategorii – las
Poziom
analizy
1,42
15,2
1,48
1,69
13,2
1,28
1,67
2,06
99,7
253,1
1,50
120,9
307,1
19,08
123
12,45
204
2346,7
1999
1937
1580,0
2067,7
252,4
64,62
32
22,09
115
4,01
50,5
128,3
1,92
87,1
221,2
53,8
1,28
1,95
17,3
1,32
1,61
20,0
1,33
1,71
16,1
1,35
1,61
M iary ks zta³tu
11,85
23,3
59,3
2,39
72,2
184,7
1,29
1,63
1,56
M iary ró¿norodnoœ ci
33,1
1,33
1,71
19,9
1,33
1,64
5,29
41,7
105,9
2,43
99,4
316,0
5
32,99
77
M iary krawê dzi
71,68
20
24,42
104
M iary gê s toœ ci i rozmiaru
1433,6
1,44
11,9
1,34
1,65
12,9
1,34
1,62
2,15
102,5
260,4
1,85
132,0
335,4
17,65
121
14,03
181
2136,1
1954
1985
1,33
14,8
1,35
1,67
15,1
1,36
1,68
2,11
82,3
209,2
1,62
114,6
291,6
21,96
99
14,11
180
2174,4
Poligon badawczy Laska
1874
M iary powie rzchni
1796
1,50
12,8
1,25
1,54
13 , 4
1,30
1, 5 4
1,83
64,1
163,1
1,37
94,9
241,5
24,51
89
14,45
176
2181,5
1999
1, 3 3
56,0
1,34
2,26
19,3
1, 3 2
1,59
8,56
33,7
85,7
2,20
78,9
200,6
170,8
10
27,91
91
1707,8
1796
1,65
33,2
1,19
1,84
16,4
1,32
1,63
7,26
37,2
94,4
1,98
79,4
201,9
154,2
13
24,90
102
2004,7
1,45
2 1, 2
1, 3 0
1, 6 4
14,8
1, 3 3
1,58
4,76
43,1
10 9 , 4
2 , 10
70,4
178,8
94,3
23
29,88
85
2 16 9 , 0
1937
1, 18
14 , 6
1,34
1,75
14 , 6
1, 3 4
1, 6 6
2,99
88,1
223,9
2,33
109,3
277,8
29,5
75
2 1, 3 5
119
2 2 15 , 9
1954
1,19
15 , 3
1, 3 5
1, 8 2
15 , 1
1,35
1,72
2,47
85,7
217,7
1, 9 2
10 7 , 5
273,0
25,4
88
17,89
142
2236,7
1985
Poligon badawczy PNBT
1874
Tabe la 2. Zmiany wybranych ws kaŸników wzorca prze s trze nne go krajobrazu w latach 1796-1999
1, 3 2
17 , 4
1, 3 4
1, 6 5
15 , 6
1, 3 5
1, 6 4
2,83
53,6
13 6 , 0
1, 9 9
75,2
19 1, 1
46,2
48
26,46
96
2 2 18 , 8
19 9 9
136
Mieczys³aw Kunz, Andrzej Nienartowicz
Intensywnoœæ gospodarki leœnej a heterogenicznoœæ krajobrazu leœnego
137
Wnioski
Analizy porównawcze poligonów badawczych przeprowadzone w oparciu o archiwalne
i wspó³czesne mapy topograficzne, mapy przegl¹dowe drzewostanów oraz zdjêcia lotnicze
wykaza³y, ¿e ró¿nice w strukturze przestrzennej krajobrazu tych obszarów s¹ wyraŸne.
Wybrane do analiz poligony badawcze, mimo, i¿ dzisiaj prawie w ca³oœci pokryte s¹ przez
drzewostany, przewa¿nie sosnowe, i reprezentuj¹ jeden dominuj¹cy typ krajobrazu – krajobraz leœny, w przesz³oœci reprezentowa³y ró¿ne typy fitocenoz z dominacj¹ odmiennych
kategorii pokrycia/u¿ytkowania terenu. Na ró¿nice wynikaj¹ce ze sposobu u¿ytkowania i
zagospodarowania terenu w przesz³oœci, nak³ada siê wspó³czesna odmiennoœæ wynikaj¹ca z
faktu, ¿e niektóre z nich w ca³oœci lub czêœciowo objête s¹ ró¿nymi formami ochrony przyrody. Ró¿nice te s¹ dziœ najistotniejszym czynnikiem determinuj¹cym intensywnoœæ prowadzenia gospodarki leœnej na poszczególnych obszarach.
Ró¿nice strukturalne pomiêdzy wybranymi poligonami badawczymi zosta³y uwidocznione przy zastosowaniu szerokiej gamy miar wskaŸników mozaikowatoœci krajobrazu, w tym
miar gêstoœci i rozmiarów p³atów, d³ugoœci krawêdzi, kszta³tu, fragmentacji i ró¿norodnoœci,
ocenionych w œwietle interpretacji materia³ów kartograficznych i teledetekcyjnych. Reasumuj¹c wyniki przeprowadzonych analiz jako wniosek koñcowy mo¿na podaæ, ¿e przyczyn¹
najsilniejszych przeobra¿eñ struktury krajobrazu, jakie dokona³y siê na terenie badañ w XIX
wieku by³y zmiany w sposobie u¿ytkowania terenu zwi¹zane z wprowadzeniem gospodarki
leœnej. Szczególnie na dwóch poligonach badawczych zlokalizowanych w pó³nocnej czêœci
Zaborskiego Parku Krajobrazowego zaznaczy³o siê przejœcie od krajobrazu nieleœnego w
leœny, które dokona³o siê w ostatniej dekadzie XIX wieku. W póŸniejszych latach powierzchnia
leœna wzrasta³a, ale zakres i tempo jej przyrostu by³y znacznie mniejsze.
Literatura
Childress W.M., Crisafulli C.M., Rykiel E. J., 1998: Comparison of Markovian matrix models of primary
successional plant community. Ecological Modelling 107: 93-102.
Forman R.T.T., Godron M., 1986: Landscape Ecology. J. Wiley and Sons, New York.
Hjelmroos-Ericsson M., 1981: Holocene development of Lake Wielkie Gacno area, Northwestern Poland.
Thesis 19: 1-101. Lund University, Lund.
Kondracki J., 1988: Geografia fizyczna Polski. Wyd. IV. Wyd. Naukowe PWN, Warszawa.
Kondracki J., Richling A., 1993–1997: Regiony fizycznogeograficzne. [W:] Atlas Rzeczypospolitej Polskiej,
mapa 53.3. G³ówny Geodeta Kraju, Warszawa.
Kunz M., 2005: Wp³yw zmian sposobu u¿ytkowania terenu i zasad hodowli lasu na heterogenicznoœæ
krajobrazu leœnego (ocena w technologii Systemów Informacji Geograficznej). Praca doktorska. UMK,
Wydzia³ BiNoZ, Toruñ.
Matuszkiewicz J.M., 1993: Krajobrazy roœlinne i regiony geobotaniczne Polski. Polska Akademia Nauk,
Instytut Geografii i Przestrzennego Zagospodarowania, Prace Geograficzne nr 158. Wyd. PAN, Zak³ad
Narodowy im. Ossoliñskich, Wroc³aw, Warszawa, Kraków.
Moser D., Zechmeister H.G., Plutzar Ch., Sauberer N., Wrbka T., Grabherr G., 2002: Landsape patch shape
complexity as an effective measure for plant species richness in rural landscapes. Landscape Ecology 17:
657-669.
Rutchey K., Vilcheck L., 1994: Development of an Everglades vegetation map using a SPOT image and the
Global Positioning System. Photogrametric Engineering and Remote Sensing 60: 767-775.
Trampler T., Kliczkowska A., Dmyterko E., Sierpiñska A., 1990: Regionalizacja przyrodniczo-leœna na
podstawach ekologiczno-fizjograficznych. PWRiL, Warszawa.
Weiner J., 1999: ¯ycie i ewolucja biosfery. PWN, Warszawa.
138
Mieczys³aw Kunz, Andrzej Nienartowicz
Summary
Spatial and temporal changes of the relationship landuse/landcover were analyzed on three sample
plots of Zabory Landscape Park. For past 210 years, the forest economy was conducted with different
intensity on each of these sample plots, at present belonging to the Przymuszewo Forest Inspectorate
Bory Tucholskie. The structure of landuse/landcover changes being a result of technological changes
were analyzed on the basis of cartographical, topographical maps, and remote sensing data from
1796–1999. To characterize changes in the landscape structure selected indices of landscape spatial
patterns were calculated. The calculations were made on the level of landscape as well as separate
categories of land-use. Most of research goals were realized with the use of Geographical Information
Systems technology.
dr Mieczys³aw Kunz
[email protected]
tel. (056) 611 46 98
dr hab. Andrzej Nienartowicz, prof. n. UMK
[email protected]
tel. (056) 611 45 98
Intensywnoœæ gospodarki leœnej a heterogenicznoœæ krajobrazu leœnego
139
Rys. 2. U¿ytkowanie terenu w roku 1796, 1874 i 1999: poligon badawczy Kruszyn – góra, poligon
badawczy Laska – œrodek i poligon badawczy PNBT – dó³
140
Mieczys³aw Kunz, Andrzej Nienartowicz
Rys. 3. Zmiana u¿ytkowania terenu na poligonach badawczych w latach 1796–1999
POLSKIE
INFORMACJI
PRZESTRZENNEJ
Rozpoznanie form
pokryciaTOWARZYSTWO
i u¿ytkowania ziemi
na zdjêciu satelitarnym
Landsat ETM+...
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
139
ROZPOZNANIE FORM POKRYCIA I U¯YTKOWANIA
ZIEMI NA ZDJÊCIU SATELITARNYM LANDSAT ETM+
METOD¥ KLASYFIKACJI OBIEKTOWEJ
IDENTIFICATION OF LAND COVER AND LAND USE
FORMS ON LANDSAT ETM+ SATELLITE IMAGE USING
THE METHOD OF OBJECT-ORIENTED CLASSIFICATION
Stanis³aw Lewiñski
Instytut Geodezji i Kartografii
S³owa kluczowe: klasyfikacja obiektowa, u¿ytkowanie ziemi, pokrycie terenu, Landsat ETM+
Keywords: object oriented classification, land use, land cover, Landsat ETM+
Wstêp
Informacja o pokryciu terenu i u¿ytkowaniu ziemi, pozyskiwana na podstawie zdjêæ satelitarnych, odgrywa obecnie podstawowa rolê w procesie monitoringu œrodowiska. Pozwala
na œledzenie tendencji zmian w sposobie wykorzystania ziemi, zmian krajobrazu, rozwoju
osadnictwa i infrastruktury transportu oraz oceniaæ wp³yw na nasze ¿ycie zanieczyszczeñ
rozprzestrzeniaj¹cych siê w powietrzu, glebie i wodzie.
Dane o pokryciu i u¿ytkowaniu ziemi s¹ Ÿród³em informacji dla dzia³añ zwi¹zanych z
realizacj¹ tzw. zrównowa¿onego rozwoju, który jest jednym z podstawowych celów polityki
Unii Europejskiej. Obecnie (lipiec 2006), za spraw¹ programu GMES (GMES, 2004), wyraŸnie widoczne jest przyœpieszenie i intensyfikacja prac zwi¹zanych z monitoringiem zmian
zachodz¹cych na powierzchni ziemi. Uruchamiany jest program FTSP – European Land
Monitoring (Fast Track Service Precursor) w celu dostarczenia pocz¹tkowych danych dla
docelowego programu FTS (Fast Track Service), którego operacyjne rozpoczêcie planowane jest w roku 2008. W ramach FTSP zostanie wykonana baza danych, bêd¹ca kontynuacj¹
programu CORINE, obrazuj¹ca stan pokrycia i u¿ytkowania ziemi w roku 2006 oraz dwie
nowe warstwy o podwy¿szonej rozdzielczoœci, zwi¹zane z zabudow¹ oraz lasami (GMES,
2006).
Tradycyjn¹ metod¹ pozyskiwania informacji na podstawie zdjêæ satelitarnych jest interpretacja wizualna. Jednak¿e wzrost czêstotliwoœci pozyskiwania informacji oraz równoczesny wzrost stopnia ich szczegó³owoœci sprawia, ¿e interpretacja wizualna ze wzglêdu na
swoj¹ czasoch³onnoœæ nie jest optymaln¹ technologi¹ tworzenia aktualnych baz danych.
Dlatego te¿ poszukiwanie metod automatycznych wspomagaj¹cych proces interpretacji jest
140
Stanis³aw Lewiñski
wa¿nym i aktualnym zagadnieniem. Spoœród znanych obecnie algorytmów klasyfikacji zdjêæ
satelitarnych najbardziej obiecuj¹cym jest algorytm klasyfikacji obiektowej, w którym nie s¹
analizowane pojedyncze piksele obrazu lecz tzw. obiekty bêd¹ce grupami pikseli spe³niaj¹cymi zadane warunki jednorodnoœci. Klasyfikacja wykonywana jest nie tylko na podstawie
wartoœci odbiæ spektralnych charakteryzuj¹cych obiekty lecz równie¿ z zastosowaniem informacji o ich geometrii i teksturze, wykorzystywane s¹ równie¿ informacje o relacjach
zachodz¹cych miêdzy obiektami. Obecnie oprogramowanie eCognition jest najbardziej zaawansowanym oprogramowaniem klasyfikacji obiektowej, pozwalaj¹cym na analizê ró¿norodnych danych oraz na definiowanie w³asnych funkcji klasyfikacyjnych.
Dane satelitarne
Klasyfikacja obiektowa form pokrycia i u¿ytkowania ziemi zosta³a wykonana na podstawie zdjêcia satelitarnego Landsat ETM+, zarejestrowanego w dniu 7 maja 2000 r. Wiosenny
termin rejestracji zdjêcia nie jest optymalny z punktu widzenia rozpoznania klas pokrycia
terenu gdy¿ lepsze wyniki mo¿na uzyskaæ na podstawie zdjêæ z sierpnia i wrzeœnia. Jednak
wiosenne zdjêcia czêsto s¹ wykorzystywane w pracach teledekcyjnych ze wzglêdu na ograniczon¹ dostêpnoœæ bezchmurnych zdjêæ.
Przed przyst¹pieniem do klasyfikacji wykonano wstêpne przetworzenie zdjêcia polegaj¹ce na korekcji atmosferycznej oraz na po³¹czeniu danych wielospektralnych z kana³em panchromatycznym.
Korekcja atmosferyczna zosta³a wykonana z zastosowaniem oprogramowania ATCOR2
(Richter, 2006), bêd¹cym jednym z modu³ów systemu przetwarzania obrazów PCI Geomatica. Zastosowano standardow¹ definicjê stanu atmosfery dla wiosennej pory roku i terenów
z przewag¹ rolnictwa.
Dane wielospektralne (MS) zdjêcia Landsat ETM+ po³¹czono z kana³em panchromatycznym (PAN) z zastosowaniem algorytmu PanSharp autorstwa dr Y. Zhang (Zhang, 1999;
2002), bêd¹cego jednym z modu³ów oprogramowania PCI Geomatica. Wybór algorytmu nie
by³ przypadkowy. Podstawow¹ wad¹ wiêkszoœci stosowanych sposobów ³¹czenia danych
MS i PAN opartych na metodzie IHS, PCA, HP lub transformacji Wavelet jest uzale¿nienie
uzyskiwanych wyników od umiejêtnoœci operatora. Jest to szczególnie dobrze widoczne w
przypadku metody IHS, stosowanej dla potrzeb opracowywania map satelitarnych (Lewiñski, 2000; Lewiñski i Zagajewski, 2002) oraz kompozycji barwnych dla interpretacji wizualnej (Lewiñski i Po³awski, 2005). Algorytm PanSharp dedykowany jest do ³¹czenia zdjêæ
satelitarnych MS i PAN o ró¿nej rozdzielczoœci przestrzennej, spektralnej i radiometrycznej.
Charakteryzuje siê on wysokim stopniem automatyzacji oraz wyj¹tkowo dobrze zachowuje
charakterystyki spektralne danych MS.
Stosuj¹c algorytm PanSharp wykonano po³¹czenie (data fusion) kana³u panchromatycznego z kana³em nr 2, 3 i 4 danych MS, które pod wzglêdem spektralnym odpowiadaj¹
zakresowi kana³u PAN. W wyniku po³¹czenia uzyskano trzy nowe kana³y PanSharp2, PanSharp3 oraz PanSharp4, charakteryzuj¹ce siê szczegó³owoœci¹ danych PAN oraz wysokim
stopniem korelacji z danymi MS wynosz¹cym odpowiednio; 0,89, 0,89 i 0,94. Przeprowadzone testy wykaza³y przydatnoœæ po³¹czonych danych przede wszystkim w procesie segmentacji zdjêcia Landsat ETM+, natomiast w czasie klasyfikacji wykorzystano oryginalne
dane wielospektralne.
Rozpoznanie form pokrycia i u¿ytkowania ziemi na zdjêciu satelitarnym Landsat ETM+...
141
Teren badañ
Badania wykonano na fragmencie zdjêcia obrazuj¹cym teren o powierzchni 423 km2,
po³o¿ony w centralnej czêœci Polski na Nizinie Mazowieckiej w pobli¿u Warszawy. W jego
centrum, miêdzy rzekami Wis³¹ i Narwi¹, znajduje siê miasto Legionowo (49 000 mieszkañców). Na terenie badañ wystêpuj¹ lasy iglaste, liœciaste, tereny rolnicze, ³¹ki oraz zabudowa
z przewag¹ zabudowy rozproszonej. Tereny rolnicze charakteryzuj¹ siê du¿ym stopniem
rozdrobnienia. Pola o ma³ej powierzchni, czêsto poni¿ej 1 ha, s¹siaduj¹ z u¿ytkami zielonymi.
Na rzece Narwi znajduje siê sztuczny zbiornik „Zalew Zegrzyñski” o powierzchni ponad
30 km2.
Segmentacja zdjêcia satelitarnego
Segmentacja zdjêcia Landsat ETM+ poprzedzona zosta³a analiz¹ parametrów statystycznych poszczególnych kana³ów oraz analiz¹ wspó³czynników korelacji. Przyjêty sposób segmentacji zwi¹zany by³ z za³o¿eniem klasyfikacyjnym, polegaj¹cym na rozpoznawaniu obiektów o minimalnej wielkoœci 4 ha oraz 1 ha dla wód i obszarów zabudowanych. Parametry
segmentacji oraz liczba utworzonych obiektów i ich œrednia powierzchnia przedstawione s¹
w tabeli 1.
Tabe la 1. Parame try s e gme ntacji zdjê cia Lands at ETM + w oprogramowaniu e Cognition
Poziom
Parametr
Waga kana³u
Obiekty
skala
kolor
zwartoϾ
PAN
PAN
SHARP
2
PAN
SHARP
3
PAN
SHARP
4
liczba
œrednia
wielkoϾ
[ha]
1
5
0,9
1
1
–
–
–
8 4 18 3
0,50
2
23
0,8
0,8
–
1
2
1
4 269
9,93
Pierwszy poziom segmentacji zosta³ wykonany tylko na podstawie kana³u panchromatycznego, z zastosowaniem ma³ego parametru skala i wysokich wartoœci wspó³czynników
kolor i zwartoœæ. Obraz terenu badañ zosta³ podzielony na 84183 obiektów o zwartych kszta³tach. Druga segmentacja charakteryzuje siê du¿o wy¿szym parametrem skali o wartoœci 23
oraz ni¿szymi parametrami kolor i zwartoœæ o jednakowej wartoœci 0,8. Dla kana³u PanSharp3 zastosowano wagê 2, która w tym zestawie kana³ów spe³nia rolê uœredniaj¹c¹ wobec
kana³u PanSharp4, charakteryzuj¹cego siê wysok¹ wartoœci¹ odchylenia standardowego. Na
drugim poziomie powsta³o 4269 obiektów.
Zastosowanie w segmentacji kana³ów PanSharp2, PanSharp3 i PanSharp4 wydaje siê
byæ w pe³ni uzasadnione, gdy¿ zawieraj¹ one sumê informacji danych MS i PAN. Przeprowadzone próby wykaza³y, ¿e po³¹czone dane zwiêkszaj¹ precyzjê wyznaczania obiektów w
porównaniu z danymi wielospektralnymi.
142
Stanis³aw Lewiñski
Klasyfikacja
Klasyfikacjê zdjêcia Landsat ETM+ wykonano na podstawie drugiego poziomu segmentacji (tabela 1). Do rozpoznania klas pokrycia terenu zastosowano funkcje oprogramowania
eCognition; Standard Nearest Neighbor (STD.N.N.) oraz kryteria parametryczne.
Wybór parametrów klasyfikacyjnych zastosowanych w metodzie najbli¿szego s¹siada
poprzedzony by³ analiz¹ rozró¿nialnoœci klas pokrycia terenu. Przeanalizowano nastêpuj¹ce
parametry obiektów: wartoœci œrednie, odchylenia standardowe, ratio oraz funkcje Haralic
zwi¹zane z tekstur¹ obrazu. W sumie testowano 14 parametrów zwi¹zanych z kana³em
panchromatycznym, kana³ami wielospektralnymi oraz kana³ami PanSharp. Do okreœlenia
parametrów rozró¿nialnoœci wykorzystano funkcjê „Feature Space Optimization” oprogramowania eCognition.
Wykonane analizy wykaza³y, ¿e kana³ panchromatyczny oraz kana³y PanSharp nie maj¹
znacz¹cego wp³ywu na rozró¿nialnoœæ zdefiniowanych klas pokrycia terenu. Nale¿y jednak
zaznaczyæ, ¿e stosunkowo najlepsze wyniki uzyskano dla kana³u PanSharp4, charakteryzuj¹cego siê najwiêksz¹ wartoœci¹ odchylenia standardowego. Ostatecznie wybrano szeœæ parametrów, które zosta³y zastosowane w klasyfikacji STD.N.N.: œrednie wartoœci spektralne
kana³ów 4, 5 i 7, funkcja ratio kana³u 3 i 7 oraz entropia GLCM kana³u 2.
W procesie klasyfikacji zastosowano równie¿
Tabe la 2. nazwy klas rozpoznanych na zdjê ciu Lands at ETM +
kryteria parametryczne
w granicach te re nu badañ
wystêpuj¹ce samodzielLp.
Kod CORINE
Nazwa klasy
nie lub te¿ razem z
1
1121
Zabudowa luŸna wielorodzinna miejska typu blokowego
STD.N.N.. Wykorzystano w tym celu kryteria
2
1122
Zabudowa luŸna wielorodzinna typu miejskiego
wielkoœci obiektów, od3
1123
Zabudowa luŸna jednorodzinna typu wiejskiego
leg³oœci, kszta³tu, grani4
121
Tereny przemys³owe i handlowe
czenia i d³ugoœci granicy,
5
1322
Zwa³owiska odpadów p³ynnych - osadniki
przynale¿noœci do innej
klasy oraz œrednie i od6
133
Place budów
chylenia standardowe
7
141
Miejskie tereny zielone
zwi¹zane z wybranymi
8
21111
Grunty orne wielkoblokowe
kana³ami. Zastosowano
te¿ w³asne kryterium ZA9
21112
Grunty orne drobnoblokowe
BUD1.
10
2113
Uprawy szklarniowe
Sklasyfikowano 18
11
231
£¹ki
klas pokrycia i u¿ytkowa12
243
Tereny z du¿ym udzia³em roœlinnoœci naturalnej
nia ziemi. W tabeli 2
przedstawione s¹ nazwy
13
311
Lasy liœciaste
rozpoznanych klas oraz
14
312
Lasy iglaste
ich kody zwi¹zane z roz15
313
Lasy mieszane
winiêt¹ legend¹ progra16
324
Lasy i roœlinnoœæ krzewiasta w stanie zmian
mu CORINE (Heymann
i inni, 1993).
17
3311
Pla¿e
Poni¿ej przedstawio18
51
Cieki i zbiorniki wodne
ne s¹ zasady klasyfikacji
Rozpoznanie form pokrycia i u¿ytkowania ziemi na zdjêciu satelitarnym Landsat ETM+...
143
poszczególnych klas. Niektóre z nich ze wzglêdu na podobieñstwo spektralne s¹ nierozpoznawalne tradycyjnymi metodami klasyfikacyjnymi, bazuj¹cymi tylko na analizie wartoœci
spektralnych pikseli zdjêcia satelitarnego.
Zasady rozpoznania klas pokrycia i u¿ytkowania terenu
Zabudowa (1121, 1122, 1123, 121): cztery klasy zabudowy zosta³y wy³onione z ogólnej
klasy „zabudowa”, która zosta³a zdefiniowana na podstawie STD.N.N. i dodatkowo ograniczona przez kryterium d³ugoœci granicy z wod¹ oraz przez minimaln¹ szerokoœæ obiektu.
Tereny przemys³owe (121) wyodrêbniono z ogólnej klasy „zabudowa” stosuj¹c kryterium ZABUD1 oraz przy za³o¿eniu, ¿e tereny te nie granicz¹ z zabudowa blokow¹ oraz
kszta³t obiektów zbli¿ony jest do prostok¹ta. Kryterium ZABUD1 zosta³o równie¿ zastosowane do wyró¿nienia zabudowy luŸnej wielorodzinnej typu wiejskiego (1123) oraz zabudowy luŸnej typu miejskiego (1122). Zabudowê typu blokowego (1121) wy³oniono z zabudowy
luŸnej miejskiej z zastosowaniem klasyfikacji na pierwszym poziomie segmentacji, na podstawie którego sklasyfikowano cienie bloków mieszkalnych zobrazowane w kanale panchromatycznym.
Kryterium ZABUD1 nie jest standardow¹ funkcj¹ oprogramowania eCognition, jest to
tzw. funkcja u¿ytkownika, na zdefiniowanie której pozwala oprogramowanie eCognition (Baatz
i inni, 2001). Kryterium zosta³o zastosowane do rozdzielania w ramach ogólnej klasy „zabudowa” trzech podklas: zabudowy luŸnej wiejskiej, luŸnej miejskiej oraz terenów przemys³owych. Wzór kryterium ZABUD1 jest nastêpuj¹cy:
ZABUD1 = ( (k2-k3)2 + (k3-k4)2 + (k4-k5)2 + (k5-k7)2 + (k7-pan)2 )0,5
gdzie:
k2, k3, k4, k5, k7 –
œrednie wartoœci obiektu w poszczególnych kana³ach danych wie
lospektralnych
pan – œrednia wartoœæ obiektu w kanale panchromatycznym.
Zastosowanie kryterium ZABUD1 poprzedzone by³o analiz¹ rozró¿nialnoœci klas zabudowy na podstawie poszczególnych kana³ów. Najwiêksze ró¿nice miêdzy klasami zabudowy
wystêpuj¹ w 4. i 5. kanale spektralnym, co jest zwi¹zane z wystêpowaniem roœlinnoœci w
granicach analizowanych obiektów. Przeprowadzone próby rozró¿nienia na podstawie wartoœci 4. i 5. kana³u oraz powszechnie stosowanego w teledetekcji wspó³czynnika NDVI nie
przynios³y zadowalaj¹cych wyników, natomiast kryterium ZABUD1 uwzglêdniaj¹ce ró¿nice
miêdzy poszczególnymi kana³ami pozwoli³o na rozró¿nienie trzech klas zabudowy. Zaproponowane kryterium mo¿e byæ równie¿ wykorzystane do rozpoznania innych klas pokrycia
terenu. Teoretycznie przyjmuje ono minimaln¹ wartoœæ równ¹ 0 w przypadku braku ró¿nic
w odbiciu spektralnym miêdzy kolejnymi kana³ami.
Zwa³owiska odpadów p³ynnych – osadniki (1322): klasyfikacja STD.N.N oraz warunki nie graniczenia z wod¹ i zwi¹zane z szerokoœci¹ obiektu.
Place budów i pla¿e (133, 3311): Obie klasy na zdjêciu Landsat s¹ bardzo zbli¿one pod
wzglêdem spektralnym, dlatego te¿ najpierw sklasyfikowane je w jednej klasie na podstawie
144
Stanis³aw Lewiñski
STD.N.N., a nastêpnie rozdzielono na podstawie kryterium odleg³oœci od zabudowy oraz
granicy z wod¹. Place budów i pla¿e wy³oniono równie¿ z podklasy gruntów ornych bez
roœlinnoœci na podstawie kryterium powierzchni (ma³e obiekty) przy równoczesnym zachowaniu warunku graniczenia z wod¹ lub zabudow¹.
Miejskie tereny zielone (141): zosta³y wy³onione z dwóch klas „tereny z du¿ym udzia³em roœlinnoœci naturalnej” i „las mieszany” spe³niaj¹cych warunek wspólnej d³ugiej granicy
z zabudow¹ (ponad 75%) oraz wystêpowania w zdefiniowanej odleg³oœci od œrodka miasta
Legionowo (jedyne du¿e miasto na terenie badañ, gdzie mo¿e wystêpowaæ ta klasa).
Grunty orne wielkoblokowe (21111): sklasyfikowano z podzia³em na dwie podklasy:
pola z odkryt¹ gleb¹ i pola z pokryw¹ roœlinna (zbo¿a ozime). Pierwsza klasa zosta³a rozpoznana na podstawie STD.N.N. W definicji drugiej klasy, ze wzglêdu na podobieñstwo spektralne do innych terenów pokrytych roœlinnoœci¹, zastosowano STD.N.N. oraz warunek
równoczesnej przynale¿noœci do klasy „tereny z du¿ym udzia³em roœlinnoœci naturalnej”.
Grunty orne drobnoblokowe (21112) (mozaikowy uk³ad pól): klasyfikacja STD.N.N.
Uprawy szklarniowe (2113): klasyfikacja STD.N.N. oraz warunek kszta³tu zbli¿onego
do prostok¹ta.
£¹ki (231): klasyfikacja STD.N.N.
Tereny z du¿ym udzia³em roœlinnoœci naturalnej (243): klasyfikacja STD.N.N.
Las liœciasty (311): sklasyfikowano na podstawie STD.N.N. oraz stosuj¹c kryterium
jednorodnoœci, zwi¹zane z wartoœci¹ oraz odchyleniem standardowym w kanale panchromatycznym.
Las iglasty (312): sklasyfikowano na podstawie STD.N.N. oraz stosuj¹c kryterium jednorodnoœci, zwi¹zane z wartoœci¹ oraz odchyleniem standardowym w kanale panchromatycznym.
Las mieszany (313): klasa ta zosta³a wy³oniona z klas „las liœciasty” i „las iglasty”.
Za³o¿ono, ¿e lasem mieszanym jest las iglasty lub liœciasty nie spe³niaj¹cy warunku jednorodnoœci. Warunek jednorodnoœci okreœlono na podstawie kana³u panchromatycznego, w którym drzewostany iglaste charakteryzuj¹ siê mniejszymi wartoœciami odbicia spektralnego w
porównaniu z liœciastymi. Las mieszany wy³oniony z lasu iglastego charakteryzuje siê wysokimi wartoœciami w kanale panchromatycznym - „jasny” las iglasty. Natomiast w przypadku
zwi¹zanym z lasem liœciastym las mieszany posiada niskie wartoœci w kanale panchromatycznym - „ciemny” las liœciasty. Podobne podejœcie do klasyfikacji lasu mieszanego zastosowano w klasyfikacji zdjêcia ASTER (Lewiñski, 2006). Kana³ panchromatyczny jest wykorzystany równie¿ w przypadku szczegó³owej klasyfikacji obiektowej drzewostanów na zdjêciach wysokiej rozdzielczoœci (de Kok i in., 2000a, 2000b).
Rozpoznanie form pokrycia i u¿ytkowania ziemi na zdjêciu satelitarnym Landsat ETM+...
145
Lasy i roœlinnoœæ krzewiasta w stanie zmian (324): klasyfikacja STD.N.N oraz warunek istnienia granicy z lasami.
Cieki i zbiorniki wodne (51): klasa sk³ada siê z 3 podklas: du¿e rzeki, ma³e p³ytkie zbiorniki oraz kana³y. Zastosowano jedynie parametryczne kryterium klasyfikacji, zwi¹zane z wartoœciami w kanale 4 i 6 (termalny) oraz stosunkiem d³ugoœci i szerokoœci obiektów (kana³y).
Opracowanie wyników klasyfikacji obiektowej
Stosuj¹c podane zasady klasyfikacji obiektowej wykonano klasyfikacjê zdjêcia Landsat ETM+
obrazuj¹cego teren badañ. Nie by³ to jednak ostatni etap pracy. Wynik klasyfikacji zosta³ przetworzony w taki sposób aby na jego podstawie powsta³a wektorowa baza danych o pokryciu
i u¿ytkowaniu ziemi, taka jak w przypadku tradycyjnej interpretacji wizualnej. W tym celu
pos³u¿ono siê metod¹ postêpowania zastosowan¹ w klasyfikacji zdjêæ ASTER (Lewiñski, 2005,
2006). Poszczególne etapy przetwarzania zdjêcia Landsat ETM+, od wstêpnego przetworzenia
i koñcz¹c na gotowej bazie danych, przedstawione s¹ na rysunku 1. Wynika z niego, ¿e po
wykonaniu klasyfikacji obiektowej opracowywanie danych klasyfikacyjnych polega³o na: generalizacji, zamianie formatu klasyfikacji z
rastrowego na wektorowy, wyg³adzeniu granic wydzieleñ oraz weryfikacji wyników klasyfikacji. Po weryfikacji tworzono ostateczn¹
„poprawn¹” bazê danych.
W przypadku wiêkszoœci automatycznych klasyfikacji zdjêæ satelitarnych zagadnienie generalizacji jest pomijane, najczêœciej stosowana jest jedynie filtracja maj¹ca na celu usuniêcie pojedynczych
pikseli sklasyfikowanych inaczej ni¿ ich otoczenie. Przyjmuje siê,
¿e stopieñ szczegó³owoœci klasyfikacji zwi¹zany jest z wymiarem
piksela zdjêcia, czyli z jego rozdzielczoœci¹ przestrzenn¹. Natomiast
w przypadku interpretacji wizualnej stopieñ szczegó³owoœci interpretacji jest kluczowym zagadnieniem. Zale¿y on od skali opracowania, przyjêtych za³o¿eñ oraz od rodzaju interpretowanych danych. Interpretacja zdjêcia rozpoczyna siê od ustalenia tzw. pola
odniesienia (Working Unit) czyli minimalnej powierzchni, która
bêdzie interpretowana. Wielkoœæ pola odniesienia jest informacj¹ o
stopniu szczegó³owoœci bazy danych, utworzonej na podstawie
interpretacji wizualnej.
W przyjêtym sposobie postêpowania generalizacjê wykonano
w œrodowisku oprogramowania PCI Geomatica na podstawie danych klasyfikacyjnych w postaci rastrowej. Dla klas zwi¹zanych z
zabudow¹ i wod¹ przyjêto WU=1 ha, a dla pozosta³ych klas – 4 ha.
Obiekty o powierzchni mniejszej od WU zosta³y przyporz¹dkowane do s¹siednich, wiêkszych obiektów. W tabeli 3 przedstawione
Rys. 1. Schemat postêpos¹ powierzchnie poszczególnych klas przed i po generalizacji.
wania zastosowany
Po generalizacji najwiêksze zmiany pod wzglêdem zajmowanej
w klasyfikacji zdjêcia
powierzchni nast¹pi³y dla klas „³¹ki” (+170 ha) i „grunty orne wielLandsat ETM+
Stanis³aw Lewiñski
146
Tabe la 3. Porównanie danych klas yfikacyjnych prze d i po ge ne ralizacji
K od
CORINE
Klasa
Klasyfikacja
Generalizacja
Zmiany
ha
obiekty
ha
obiekty
%
ha
63,3
1
63,3
1
0,0
0,0
Zabudowa luŸna
wielorodzinna typu
miejskiego
2627,0
85
2668,5
85
1,58
41,5
1123
Zabudowa luŸna
jednorodzinna typu
wiejskiego
1884,6
109
1900,5
109
0,84
15,9
121
Tereny przemys³owe
i handlowe
358,3
21
364,2
20
1,66
5,9
1322
Zwa³owiska odpadów
p³ynnych – osadniki
24,9
2
24,9
2
0,0
0,0
13 3
Place budów
137,7
56
82,0
9
- 40,48
- 55,7
141
Miejskie tereny zielone
27,6
6
19,5
2
- 29,45
- 8,1
1121
Zabudowa luŸna
wielorodzinna miejska
typu blokowego
1122
21111
Grunty orne
wielkoblokowe
1396,8
171
1210,8
81
- 13,32
- 186,0
21112
Grunty orne
drobnoblokowe
6602,2
287
6692,7
185
1,37
90,5
2113
Uprawy szklarniowe
15,3
2
15,3
2
0,0
0,0
231
£¹ki
6477,5
239
6647,5
195
2,62
170,0
243
Tereny z du¿ym udzia³em roœlinnoœci naturalnej
5125,7
322
5144,0
232
0,36
18,3
111
Lasy liœciaste
2524,5
12 4
2548,6
97
0,96
24,1
312
Lasy iglaste
8238,7
139
8344,0
97
1,28
105,3
313
Lasy mieszane
4131,1
192
4030,6
120
- 2,43
- 100,5
324
Lasy i roœlinnoœæ krzewiasta w stanie zmian
6,9
2
4,8
1
- 29,69
- 2,1
3311
Pla¿e
23,7
8
11,3
1
- 52,21
- 12,4
51
Cieki i zbiorniki wodne
2609,7
28
2612,5
27
0,11
2,8
0
Obiekty
niesklasyfikowane
109,6
85
0,0
0
- 100
- 109,6
42385,0
1879
42385,0
1266
Suma
474,4 ha = 1,1% terenu
badañ
koblokowe” (-186 ha). W przypadku ³¹k zmiany stanowi³y jedynie 2,6 % powierzchni klasy,
natomiast powierzchnia wielkoblokowych gruntów ornych zmieni³a siê o ponad 13%. Tak
du¿e zmiany wystêpuj¹ce w ramach jednej klasy wynikaj¹ w sposób bezpoœredni z liczby
obiektów mniejszych od 4 ha oraz z faktu, ¿e klasa ta jest sum¹ dwóch podklas zwi¹zanych
z polami z odkryt¹ gleb¹ oraz z polami z pokryw¹ roœlinn¹. Zmiany w powierzchni na pozio-
Rozpoznanie form pokrycia i u¿ytkowania ziemi na zdjêciu satelitarnym Landsat ETM+...
147
mie 100 ha zwi¹zane s¹ z trzema klasami: „lasy iglaste”, „lasy mieszane”, „grunty orne
drobnoblokowe”. Pod wzglêdem liczby obiektów najwiêksze zmiany nast¹pi³y w klasie „place budów”, liczba których pocz¹tkowo wynosz¹ca 56 zosta³a zmniejszona do 9. Klasy „lasy
i roœlinnoœæ krzewiasta w stanie zmian” oraz „pla¿e” zosta³y zredukowane do pojedynczych
obiektów. Najwiêksza liczba obiektów o powierzchni mniejszej od 4 ha zwi¹zana by³a z
„terenami z du¿ym udzia³em roœlinnoœci naturalnej”. Obiekty te by³y jednak na tyle ma³e, ¿e
zmiany powierzchni tej klasy s¹ nieznaczne, wynios³y jedynie 18,3 ha co odpowiada jedynie
0,36% ca³kowitej powierzchni klasy. Powierzchnie klas zwi¹zanych z zabudow¹ i wod¹
generalizowane z zastosowaniem jednostki odniesienia 1 ha uleg³y stosunkowo ma³ym zmianom. Z tabeli 3 wynika równie¿, ¿e obraz klasyfikacyjny zawiera³ 85 bardzo ma³ych niesklasyfikowanych obiektów, które po generalizacji zosta³y zwi¹zane z s¹siednimi klasami.
W sumie zmiany nast¹pi³y na powierzchni 474,4 ha co stanowi jedynie 1,1% ca³ego terenu badañ. Podobny rezultat (1,4%) uzyskano w przypadku generalizacji klasyfikacji obiektowej zdjêcia ASTER (Lewiñski, 2006).
Kolejnym etapem opracowania obTabe la 4. Oce na dok³adnoœ ci klas yfikacji obie ktowe j
(wykonana me tod¹ inte rpre tacji wizualne j)
razu klasyfikacyjnego by³a zamiana
danych rastrowych na format wektoKod klasy
Powierzchnia (ha)
Dok³adnoœæ (%)
rowy. Nastêpnie granice wydzieleñ bieklasyfikapo
u¿ytkoprodugn¹ce wzd³u¿ krawêdzi pikseli zdjêcia
cja
weryfikacji
wnika
centa
obiektowa
satelitarnego zosta³y wyg³adzone (stosuj¹c funkcje PCI Geomatica) w taki
51
2612,5
2612,5
100,00
100,00
sposób aby uzyskaæ granice zbli¿one
121
364,2
374,9
100,00
97,15
do granic interpretacji wizualnej.
13 3
73,7
84,8
100,00
86,90
Na podstawie danych wektorowych wykonana zosta³a ocena popraw141
19 , 5
19,5
100,00
100,00
noœci klasyfikacji. W tym celu zasto231
6635,0
6386,2
89,86
93,36
sowano sposób przyjêty w programie
243
5 14 5 , 3
6029,3
92,01
78,52
CORINE 2000 (Nunes de Lima, 2005).
311
2548,6
2121,4
81,42
97,81
Interpretator korygowa³ przebieg granic wydzieleñ oraz kody klas bezpo312
8338,2
8435,3
99,78
98,63
œrednio na monitorze, na którym wy313
4030,6
3980,4
97,07
98,30
œwietlona by³a wektorowa baza danych
324
4,8
4,8
100,00
100,00
oraz obraz satelitarny. W wyniku inter1121
63,3
63,3
100,00
100,00
pretacji powsta³a tzw. warstwa zmian
bêd¹ca równoczeœnie informacj¹ o po1122
2620,1
2600,2
97,99
98,73
prawnoœci klasyfikacji. Ocena dok³ad1123
1891,2
2143,9
99,08
87,40
noœci przedstawiona jest w tabeli 4.
1322
24,9
24,9
100,00
100,00
Ca³kowita dok³adnoœæ klasyfikacji
2113
15,3
15,3
100,00
100,00
wynios³a 94,54% oraz równoczeœnie
uzyskano wysok¹ wartoœæ statystyki
3311
11,3
11,3
100,00
100,00
KHAT=93,76% (Congalton, 1991). Z
21111
1210,8
1196,2
98,35
99,56
punktu widzenia dok³adnoœci producen21112
6724,2
6229,5
92,14
99,46
ta, zwi¹zanej z b³êdami pominiêcia, z
Suma
42333,7
42333,7
najmniejsz¹ dok³adnoœci¹ zosta³y sklasyfikowane „tereny z du¿ym udzia³em
Dok³adnoœæ ca³kowita 94,54%
Wspó³czynnik KHAT 93,76%
roœlinnoœci naturalnej” (243), „place
148
Stanis³aw Lewiñski
budów” (133) oraz „zabudowa luŸna jednorodzinna typu wiejskiego” (1123). Dok³adnoœæ
rozpoznania tych klas wynios³a odpowiednio: 78,52%, 86,90% i 87,40%. Stosunkowo niska
dok³adnoœæ u¿ytkownika œwiadcz¹ca o b³êdach przeszacowania zwi¹zana jest z klas¹ „lasy
liœciaste” (311) 81,42%, „³¹ki” (231) 89,86%, „tereny z du¿ym udzia³em roœlinnoœci naturalnej” (243) 92,01% oraz „grunty orne drobnoblokowe” (21112) 92,14%. Teoretycznie znacz¹ca czêœæ b³êdów klasyfikacyjnych mo¿e byæ zwi¹zana z majowym terminem rejestracji
klasyfikowanego zdjêcia. W wiosennym okresie wegetacyjnym roœlinnoœæ charakteryzuje
siê wysokim poziomem chlorofilu, który wp³ywa na zmniejszenie zró¿nicowania spektralnego miêdzy tzw. zielonymi klasami. Jest to równie¿ widoczne w przypadku interpretacji wizualnej. Natomiast b³êdy klasyfikacji luŸnej zabudowy wiejskiej zwi¹zane s¹ przede wszystkim
ze stopniem rozproszenia zabudowy; w przypadku zabudowy miejskiej, charakteryzuj¹cej
siê wiêkszym stopniem zwarcia, uzyskano du¿o wy¿sz¹ dok³adnoœæ.
Ostatnim etapem opracowania wyników klasyfikacji obiektowej by³o utworzenie koñcowej, „bezb³êdnej” bazy danych. Powsta³a ona w wyniku uwzglêdnienia zmian okreœlonych
przez interpretatora w trakcie weryfikacji klasyfikacji. Rysunki 2 i 3 przedstawiaj¹ kompozycjê barwn¹ terenu badañ oraz koñcowy obraz bazy danych o pokryciu i u¿ytkowaniu ziemi
utworzonej na podstawie klasyfikacji obiektowej zdjêcia Landsat ETM+.
Podsumowanie
Celem prezentowanej pracy by³o przedstawienie klasyfikacji form pokrycia i u¿ytkowania ziemi na zdjêciu satelitarnym Landsat ETM+, wykonanej metod¹ obiektow¹. W tym celu
rozpatrzono mo¿liwoœæ wykorzystania danych wielospektralnych, panchromatycznych oraz
danych po³¹czonych.
Stosuj¹c algorytm PanSharp z kana³em PAN po³¹czono 3., 4. i 5. kana³ MS. Przeprowadzone analizy wykaza³y przydatnoœæ po³¹czonych danych przede wszystkim na etapie
segmentacji, która zosta³a wykonana na dwóch poziomach. Pierwszy poziom segmentacji
zosta³ utworzony na podstawie kana³u PAN, drugi wy³¹cznie na podstawie danych PanSharp. W samym procesie klasyfikacji, czyli w rozpoznaniu obiektów, dane PanSharp nie
odegra³y istotnej roli. Nale¿y jednak zauwa¿yæ, ¿e spoœród trzech utworzonych kana³ów
najwiêksz¹ pojemnoœci¹ informacji charakteryzuje siê kana³ PanSharp4. Jego wartoœæ odchylenia standardowego wynosi 30,62 i jest najwiêksza w porównaniu z innymi danymi.
Odchylenie standardowe dwóch pozosta³ych kana³ów PanSharp2 i PanSharp3 jest znacznie
mniejsze i wynosi odpowiednio 10,21 i 13,85.
Obiekty klas pokrycia i u¿ytkowania ziemi zosta³y rozpoznane z zastosowaniem metody
STD.N.N. oraz kryteriów parametrycznych. Dodatkowo w klasyfikacji klas zwi¹zanych z
zabudow¹ zastosowano kryterium ZABUD1, dziêki któremu rozró¿niono 4 klasy zabudowy.
Klasa „las mieszany” zosta³a wy³oniona z klas „las liœciasty” i „las iglasty” na podstawie
informacji pochodz¹cej z kana³u panchromatycznego. Klasyfikacja obiektowa pozwoli³a na
rozró¿nienie bardzo podobnych pod wzglêdem spektralnym klas „pla¿e” i „place budów”
oraz na sklasyfikowanie klas nierozpoznawalnych tradycyjnymi (pikselowymi) metodami
klasyfikacji: „zabudowa typu blokowego”, „miejskie tereny zielone”, „grunty orne drobnoblokowe” oraz „tereny z du¿ym udzia³em roœlinnoœci naturalnej”.
Rozpoznanie form pokrycia i u¿ytkowania ziemi na zdjêciu satelitarnym Landsat ETM+...
149
Klasyfikacja obiektowa pozwoli³a na uzyskanie bardzo dobrych wyników pod wzglêdem
jakoœciowym i iloœciowym, rozpoznano 18 klas z ca³kowit¹ dok³adnoœci¹ 94,54%. Zastosowany sposób opracowania wyników klasyfikacji obiektowej, zwi¹zany z generalizacj¹, utworzeniem wektorowej bazy danych, wyg³adzaniem granic wydzieleñ i zakoñczony weryfikacj¹ metod¹ interpretacji wizualnej, pozwoli³ na uzyskanie wiarygodnej bazy danych o pokryciu i u¿ytkowania terenu.
Literatura
Baatz M., Banz U., Dehghani S., Heynen M., Holtje A., Hofmann P., Lingenfelder I., Mimler M., Sohlbach
M., Weber M., Willhauck G., 2001: eCognition user guide. Definiens Imaging GmbH.
Congalton R.G., 1991: A review of assessing the accuracy of classifications of remotely sensed data. Remote
Sensing of Environment, vol. 37, pp. 35-46.
GMES 2004: Global monitoring for environment and security, final report for the GMES initial period (20012003).
GMES 2006: GMES Fast Track Service Precursor (FTSP) on European land monitoring, FTSP technical
implementation – discussion paper, ver l1.4, 23.06.2006.
Heymann Y., Steenmans C., Croisille G., Bossard M., 1993: CORINE land cover technical guide. European
Commission, EUR 12585.
De Kok R., Buck A., Schneider T., Ammer U., 2000a: Analysis of image objects from VHR imagery for forest
GIS updating in the Bavarian Alps. Procc. ISPRS Amsterdam, July 2000, Working Group III/5.
De Kok R., Buck A., Schneider T., Ammer U., Baatz M., 2000b: Data fusion with Landsat 7 imagery.
STROBL, J. et al. (Hrsg), Angewandte Geographische Informationsverarbeitung XII, Beitrage zum AGITSymposium Salzburg 1999, Karlsruhe, Herbert Wichmann Verlag, pp.90-97.
Lewiñski S., 2000: The satellite maps of Poland elaborated on the basis of Landsat MSS, TM and IRS-1C
images. Proceedings of 28 th International Symposium on Remote Sensing of Environment, Cape Town,
RPA,27-30 March 2000.
Lewiñski S., Zagajewski B., 2002: The map of the Narew River National Park on the scale of 1:25000
elaborated on the basis of the merger of the satellite and aerial imagery. Miscellanea Geographica vol. 10,
s. 307-318, Warszawa.
Lewiñski S., Po³awski Z.F., 2005: The comparison of interpretation possibility of RGB composite of LISS-III
and ETM+ scanner. Proceedings of the 24th Symposium of European Association of Remote Sensing
Laboratories, Dubrovnik, Croatia.
Lewiñski S., 2005: Klasyfikacja obiektowa narzêdziem wspomagaj¹cym process interpretacji zdjêæ satelitarnych. Polskie Towarzystwo Informacji Przestrzennej, Roczniki Geomatyki, t. III, z. 2, s. 97-106. Warszawa.
Lewiñski S., 2006: Land use classification of ASTER image – Legionowo test site. Proc. of the 25th Symposium of the European Association of Remote Sensing Laboratories, Porto, Portugal, 6-9 June 2005. Global
Developments in Environmental Earth Observation from Space.
Nunes de Lima M.V., 2005: CORINE Land Cover updating for the year 2000. IMAGE2000 and CLC2000,
products and methods. JRC-IES.
Richter R., 2006: ATCOR-2/3 user guide, ver 6.2. DLR-German Aerospace Center. http://www.rese.ch/pdf/
atcor23_manual.pdf
Zhang Y., 1999: A new merging method and its spectral and spatial effects. International Journal of Remote
Sensing, vol. 20, No. 10, pp. 2003-2014.
Zhang Y., 2002. Problems in the fusion of commercial high-resolution satellite images as well as Landsat 7
images and initial solutions. International Archives of Photogrammetry and Remote Sensing (IAPRS), vol.
34, part 4.
150
Stanis³aw Lewiñski
Summary
The results of object-oriented classification based on multispectral and panchromatic Landsat ETM+
data, conducted with the use of eCognition software, are presented in the paper.
The classification image was prepared using an algorithm aimed at obtaining a database similar to
the one resulting from traditional visual interpretation. After the classification, generalisation of data
was performed using a working unit of 1 ha for built-up areas and 4 ha for the remaining classes. Next,
raster to vector conversion was performed and the edges of objects delineations were smoothed.
Verification using a method of visual interpretation was the last stage of works. After combining the
verification results with the classification, the final database was obtained.
The applied methods of classification enabled identification of 18 land cover and land use classes, at
least four of which cannot be identified using traditional methods. The obtained total accuracy of
classification reached 94%.
The principles of segmentation of the Landsat ETM+ image based on the panchromatic channel and
fused multispectral and panchromatic data are specified in the paper. Fusion was based on PanSharp
algorithm within PCI Geomatica software, which preserves spectral characteristics of the original
data. The adopted principles of land use and land cover classes were also described. What is particularly worth attention is the method of identification of four built-up land classes, which were extracted
from the general class of built-up areas classified using the nearest neighbour method. This task
involved use of a parameter defined as a square root of the sum of squares of differences between
spectral values of particular channels, while the classification of shadows of buildings was used for
identification of built-up areas with apartment blocks.
The presented method of classification and processing of the obtained results can support or, in certain
cases, entirely replace traditional visual interpretation of satellite images, aimed at creating a land
cover and land use database.
dr in¿. Stanis³aw Lewiñski
[email protected]
tel: (022) 329 19 76
Rozpoznanie form pokrycia i u¿ytkowania ziemi na zdjêciu satelitarnym Landsat ETM+...
Rys. 2. Teren badañ, kompozycja barwna (4, 5, 3) zdjêcia ETM+
151
152
Stanis³aw Lewiñski
Rys. 3. Obraz klasyfikacji obiektowej zdjêcia Landsat ETM+ (po weryfikacji wizualnej)
POLSKIE
INFORMACJI
PRZESTRZENNEJ
Analiza porównawcza
metodTOWARZYSTWO
modelowania powierzchni
w aspekcie
opracowania NM dna ...
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
151
ANALIZA PORÓWNAWCZA
METOD MODELOWANIA POWIERZCHNI
W ASPEKCIE OPRACOWANIA
NUMERYCZNEGO MODELU DNA MORSKIEGO
COMPARATIVE ANALYSE OF SURFACE MODELLING
METHODS WITH REGARD TO BUILDING
A NUMERICAL SEA BOTTOM MODEL
Jacek £ubczonek
Akademia Morska w Szczecinie
S³owa kluczowe: metody modelowania powierzchni, numeryczny model dna, nawigacja
morska
Keywords: surface modelling methods, digital seabed model, marine navigation
Wstêp
Obecny rozwój map nawigacyjnych coraz czêœciej jest zwi¹zany z nowoczesnymi technikami pomiaru g³êbokoœci, które realizuje siê z wykorzystaniem sond wielowi¹zkowych. Niew¹tpliw¹ zalet¹ tych urz¹dzeñ jest mo¿liwoœæ wykonania dok³adnego sonda¿u, pokrywaj¹cego
dno akwenu w sposób ci¹g³y i charakteryzuj¹cego siê wysok¹ gêstoœci¹ punktów pomiarowych. Otrzymane w ten sposób dane umo¿liwiaj¹ zbudowanie dok³adnego numerycznego
modelu dna morskiego, który jest wyjœciowym produktem do wyznaczenia izobat wykorzystywanych w mapach nawigacyjnych, czy przetwarzania danych w innych produktach zwi¹zanych z wykorzystaniem danych batymetrycznych. W nawigacji morskiej, opracowanie numerycznego modelu dna z pomiarów wysokogêstoœciowych oznacza pozyskanie dok³adniejszej informacji batymetrycznej. Uwidacznia siê to w takich produktach jak mapy batymetryczne, które posiadaj¹ zwiêkszon¹ liczbê izobat generowanych dla mniejszych ró¿nic g³êbokoœci,
czy w nowszych rozwi¹zaniach implementuj¹cych trójwymiarow¹ wizualizacjê dna morskiego (£ubczonek, 2005). Opracowanie standardów dla nowych produktów ujête jest w nowych
przepisach (IHO, 2005), które równie¿ poszerzaj¹ ich stosowalnoœæ w systemach map elektronicznych przeznaczonych dla ¿eglugi œródl¹dowej (InlandECDIS).
Odpowiednie opracowanie numerycznego modelu dna warunkuje pozyskanie dok³adnej
informacji batymetrycznej, wykorzystywanej w etapie koñcowym, m.in. w mapach nawigacyjnych. W pracy skupiono uwagê na zbadaniu metod wykorzystywanych do budowy
numerycznego modelu dna. Powodem podjêcia badañ by³o doœæ znaczne zró¿nicowanie
152
Jacek £ubczonek
struktury zbiorów pomiarowych, zawieraj¹cych dane wyjœciowe do opracowania numerycznego modelu dna, a w etapie koñcowym ustalenie jej wp³ywu na dok³adnoœæ rekonstrukcji modelowanej powierzchni w zale¿noœci od zastosowanego algorytmu interpolacyjnego/aproksymacyjnego. Obszar badañ zawê¿ono do akwenów ograniczonych, w których
wymagana jest najwiêksza dok³adnoœæ okreœlenia g³êbokoœci akwenu. Po przeprowadzeniu
analizy porównawczej wybrano metody, za pomoc¹ których opracowano numeryczny model dna z danych pochodz¹cych z sonda¿u wysokogêstoœciowego.
Struktura zbiorów danych
Obecnie podczas sonda¿u hydrograficznego mog¹ byæ wykorzystane sondy jedno- i wielowi¹zkowe. Sonda¿ z wykorzystaniem sondy jednowi¹zkowej jest zazwyczaj planowany w
równoleg³ych liniach pomiarowych, których odstêpy zale¿¹ od typu akwenu. Dla akwenów
ograniczonych (kana³y, obszary ograniczone czêsto zró¿nicowan¹ geometri¹ nabrze¿y) przyjmuje siê 5–10 metrowe odstêpy profili (mniejsze odstêpy stosowane s¹ podczas wykonywania sonda¿u przy nabrze¿ach). Rozk³ad linii pomiarowych mo¿e siê zmieniæ przyjmuj¹c uk³ad
promienisty, np. na zakolach toru wodnego. Dodatkowo stosowane s¹ pomiary kontrolne,
polegaj¹ce na wykonaniu kilku pomiarów na liniach prostopad³ych do planowanych profili.
Dla tego typu pomiaru planowane linie pomiarowe wyznaczaj¹ g³ówn¹ strukturê rozk³adu
przestrzennego punktów pomiarowych w p³aszczenie XY, który przybiera formê rozk³adu
regularnego. Zagêszczenie punktów pomiarowych na profilu jest uzale¿nione od czêstoœci
sondowania i prêdkoœci jednostki hydrograficznej. Przyk³ad sonda¿u wykonanego sond¹
jednowi¹zkow¹ Simrad EA400 przy nabrze¿u (Stateczny, 2006) przestawiono na rysunku 1.
W przypadku sondy wielowi¹zkowej jednostka hydrograficzna jest prowadzona po liniach pomiarowych, które powinny zapewniæ czêœciowe pokrycie pasów sonda¿owych
(szerokoœæ pasa wyznaczaj¹ skrajne wi¹zki) i w ten sposób zapewniæ stu procentowe pokrycie pomiarami dna. Tak zarejestrowane dane charakteryzuj¹ siê zró¿nicowanym rozk³a-
Rys 1. Rozk³ad przestrzenny punktów pomiarowych
– sonda¿ wykonany echosond¹ jednowi¹zkow¹
Analiza porównawcza metod modelowania powierzchni w aspekcie opracowania NM dna ...
153
Rys 2. Przyk³adowe rozk³ady przestrzenne punktów pomiarowych w sonda¿u
wykonanym echosond¹ wielowi¹zkow¹
dem przestrzennym, natomiast gêstoœæ danych zale¿y, oprócz czêstoœci sondowania i prêdkoœci jednostki, od iloœci wi¹zek sonduj¹cych (np. sonda Simrad EM 3000 firmy Kongsberg
przy zastosowaniu jednej g³owicy sonaru posiada 127 wi¹zek, a przy zastosowaniu dwóch –
254). Przyk³ad rozk³adu danych przedstawiono na rysunku 2, przy czym na rysunku z lewej
strony posiadaj¹ rozk³ad regularny, natomiast na drugim rysunku rozk³ad przybiera formê
rozproszonego oraz regularnego o wiêkszej koncentracji danych na skutek nak³adania siê
danych, w wyniku powtórzenia sonda¿u lub w czêœci pokrywaj¹cych siê pasów sonda¿owych. Przedstawione rozk³ady s¹ najbardziej charakterystyczne dla analizowanych danych
rzeczywistych, pochodz¹cych z sonda¿u przeprowadzonego sond¹ wielowi¹zkow¹ Simrad
EM 3000 na torze wodnym Szczecin-Œwinoujœcie.
Struktura danych testowych
W pracy przeprowadzono analizê porównawcz¹ metod modelowania powierzchni z wykorzystaniem powierzchni symulowanych (matematycznych). W celu zachowania zbie¿noœci do danych i powierzchni rzeczywistych zastosowano zbli¿on¹ strukturê danych oraz
kszta³ty powierzchni. Z jednej strony stanowi¹ one pewne uproszczenie danych i powierzchni rzeczywistych, z drugiej jednak umo¿liwiaj¹ efektywn¹ ocenê dok³adnoœci odwzorowania
powierzchni dziêki wykorzystaniu powierzchni matematycznych o znanym kszta³cie.
Do badañ wybrano powierzchnie o trzech ró¿nych kszta³tach, które reprezentuj¹ zró¿nicowany poziom nieregularnoœci (rys. 13). Powierzchnia 1 reprezentuje powierzchniê nieregularn¹, która charakteryzuje siê wiêksz¹ krzywizn¹. Stanowi ona zarazem jeden z trudniejszych
przypadków modelowania, wynikaj¹cy z wystêpowania zró¿nicowanych form – uskoki, lokalne wzniesienia lub zag³êbienia. Powierzchnia 2 reprezentuje powierzchniê z nag³ym spadkiem
g³êbokoœci. Wybór takiej powierzchni wynika ze specyfiki kszta³tu dna na torach wodnych,
gdzie nag³y spadek powierzchni najczêœciej zwi¹zany jest z koniecznoœci¹ ich pog³êbiania w
szerokoœci pasa ruchu statków. Podobne formy mog¹ wynikaæ równie¿ z naturalnego ukszta³towania powierzchni, np. cieœniny, w¹skie przejœcia. Powierzchnia 3 reprezentuje ogólnie powierzchniê regularn¹, odpowiedni¹ w wiêkszoœci przypadków dla akwenów otwartych, która
charakteryzuje siê mniejsza krzywizn¹ oraz ³agodnymi zmianami wartoœci g³êbokoœci.
Jacek £ubczonek
154
Powierzchnie wzorcowe zbudowano w wykorzystaniem funkcji matematycznych odpowiednio dla powierzchni wzorcowej 1, 2, i 3:
f T ( x, y ) =
tanh(9 x − 9 y ) + 1
(cos(5.4 y )) 2
+
,
9
6(1 + (3 x − 1) 2 )
x, y ∈ [0.1,1]
(1)
tanh(9 x − 9 y ) + 1
, x, y ∈ [0.1,1]
(2)
9
1.25 + cos(5.4 y )
(3)
, x, y ∈ [0.1,1]
f T ( x, y ) =
6 + 6(3 x − 1) 2
W celu przedstawienia wymiarów powierzchni w jednostkach metrycznych, co umo¿liwia wygenerowanie punktów pomiarowych zachowuj¹cych relacje przestrzenne w p³aszczyŸnie XY zgodne z rzeczywistymi pomiarami, przeskalowano wartoœci x,y tak, aby domena powierzchni wzorcowych by³a kwadratem o boku 100 m. Podobnie post¹piono z wartoœci¹ g³êbokoœci fT(x,y), przeskalowuj¹c j¹ do ustalonych wartoœci, opisanych poni¿ej (w
dalszej czêœci pracy s¹ oznaczone jako wartoœci funkcji F(X,Y), gdzie X,Y ∈ [1, 100] ).
Zakres g³êbokoœci powierzchni wzorcowych dobrano odpowiednio do zakresu g³êbokoœci potencjalnie limituj¹cych obszar ¿eglowny ró¿nych typów statków. Obszar taki jest wytyczony izobat¹ bezpieczeñstwa i jest charakterystyczny dla obszarów ograniczonych. Wymiary geometryczne akwenu o bezpiecznej g³êbokoœci bêd¹ zale¿eæ w zasadzie od aktualnego zanurzenia statku, które z kolei zale¿y od typu statku. Zakres g³êbokoœci akwenów wzorcowych dobrano zgodnie z przedzia³em zanurzeñ odpowiednich dla statków wymiarowo
najwiêkszych i najmniejszych. Wed³ug wykazu typowych rozmiarów statków (PIANC, 1997)
najwiêksze zanurzenia maj¹ tankowce typu ULCC (wypornoœæ od 590 000 do 420 000 t) i
zawieraj¹ siê w przedziale od 22 do 24 m. Mniejsze zanurzenia maj¹ statki pozosta³ych typów, o wypornoœci œrednio od 4000 do 40 000 t, i s¹ to wartoœci z przedzia³u od 5 do 10 m.
W zwi¹zku z tym okreœlono, uwzglêdniaj¹c równie¿ ogólny zapas wody pod stêpk¹, ¿e
g³êbokoœæ dla powierzchni wzorcowych dochodzi do 30 m. Zmiany kszta³tu dna, odpowiednio do wymienionych zanurzeñ, zawieraj¹ siê w przedziale od 5 do 30 m. Wyj¹tek stanowi
powierzchnia 2, reprezentuj¹ca pog³êbione drogi wodne, dla której krzywizna zmienia siê w
mniejszym zakresie – od 5 do 15 m.
W badaniach zastosowano szeœæ typów rozk³adów przestrzennych, które zestawiono w
tabeli. Pierwszy rozk³ad (zbiór A) odpowiada pomiarom wykonywanym echosond¹ jednowi¹zkow¹, a nastêpny (zbiór B) rozk³adem rozproszonym (dane takie mog¹ byæ pozyskane
np. na drodze digitalizacji sonda¿y z map nawigacyjnych). Rozk³ady zbiorów danych C, D i
E s¹ rozk³adami odpowiednimi dla sondy wielowi¹zkowej z wydzieleniem struktury regularnej, rozproszonej i odpowiedniej dla danych na³o¿onych na siebie. Gêstoœæ danych symulowanych jest zbli¿ona do rzeczywistej gêstoœci danych pomiarowych. Dla pomiarów wykonywanych sond¹ jednowi¹zkow¹ ustalono dwie gêstoœci – g1 = 0,002, g2 = 0,04, natomiast
dla danych wysokogêstoœciowych g3 = 10, g = 15, g5 = 20 (œrednie gêstoœci ustalone na
podstawie danych z sonda¿u toru wodnego Szczecin - Œwinoujœcie). Rozk³ady by³y generowane osobno dla ka¿dego zbioru danych wykorzystywanych w badaniach, z zachowaniem
warunku, ¿e dane w zbiorze nie duplikuj¹ siê.
Rozk³ady przestrzenne zbiorów danych symulowanych przedstawiono na rysunkach 3,
4 i 5.
f T ( x, y ) =
Analiza porównawcza metod modelowania powierzchni w aspekcie opracowania NM dna ...
155
Tabe la. Charakte rys tyka danych s ymulowanych
Oznaczenie
zbioru
danych
Symulacja danych
Rozk³ad
Gêstoœæ (liczba punktów przypadaj¹ca
na m2 domeny powierzchni)
A
sonda jednowi¹zkowa
regularny
g1=0,002
g2=0,04
–
–
–
B
inny
rozproszony
g1=0,002
g2=0,04
–
–
–
C
sonda wielowi¹zkowa
regularny
–
–
g3=10
g4=15
g5=20
D
sonda wielowi¹zkowa
liniowy (dane
na³o¿one)
–
–
–
–
g5=20
E
sonda wielowi¹zkowa
rozproszony
–
–
g3=10
g4=15
g5=20
Rys. 3. Rozk³ad przestrzenny punktów pomiarowych dla zbiorów danych A i B
Rys 4. Rozk³ad przestrzenny punktów pomiarowych dla zbiorów danych C i D
Rys 5. Rozk³ad przestrzenny punktów pomiarowych dla zbiorów danych E
Dodatkowo dane zosta³y obarczone b³êdem pomiaru. Podstaw¹ do ustalenia wartoœci
b³êdu by³y dane producenta echosond Simrad modeli EA 400 i EM 3000 oraz wymagania
dotycz¹ce dok³adnoœci pomiarów wg rezolucji IHO S-44 (IHO, 1998). W przypadku pierwszego modelu producent podaje dok³adnoœæ od 1 do 5 cm, natomiast w przypadku drugiego
jest to wartoœæ wyra¿ona b³êdem RMS = 5 cm. Z kolei wg rezolucji, dla akwenów z minimalnym zapasem wody pod stêpk¹ (w³aœciwych dla akwenów ograniczonych), granica b³ê-
156
Jacek £ubczonek
du g³êbokoœci jest obliczana za pomoc¹ wzoru i nie mo¿e byæ wiêksza od 0,25 m. W
zwi¹zku z tym, aby ograniczyæ liczbê eksperymentów, w badaniach przyjêto poœrednie wartoœci b³êdów pomiarów, które wynosz¹ odpowiednio: e2 = 5, e3 = 10, e4 = 15, e5 = 20 cm
oraz dodatkowo dane nie obarczone b³êdem (e1 = 0 cm). B³êdy by³y generowane losowo dla
ka¿dego typu powierzchni, rozk³adu przestrzennego i gêstoœci danych. W sumie otrzymano
165 zbiorów danych, z których budowano numeryczny model dna z wykorzystaniem wybranych algorytmów interpolacyjnych.
Metody modelowania powierzchni
Obecnie mo¿na wykorzystaæ wiele algorytmów interpolacyjnych/aproksymacyjnych do
opracowania NMT, w³¹czaj¹c w to metody wykorzystuj¹ce sztuczne sieci neuronowe (£ubczonek, Stateczny, 2003a; £ubczonek, 2004). Do badañ wybrano jednak metody, które s¹ obecnie wykorzystywane przez wiêkszoœæ programów umo¿liwiaj¹cych opracowanie numerycznego modelu terenu. Metody te s¹ znane z charakterystycznych cech, które mo¿na uwzglêdniæ podczas budowy NMT. W zwi¹zku z tym, ¿e s¹ szeroko przedstawione w literaturze
przedmiotu (Franke, 1982; Renka, 1988; Stateczny, 2004), w pracy wymienione s¹ tylko
wartoœci parametrów poszczególnych metod:
m metoda odwrotnych odleg³oœci (ODW) – potêga odleg³oœci = 2, bez parametru wyg³adzania,
m triangulacja (TRI) – algorytm Delanaya,
m kriging (KRI) – model wariogramu teoretycznego,
m metoda naturalnego s¹siada (NAS),
m metody RBF (RBF) – bazowa funkcja multiquadratic, parametr kszta³tu by³ obliczony
wg wzoru R2=Q2/(25*n), gdzie Q oznacza przek¹tn¹ obszaru danych, natomiast n
liczbê punktów,
m zmodyfikowana metoda Sheparda, ustawienie parametrów Quadratic neighbors = 16,
Weighting neighbors = 19, bez parametru wyg³adzania.
Przy ustalaniu opcji metod, oprócz rekomendowanych wartoœci parametrów, wykorzystano wyniki wczeœniejszych badañ zwi¹zanych z ich optymalizacj¹, które przeprowadzili
m.in. J. £ubczonek (2003b) i J. Cynowska (2005).
Obliczenia zosta³y wykonane z wykorzystaniem programu Surfer (wersja 8.05) na platformie WindowsXP. W przypadku dostêpnej opcji przeszukiwania danych ustawiono przeszukiwanie czterosektorowe, natomiast wartoœæ obliczono z 24 najbli¿szych próbek (po 6
próbek na sektor). Wyniki dla pierwszych piêciu metod zestawiono na wykresach. W przypadku zmodyfikowanej metody Sheparda wyst¹pi³y problemy z budow¹ NMT z danych o
rozk³adzie regularnym, co dobrze ilustruje rysunek 14, na którym porównano powierzchnie
modelowane z danych o ro¿nym rozk³adzie o tej samej gêstoœci (g2). Trudno jest jednoznacznie stwierdziæ, czy jest to wina metody czy implementacji algorytmu w programie
Surfer. Podobne problemy zasygnalizowano we wczeœniejszych pracach (Franke, Nielson,
1992), gdzie zwracano uwagê na pewne rozbie¿noœci wyników zwi¹zanych z sam¹ implementacj¹ kodu ró¿nych algorytmów. Niemniej jednak nale¿y stwierdziæ, ¿e ta metoda wymaga dalszych badañ, na podstawie których mo¿na bêdzie jednoznacznie okreœliæ stabilnoœæ
metody podczas budowy NMT z ró¿nych typów danych.
Analiza porównawcza metod modelowania powierzchni w aspekcie opracowania NM dna ...
157
Wyniki i podsumowanie badañ
Do oceny dok³adnoœci odwzorowania powierzchni wzorcowych zastosowano, przyjêty
w literaturze przedmiotu, pierwiastkowany b³¹d œredniokwadratowy (RMS). W zwi¹zku z
tym, ¿e stosuj¹c ró¿ne metody mo¿na oczekiwaæ pewnych charakterystycznych, czêsto
lokalnych zniekszta³ceñ, dodatkowo oceniano wizualnie kszta³ty powierzchni. B³¹d RMS by³
obliczony wg wzoru:
gdzie: f(X,Y) oznacza funkcjê reprezentuj¹c¹ algorytm interpolacyjny/aproksymacyjny;
F(X,Y) funkcjê reprezentuj¹c¹ powierzchniê symulowan¹ (wzorcow¹); N liczbê wêz³ów
interpolacji w obszarze domeny powierzchni (10 000 – przy rozdzielczoœci siatki 1 m i
obszarze badañ 100 × 100 m); xi,yi oznaczaj¹ wspó³rzêdne wêz³ów siatki.
Wyniki badañ, zestawione dla ka¿dej metody z pominiêciem zmodyfikowanej metody
Sheparda, przedstawiono na rysunkach 8–12 (na wykresach zastosowano skalê logarytmiczn¹).
Analizuj¹c otrzymane wyniki mo¿na zauwa¿yæ, ¿e w przypadku danych wysokogêstoœciowych (gêstoœæ g3, g4, g5) wzrost b³êdu RMS jest proporcjonalny do zwiêkszaj¹cego siê
b³êdu pomiarów. Wyj¹tek stanowi metoda triangulacji, która nie zachowuje tych zale¿noœci
w przypadku danych rozproszonych (wykres RMS3 ma tendencje do zmian skokowych).
Rys. 6. Wartoœci b³êdów RMS dla metody odwrotnej odleg³oœci
158
Jacek £ubczonek
Rys. 7. Wartoœci b³êdów RMS dla krigingu
Rys. 8. Wartoœci b³êdów RMS dla metody naturalnego s¹siada
Analiza porównawcza metod modelowania powierzchni w aspekcie opracowania NM dna ...
Rys. 9. Wartoœci b³êdów RMS dla metody RBF
Rys 10. Wartoœci b³êdów RMS dla triangulacji
159
160
Jacek £ubczonek
Metody ró¿nie radz¹ sobie z rozk³adem danych. Regu³¹ jest to, ¿e b³¹d odwzorowania NMT
z danych regularnych jest zauwa¿alnie mniejszy ni¿ analogiczny b³¹d otrzymany z danych
rozproszonych, chocia¿ znów wyj¹tek stanowi metoda triangulacji, gdzie ró¿nice te s¹ doœæ
zmienne. B³¹d RMS2 (dane na³o¿one) jest wiêkszy od analogicznych b³êdów RMS1 i RMS3
tylko dla metody RBF (rys. 9), natomiast jego wartoœæ jest zbli¿ona do b³êdu RMS3 (dane
rozproszone) w przypadku krigingu (rys. 7). Dla metody odwrotnej odleg³oœci i triangulacji
wykres b³êdu RMS2 jest bardzo zbli¿ony do wykresu b³êdu RMS1, natomiast dla metody
naturalnego s¹siada ma on wartoœci poœrednie, pomiêdzy b³êdem RMS1 a RMS3. Analizuj¹c
wszystkie wykresy b³êdów RMS mo¿na stwierdziæ, ¿e dla danych wysokogêstoœciowych
ich wartoœci s¹ zbli¿one dla wszystkich typów powierzchni.
W przypadku danych o gêstoœci g1 i g2 rozk³ad b³êdów jest bardziej zró¿nicowany. W
przypadku danych o rozk³adzie regularnym mo¿na zaobserwowaæ jego sta³y wzrost wraz ze
zwiêkszaj¹cymi siê b³êdami pomiarów (ei). Dla danych rozproszonych wykres RMS nie
zachowuje takiej regu³y – generalnie ma tendencjê wzrostow¹, jednak momentami mo¿e siê
zmniejszaæ (dotyczy wszystkich metod). Generalnie b³êdy dla danych rozproszonych s¹
wiêksze ni¿ analogiczne b³êdy dla danych regularnych. Analizuj¹c wszystkie wykresy b³êdów RMS mo¿na stwierdziæ, ¿e dla danych o gêstoœci g1 i g2 ich wartoœci s¹ najwiêksze dla
powierzchni 1, natomiast podobne dla powierzchni 2 i 3 (w przypadku triangulacji dla powierzchni 3 b³êdy RMS1 s¹ widocznie mniejsze od pozosta³ych).
Aby porównaæ wszystkie metody, zestawiono wartoœci œrednich b³êdów RMS i maksymalnych (Emax) z wszystkich eksperymentów, dla danych wysokogêstoœciowych i o gêstoœci g1 i g2 na wykresie (rys. 11).
Rys. 11. Wartoœci œrednich b³êdów RMS i maksymalnych (Emax) dla wszystkich metod
Analiza porównawcza metod modelowania powierzchni w aspekcie opracowania NM dna ...
161
Z zestawienia tego wynika, ¿e najmniejsze b³êdy dla danych wysokogêstosciowych posiadaj¹ trzy metody: metoda odwrotnych odleg³oœci, kriging i metoda naturalnego s¹siada.
Pierwsza metoda charakteryzuje siê najmniejszymi b³êdami RMS, ale posiada najwiêksze
b³êdy maksymalne. Najmniejsze b³êdy maksymalne osi¹ga z kolei metoda naturalnego s¹siada
(nale¿y tu jednak pamiêtaæ, ze metoda ta nie posiada w³aœciwoœci ekstrapoluj¹cych w przeciwieñstwie do dwóch pozosta³ych metod). Przyk³ady powierzchni testowych zrekonstruowanych tymi metodami przedstawia rysunek 15. Zauwa¿aln¹ cech¹ jest wzrost nieznacznego „pomarszczenia” powierzchni wraz ze wzrostem b³êdu e. Inaczej jest w przypadku
danych o gêstoœci g1 i g2 . W tym przypadku najlepsze rezultaty otrzymano dla metody RBF
oraz krigingu, nieco gorsze wyniki dla metody naturalnego s¹siada. Najwiêksze b³êdy odnotowano dla metody odwrotnej odleg³oœci. Przyk³ady powierzchni testowych zrekonstruowanych tymi metodami przedstawia rysunek 16. Dla krigingu i metod RBF modele powierzchni
wizualnie s¹ bardzo zbli¿one do powierzchni symulowanych, natomiast w przypadku metody odwrotnych odleg³oœci czy triangulacji widoczne s¹ znaczne zniekszta³cenia.
Ostatni wykres (rys. 12) ilustruje zale¿noœæ b³êdu œredniego RMS od rozk³adu przestrzennego danych. Jak widaæ, dane o rozk³adzie rozproszonym daj¹ gorsze wyniki ni¿ w przypadku danych o rozk³adzie regularnym. Dla danych wysokogêstoœciowych nieco gorsze wyniki
otrzymano dla danych na³o¿onych. Wykres wskazuje równie¿, ¿e budowa NMT z danych
wysokogêstoœciowych daje nieporównywalnie lepsze wyniki ni¿ w przypadku danych odpowiednich dla sondy jednowi¹zkowej.
Na podstawie otrzymanych wyników opracowano numeryczny model dna z pomiarów rzeczywistych, przeprowadzonych na torze wodnym Szczecin – Œwinoujœcie. Do budowy NMT
wybrano dwie metody – metodê odwrotnych odleg³oœci i kriging. Zbiór zawiera³ 3 913 949
danych, do budowy modelu zastosowano regularn¹ siatkê o rozdzielczoœci 1 m; ustawienia
metod by³y takie same jak w przypadku badañ z wykorzystaniem powierzchni symulowanych. Widok powierzchni dna znajduje siê na rysunku 17.
Rys. 12. Wp³yw typu rozk³adu przestrzennego danych na wielkoœæ b³êdu RMS
162
Jacek £ubczonek
Wnioski
Na podstawie przeprowadzonych badañ mo¿na stwierdziæ, ¿e wybór odpowiedniej metody do opracowania NMT jest doœæ z³o¿ony. W przypadku numerycznego modelu dna
podstawowym kryterium wyboru jest minimalizacja b³êdu aproksymacji modelu, co umo¿liwi pozyskanie dok³adniejszej informacji batymetrycznej wykorzystywanej w ró¿nych produktach powi¹zanych z hydrografi¹ czy nawigacj¹. Wyniki badañ wskazuj¹, ¿e wybór metody zale¿y w du¿ej mierze od gêstoœci danych. Doskona³ym przyk³adem mo¿e byæ metoda
odwrotnej odleg³oœci, która przynios³a najgorsze wyniki dla danych o gêstoœci g1 i g2, natomiast dla danych o du¿ej gêstoœci okaza³a siê jedn¹ z lepszych metod. Przeciwstawieniem z
kolei mo¿e byæ metoda RBF, za pomoc¹ której otrzymano najlepsze wyniki modeluj¹c powierzchniê z danych o gêstoœci g < 1, natomiast niezbyt dobrze radzi³a sobie z danymi
wysokogêstoœciowymi, które nak³ada³y siê na siebie. Kszta³t powierzchni ma wiêkszy wp³yw
na dok³adnoœæ odwzorowania powierzchni w przypadku danych o mniejszej gêstoœci, natomiast dla pomiarów wysokogêstoœciowych jej wp³yw jest ju¿ znikomy.
Na podstawie przeprowadzonych badañ mo¿na stwierdziæ, ¿e pewn¹ uniwersalnoœci¹
charakteryzuje siê kriging, który dobrze radzi sobie z budow¹ NMT z danych o zró¿nicowanym rozk³adzie i gêstoœci. Do budowy NMT z danych wysokogêstoœciowych mo¿na wykorzystaæ tak¿e metodê odwrotnej odleg³oœci, która przynosi równie dobre wyniki, bêd¹c przy
tym metod¹ szybkoobliczeniow¹ (posiada prosty wzór matematyczny) oraz metodê naturalnego s¹siada. W przypadku danych o mniejszej gêstoœci (g1 i g2) za najbardziej efektywne
metody mo¿na uwa¿aæ metodê RBF z funkcj¹ bazow¹ multiquadratic oraz kriging.
Literatura
Cynowska J., 2005: Opracowanie numerycznego modelu dna w aspekcie przetwarzania i wizualizacji danych
batymetrycznych na cyfrowych mapach nawigacyjnych, praca dyplomowa napisana pod kierunkiem J.
£ubczonka, Akademia Morska, Szczecin.
Franke R., 1982: Scattered Data Interpolation: Test of Some Methods, Mathematics of Computation, Vol. 38,
No 157.
Franke R., and Nielson G., 1992: Scattered Data Interpolation an Application: A Tutorial and Survey, Geometric Modelling, Methods and Application, Hagan and Roller, eds., Springer-Verlag. IHO, 1998: IHO Standards for Hydrographic Surveys, International Hydrographic Organisation (IHO),
Special Publication No 44, 4th Edition.
IHO, 2005: The Next Edition of IHO S-57 (4.0), Version 1.1.
£ubczonek J., Stateczny A., 2003: Concept of Neural Model of the Sea Bottom Surface, Advances in Soft
Computing, Proceedings of the Sixth International, Conference on Neural Network and Soft Computing,
Zakopane, Poland, June, 11-15, 2002, Rutkowski, Kacprzyk, Eds., Physica-Verlag, Berlin 2003.
£ubczonek J., 2003: Matematyczne modelowanie kszta³tu dna morskiego dla potrzeb trójwymiarowej morskiej mapy numerycznej, rozprawa doktorska, Akademia Morska w Szczecinie.
£ubczonek J., 2004: Lecture notes in artifical intelligence, 7th International Conference on Neural Networks
and Soft Computing, Zakopane, Hybrid Neural Model of the Sea Bottom Surface, Artifical Intelligence and
Soft Computing, Springer-Verlag Berlin 2004, Volume 3070/2004, str. 1154-1160.
£ubczonek J., 2005: Morska mapa elektroniczna z trójwymiarowym zobrazowaniem informacji nawigacyjnej, Roczniki Geomatyki, tom III, z. 2, III Ogólnopolskie Sympozjum Geoinformacyjne, Warszawa.
PIANC, 1997: Approach Channels a Guide for Design, Final report of the joint Working Group PIANC and
IAPH, Supplement to B`ulletin no 95.
Renka R.J., 1988: Multivariate Interpolation of Large Sets of Scattered Data, ACM Transactions on Mathematical Software, Vol. 14, No. 2 .
Analiza porównawcza metod modelowania powierzchni w aspekcie opracowania NM dna ...
163
Stateczny A., 2004: Metody nawigacji porównawczej, Rozdzia³ 6: Modele powierzchni terenu (A. Stateczny, J. £ubczonek), praca zbiorowa, Gdañskie Towarzystwo Naukowe, Gdañsk.
Stateczny A., 2006: Dane z pomiarów sond¹ jednowi¹zkow¹ przeprowadzone w porcie Gdynia.
Summary
One of the basic information used in marine navigation is bathymetric information, which allows
determining safe navigation water area. Presently, it is not only used in ship handling but also in
coastal systems of port management or dynamic prediction of under keel clearance systems for precise
assessment the ship draught. The bathymetric information such as soundings, contour lines, depth
areas, is the basic content of paper or electronic charts. In the case of the latter, we can observe a
steady trend to implement three-dimensional presentation of seabed, either on the level of conception
project or in commercial products (charts used in fishing and marine navigation). We should also
remember about new products such as bathymetric charts, which will be a part of marine maps or
charts used in inland shipping (InlandECDIS).
Current development of technology has changed the way of collecting and processing bathymetric
data. By using multibeam echo sounders hydrographs can collect high density data points. This had a
strong influence on development of marine charts and related products. Application of modern remote
sensing allows, on the one hand, for 100 % coverage of the sea bottom by sounding but, on the other
hand, requires proper processing of data points for building a numerical model of sea bottom. This
final phase is very important because it decides on the accuracy of bathymetric information.
Elaboration of numerical models of seabed is complicated, first of all, by large data sets, which can
consist of billions of data points or more. In many programs, which implement code for DTM elaboration we can find general recommendations, which not always make it possible to select proper
modeling methods. Additionally, application the two techniques of data collecting – by using multi and
singlebeam echo sounders poses certain problems. The first one is rather obligatory for most port
areas, while the second is also used for controlling and updating seabed bathymetry. While elaborating
DTM of seabed we can have low density data sets with regular spatial distribution (data registered by
singlebeam echo sounders) or high density data sets with differential spatial distribution (data registered by multibeam echo sounders)
This paper shows comparative analysis of surface modeling methods including many factors having
influence on the final error of model approximation. Apart from including influence of surface shape,
the study also focused on influence of measurement data density and structure, adequate for applied
technique of bathymetric data collecting. During research simulated mathematical surfaces were used,
which enable to asses and determine the error of surface approximation. Numerical terrain models
were built by using triangulation, weighted average methods, kriging, methods based on radial basis
functions and others, applied during geographical surface modeling. The analysis explains the complexity of the process of creating a seabed numerical model with regard to elaborating a model
accurately representing the real surface. The results of the research can be useful during DTM of the
sea bottom creation or in elaborating models from data points with similar density and structure.
dr Jacek £ubczonek
[email protected]
164
Jacek £ubczonek
Rys. 13. Kszta³ty powierzchni testowych
Rys. 14. Modele powierzchni otrzymane z danych regularnych i rozproszonych (gêstoœæ g2)
z wykorzystaniem zmodyfikowanej metody Sheparda
Rys. 15. Kszta³ty powierzchni otrzymane metod¹ krigingu (a), odwrotnej odleg³oœci (b), i naturalnego s¹siada
(c); w przypadku a wykorzystano dane na³o¿one, b – dane regularne, c – dane rozproszone o b³êdzie pomiaru
e3 i gêstoœci g4
Rys. 16. Kszta³ty powierzchni otrzymane metod¹ krigingu (a), odwrotnej odleg³oœci (b), i naturalnego s¹siada
(c); w przypadku a i b wykorzystano dane rozproszone, gêstoœæ g1, b³¹d e3, c – dane regularne o b³êdzie
pomiaru ee i gêstoœci g2
Analiza porównawcza metod modelowania powierzchni w aspekcie opracowania NM dna ...
165
Rys. 17. Opracowany numeryczny model dna z danych rzeczywistych metod¹ odwrotnych odleg³oœci (a)
i krgingu (b)
POLSKIE wTOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
Metody przyrostowe
przetwarzaniu danych
batymetrycznych
– kryteria oceny
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
165
METODY PRZYROSTOWE W PRZETWARZANIU
DANYCH BATYMETRYCZNYCH –
KRYTERIA OCENY DOK£ADNOŒCI DOPASOWANIA
PRZEBIEGU APROKSYMUJ¥CEGO
DO SYGNA£U WEJŒCIOWEGO
INCREMENTAL METHODS IN THE BATHYMETRIC
DATA PROCESSING – ACCURACY CRITERIA
FOR THE APPROXIMATION OF INPUT SIGNAL
Janusz Ogrodniczak
Akademia Marynarki Wojennej
S³owa kluczowe: przetwarzanie danych batymetrycznych, modulacja delta
Keywords: bathymetric data processing, delta modulation
Wprowadzenie
Batymetria to nauka o mierzeniu g³êbokoœci wody w celu okreœlenia topografii dna (Bowdith, 1995). Niezale¿nie od stosowanych metod, pomiary batymetryczne s¹ wykonywane w
celu okreœlania g³êbokoœci morza w punkcie o znanych wspó³rzêdnych. Jednak ze wzglêdu
na technologiê ich realizacji, z jednostki p³ywaj¹cej, s¹ one najczêœciej wykonywane jako
serie pomiarów u³o¿one wzd³u¿ profilu pomiarowego1. A w przypadku echosond wielowi¹zkowych s¹ to serie jednoczesnych pomiarów dla poszczególnych wi¹zek – pomiary realizowane w chwili ti roz³o¿one s¹ wzd³u¿ linii prostopad³ej do profilu pomiarowego. Jeszcze do
niedawna batymetria boryka³a siê z problemem zbyt ma³ej liczby danych pomiarowych. Powstawa³y coraz to bardziej z³o¿one algorytmy interpolacyjne, maj¹ce za zadanie uzupe³nienie
informacji o ukszta³towaniu dna morskiego pomiêdzy doœæ rzadko rozmieszczonymi punktami
pomiarowymi. Obecnie, w zwi¹zku z rozwojem zarówno urz¹dzeñ s³u¿¹cych do pomiaru
g³êbokoœci (echosond jedno- i wielowi¹zkowych), jak i systemów pozycjonowania, mo¿liwe
jest uzyskanie du¿ej iloœci wiarygodnych i dok³adnych danych pomiarowych, a problemem
staje siê nadmiar danych. Wartoœci g³êbokoœci pochodz¹ce z punktów pomiarowych, które
le¿¹ w niewielkich odleg³oœciach od siebie nawzajem, przestaj¹ byæ od siebie niezale¿ne. Nale¿y, wiêc zastanawiaæ siê nad sposobami redukcji liczby skorelowanych wartoœci pomiarów.
1 Pod
pojêciem profil pomiarowy rozumie siê zarówno profil sonda¿owy, jak i profil kontrolny.
Janusz Ogrodniczak
166
Rys. 1. Przekrój dna morskiego wzd³u¿ profilu
sonda¿owego
Rys. 2. Ci¹g impulsów próbkuj¹cych
Rys. 3. Wartoœci g³êbokoœci w dyskretnych
momentach czasu
Rys. 4. Zmiany g³êbokoœci wzd³u¿ profilu
sonda¿owego jako sygna³ dyskretny
uzyskiwanych w trakcie pomiarów sonda¿owych jako sygna³
dyskretny (rys. 4).
Przyjêcie za³o¿enia, ¿e wartoœci g³êbokoœci uzyskiwane w
wyniku kolejnych pomiarów
stanowi¹ próbki sygna³u, pozwala na zastosowanie teorii sygna³ów i metod cyfrowego przetwarzania sygna³ów w odniesieniu do danych batymetrycznych.
Wybór metody modulacji delta i
jej modyfikacji sigma-delta do
Bior¹c pod uwagê, i¿ sygna³ to wielkoœæ
fizyczna, najczêœciej elektryczna, ale tak¿e
optyczna lub akustyczna, która niesie w sobie informacjê – a przesy³anie i przetwarzanie sygna³ów umo¿liwia obieg informacji w
systemie informacyjnym (Wojnar, 1980),
mo¿na zauwa¿yæ, ¿e pomiary batymetryczne nios¹ informacjê o ukszta³towaniu terenu.
Zgodnie z definicj¹ sygna³, to ró¿nowartoœciowa funkcja czasu (Haykin, 2000). Dla
sygna³u analogowego zarówno czas, jak i amplituda sygna³u przybieraj¹ wartoœci ci¹g³e ze
zbioru o mocy kontinuum. W przypadku sygna³u cyfrowego zarówno czas, jak i amplituda sygna³u przyjmuj¹ wartoœci dyskretne.
Zmiennoœæ dna morskiego wzd³u¿ profilu sonda¿owego mo¿na traktowaæ jako sygna³ analogowy (rys. 1), kolejne impulsy sonduj¹ce
stanowi¹ odpowiednik impulsów próbkuj¹cych (rys. 2), wyznaczaj¹ one dyskretne momenty czasu, w których dokonywane s¹ pomiary g³êbokoœci dna morskiego (rys. 3).
W trakcie pomiaru, poza dyskretyzacj¹
w dziedzinie czasu, nastêpuje przypisanie
dyskretnych wartoœci mierzonej wielkoœci,
w naszym przypadku g³êbokoœci. Liczba i
wartoœci poziomów kwantowania zale¿¹ od
rozdzielczoœci urz¹dzenia pomiarowego. Stosowane obecnie echosondy oferuj¹ rozdzielczoœci rzêdu pojedynczych centymetrów
(Konsberg Simrad, Reson).
W zwi¹zku z powy¿szym mo¿na rozpatrywaæ ci¹g kolejnych wartoœci g³êbokoœci
Rys. 5. Schemat blokowy uk³adu z modulacj¹ delta,
czêœæ nadawcza (Wojnar, 1980)
Metody przyrostowe w przetwarzaniu danych batymetrycznych – kryteria oceny
167
dalszych badañ wynika z silnej korelacji pomiêdzy kolejnymi wartoœciami uzyskiwanymi w
wyniku pomiarów przy zastosowaniu wspó³czesnych, coraz czêœciej stosowanych wysokogêstoœciowych technik pomiarowych (rys. 5).
Na wejœcie k³adu kwantyzatora podawany jest sygna³ bêd¹cy ró¿nic¹ sygna³u wejœciowego i jego aproksymacji wyliczonej przez uk³ad integratora na podstawie poprzedniej wartoœci sygna³u wyjœciowego:
(1)
eq (i ⋅ t s ) = x(i ⋅ t s ) − xq ((i − 1)⋅ t s )
Wartoœæ przebiegu aproksymuj¹cego mo¿na wyznaczyæ korzystaj¹c z nastêpuj¹cego
wzoru:
i⋅ts
xq (i ⋅ t s ) = q ⋅ ∫ yq (t )dt
(2)
0
bior¹c pod uwagê, ¿e sygna³ y(t) jest przebiegiem prostok¹tnym operacjê ca³kowania mo¿na
zast¹piæ operacj¹ sumowania (Haykin, 2000):
i
xq (i ⋅ t s ) = q ⋅ ∑ y q ( j ⋅ t s )
(3)
j =0
Wartoœæ sygna³u wyjœciowego wynika z zale¿noœci:
1
dla

dla
∀ y(i ⋅ t ) = 0
0≤i <n
s
eq (i ⋅ t s ) ≥ 0
(4)
eq (i ⋅ t s ) < 0
Kryteria oceny dok³adnoœci dopasowania
przebiegu aproksymuj¹cego do sygna³u wejœciowego
Do okreœlenia, jak dok³adne jest dopasowanie przebiegu aproksymuj¹cego do kszta³tu dna
morskiego wzd³u¿ profilu pomiarowego mo¿e s³u¿yæ jedno z nastêpuj¹cych kryteriów:
m
ró¿nica wartoœci chwilowych eq = h (t ) − hq (t )
m
ró¿nica nachyleñ krzywych
m
odleg³oœci krzywych
(5)
eq = α (t ) − α q (t )
eq =
its
(6)
its
∫ (h(t ) − h (t ))dt = ( ∫)h(t )dt − ( ∫)h (t )dt
( )
it
q
i −1 ts
q
i −1 ts
(7)
i −1 ts
gdzie:
α(t) – k¹t nachylenia stycznej do krzywej przekroju pionowego dna w chwili pomiaru.
Pierwsze kryterium funkcjonuje w oparciu o porównywanie wartoœci g³êbokoœci uzyskanej z pomiaru, z odpowiadaj¹c¹ jej wartoœci¹ przebiegu aproksymuj¹cego. Kryterium to
jest powszechnie wykorzystywane w uk³adach elektronicznych dzia³aj¹cych w oparciu o
metodê modulacji delta i sigma-delta (Marven, Ewers, 1999; Wojnar, 1980) (rys. 6).
Janusz Ogrodniczak
168
W drugim kryterium porównywane s¹ nie wartoœci g³êbokoœci, lecz wartoœæ k¹ta nachylenia stycznej do krzywej (reprezentuj¹cej kszta³t dna wzd³u¿ profilu pomiarowego) w punkcie odpowiadaj¹cym pomiarowi i k¹cie nachylenia przebiegu aproksymuj¹cego (rys. 7).
Trzecie z kryteriów, zaproponowane przez autora w tym zastosowaniu, pozwala na ocenê stopnia dopasowania krzywych nie tylko w punktach pomiarowych, ale równie¿ pomiêdzy nimi. W tym przypadku porównywaniu podlegaj¹ pole powierzchni pomiêdzy osi¹ poziom¹, reprezentuj¹c¹ zerow¹ wartoœæ g³êbokoœci a krzyw¹ kszta³tu dna morskiego wzd³u¿
profilu sonda¿owego, ograniczone prostymi prostopad³ymi do osi poziomej, przecinaj¹cymi
tê oœ w s¹siednich punktach pomiarowych (rys. 8).
Kryteria drugie i trzecie s¹ stosowane w ocenie numerycznych modeli rzeŸby terenu
(Menno-Jan, 1998), nie spotka³em natomiast w literaturze z zakresu elektroniki, by by³y
wykorzystywane w systemach z modulacj¹ delta.
Ró¿nica porównywanych wartoœci, eq, podlega nastêpnie kwantowaniu w bloku kwantyzatora. Poni¿ej przedstawiony zostanie wp³yw ka¿dego z trzech kryteriów na wygl¹d przebiegu aproksymuj¹cego na przyk³adzie metody kwantowania równomiernego.
Kryterium ró¿nicy wartoœci chwilowych
Dla kryterium opartego o ró¿nicê wartoœci chwilowych (ró¿nicê pomiêdzy g³êbokoœci¹
w punkcie pomiarowym, a wartoœci¹ aproksymowan¹), wartoœci przebiegu aproksymuj¹cego, w kolejnych krokach i, otrzymywane s¹ wed³ug nastêpuj¹cej zale¿noœci:
hq ((i − 1)⋅ ts ) + q,
dla

dla
∀ h (i ⋅ t ) = h ((i − 1)⋅ t ) − q,
1≤i ≤n
q
s
q
s
hq ((i − 1)⋅ ts ) ≤ h (i ⋅ t s )
hq ((i − 1)⋅ ts ) > h (i ⋅ t s )
a wartoœæ pocz¹tkowa przebiegu aproksymuj¹cego, dla i=0, wynosi:
hq (0) = h (0)
lub
 h (0) 1 
+  ⋅ q
hq (0) = ent 
2
 q
(8)
(9)
(10)
Przebieg aproksymuj¹cy, dla którego hq(0) wyznaczono zgodnie z wzorem 9 rozpoczyna
siê od wartoœci g³êbokoœci uzyskanej z pomiaru. W odró¿nieniu od niego, przebieg aproksymuj¹cy, dla którego hq(0) okreœlono wzorem 10, który rozpoczyna siê od wartoœci g³êbokoœci, bêd¹cej wielokrotnoœci¹ wartoœci kwantu, najbli¿szej oryginalnej wartoœci g³êbokoœci
przebiegu dna morskiego. Pierwszy sposób wyznaczenia wartoœci pocz¹tkowej jest prostszy i bardziej intuicyjny, ale wartoœci, jakie mog¹ przybieraæ g³êbokoœci skwantowane zale¿¹
nie tylko od wartoœci kwantu, ale i od wartoœci pierwszego pomiaru. Równie¿ to, czy przebieg aproksymuj¹cy mo¿e osi¹gn¹æ dok³adn¹ wartoœæ 0 zale¿y od wartoœci pierwszego pomiaru – jest to mo¿liwe tylko w przypadku, gdy wartoœci obliczone na podstawie wzoru 9 i
10 s¹ identyczne. Stosowanie wzoru 10 jest problematyczne dla metod kwantowania innych
ni¿ kwantowanie równomierne.
Rysunek 9 przedstawia dzia³anie uk³adu aproksymuj¹cego dla kryterium ró¿nicy wartoœci
chwilowych.
Metody przyrostowe w przetwarzaniu danych batymetrycznych – kryteria oceny
169
Kryterium ró¿nicy nachyleñ krzywych
W tym przypadku kwantowaniu podlega ró¿nica nachyleñ gradientu dna morskiego wzd³u¿
profilu pomiarowego i aproksymacji schodkowej, a wartoœci przebiegu aproksymuj¹cego w
kolejnych krokach i okreœlone s¹ zale¿noœci¹:
hq ((i − 1)⋅ t s ) + q,
(
)
⋅
=
h
i
t

q
s
∀
1≤i ≤n
hq ((i − 1)⋅ t s ) − q,
dla
dla
α q ((i − 1)⋅ ts ) ≤ α (i ⋅ ts )
α q ((i − 1)⋅ ts ) > α (i ⋅ ts )
(11)
a wartoœæ pocz¹tkowa, hq(0) wyznaczana jest, jak w poprzednim podpunkcie (rys. 10).
Kryterium odleg³oœci krzywych (ca³kowe)
W przypadku tego kryterium (rys. 11) wielkoœci¹ podawan¹ na wejœcie uk³adu kwantyzatora jest wartoœæ pola powierzchni, w przedziale czasu od (i –1) · ts do i · ts, pomiêdzy
przekrojem dna morskiego wzd³u¿ profilu pomiarowego a krzyw¹ aproksymacji schodkowej. Wartoœci przebiegu aproksymuj¹cego w kolejnych krokach i okreœlone s¹ zale¿noœci¹:

hq ((i − 1)⋅ ts ) + q,

hq (i ⋅ t s ) = 
∀
1≤i ≤n
h ((i − 1)⋅ t ) − q,
s
 q

i⋅ts
dla
∫ (h(t ) − h (t ))dt ≥ 0
(i −1)⋅ts
q
i⋅ts
dla
(12)
∫ (h(t ) − h (t ))dt < 0
(i −1)⋅ts
q
Podsumowanie
Po wstêpnej analizie przedstawionych kryteriów oceny dok³adnoœci dopasowania aproksymacji schodkowej do przebiegu wejœciowego kontynuowano badania stosuj¹c kryterium
ró¿nicy wartoœci chwilowych oraz kryterium odleg³oœci krzywych. Kryterium ró¿nicy nachyleñ zbocz odrzucono poniewa¿ mog³o prowadziæ do du¿ych b³êdów odtwarzania wartoœci g³êbokoœci, co widaæ wyraŸnie na rysunku 10. B³êdy te wyst¹pi¹ w przypadku b³êdu
nienad¹¿ania – zbyt ma³ej szybkoœci narastania aproksymacji schodkowej w stosunku do
przebiegu wejœciowego. Po zmniejszeniu siê szybkoœci zmian sygna³u wejœciowego aproksymacja schodkowa zaczyna równie¿ zmieniaæ siê wolniej i nie próbuje osi¹gn¹æ poziomu
przebiegu wejœciowego.
Rysunki 9 i 11, odpowiednio dla kryterium ró¿nicy wartoœci chwilowych i odleg³oœci
krzywych, ró¿ni¹ siê od siebie nieznacznie, co moýe wynikaã bàdê z przypadkowo wybranej
krzywej przykùadowej, bàdê z ksztaùtu przebiegów – oba sà krzywymi schodkowymi przesuniætymi wzglædem siebie o 1/2 okresu próbkowania. Dok³adniejsze badania pozwol¹ okreœliæ, zastosowanie którego z tych dwóch kryteriów daje lepsze rezultaty.
170
Janusz Ogrodniczak
Literatura
Bowditch N., 1995: The American Practical Navigator. Defense Mapping Agency Hydrographic / Topographic Center, Bethesda, Maryland.
GaŸdzicki J., 2001: Leksykon geomatyczny. PTIP, Warszawa.
Haykin S., 2000: Systemy telekomunikacyjne. WK£, Warszawa.
IHO S-44: Standards for hydrographic surveys – Standardy hydrograficznych prac pomiarowych. IHB,
Monako.
IHO S-57, 2000: Iho transfer standard for digital hydrographic data, ed. 3.1, Part 3 Data Structure – Standard
wymiany cyfrowych danych hydrograficznych, wyd. 3.1, czêœæ 3 Struktura danych. IHB, Monako 2000.
Klonowicz Z., Zurzycki Z., 1983: Teoria obwodów. PWN, Warszawa.
Konsberg Simrad: EM 3000 Product description.
Kozak M., Stateczny A., 2006.: Budowa numerycznego modelu rzeŸby terenu toru wodnego metod¹ opart¹
na przekrojach. Zeszyty naukowe nr 11 (83) Akademii Morskiej w Szczecinie, Szczecin.
Magnuszewski A., 1999: GIS w geografii fizycznej. Wydawnictwo Naukowe PWN, Warszawa.
Maleika W., 2006: Problem efektu stykowego w kompresji danych opisuj¹cych kszta³t powierzchni dna
morskiego. Zeszyty naukowe nr 11 (83) Akademii Morskiej w Szczecinie, Szczecin.
Marven C., Ewers G., 1999: Zarys cyfrowego przetwarzania sygna³ów. WK£, Warszawa.
Menno-Jan K., Ferjan O., 1998: Kartografia. Wizualizacja danych przestrzennych. Wydawnictwo Naukowe
PWN, Warszawa.
Ogrodniczak J., 2005: Systemy przetwarzania danych batymetrycznych z wykorzystaniem modulacji sigma-delta. Prace naukowe Politechniki Radomskiej, Elektryka 1 (9) 2005, Wydawnictwo Instytutu Technologii Eksploatacji – PIB, Radom.
Oppenheim A.V., 1982: Sygna³y cyfrowe. WNT, Warszawa.
Reson: SeaBat 7125 Product description.
Reson: SeaBat 8128 Product Specification.
Wojnar A., 1980: Teoria sygna³ów. WNT, Warszawa.
Summary
The possibilities to use delta modulation based incremental methods in the bathymetric data processing are described in this paper. The bathymetric data is a geo-referenced depth data. The depth
measurement is made in fixed time intervals so it could be assumed that it is a kind of a signal.
Contemporary survey systems provide users with huge amount of data. In the paper it is decided to
incorporate the delta modulation into the bathymetric data processing as a method of reducing the
amount of the bathymetric data to be transmitted or stored. The delta modulation is a technique taken
from signal processing. It is usually used to process electric signals so comparison of voltage levels at
the sampling time is the criterion. When considering series of the bathymetric data as a signal, some
of the ideas from terrain modeling were adapted to the delta modulation based system. Hence, additional two criteria are taken: a difference between the slope of approximation and the slope of the sea
bottom shape and the distance between curves represented by the approximation and the sea bottom
shape.
mgr in¿. Janusz Ogrodniczak
[email protected]
Metody przyrostowe w przetwarzaniu danych batymetrycznych – kryteria oceny
Rys. 6. Wyznaczenie wartoœci eq dla kryterium ró¿nicy wartoœci chwilowych
Rys. 7. Wyznaczenie wartoœci eq dla kryterium ró¿nicy nachyleñ krzywych
Rys. 8. Wyznaczenie wartoœci eq dla kryterium
odleg³oœci krzywych
171
172
Janusz Ogrodniczak
Rys. 9. Aproksymacja schodkowa
przebiegu wejœciowego uzyskana
w oparciu
kryterium ró¿nic wartoœci chwilowych
Rys. 10. Aproksymacja schodkowa
przebiegu wejœciowego uzyskana
w oparciu
o kryterium ró¿nic nachyleñ
krzywych
Rys. 11. Aproksymacja schodkowa
przebiegu wejœciowego uzyskana
w oparciu
o kryterium odleg³oœci krzywych
POLSKIE
TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
Tworzenie
NMT za pomoc¹
GPS RTK/OTF
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
171
TWORZENIE NMT ZA POMOC¥ GPS RTK/OTF
PRODUCING DTM BY GPS RTK/OTF
Katarzyna Paj¹k, Adam Cieæko, Stanis³aw Oszczak
Katedra Geodezji Satelitarnej i Nawigacji, Uniwersytet Warmiñsko-Mazurski w Olsztynie
S³owa kluczowe: numeryczny model terenu, GPS, RTK, GPRS
Keywords: Digital Terrain Model, GPS, RTK, GPRS
Wstêp
Istnieje zapotrzebowanie na coraz dok³adniejsze modele przestrzenne powierzchni terenu.
Numeryczny model terenu (NMT) jest niew¹tpliwie elementem kluczowym dla wielu zastosowañ. Jego wykorzystanie oraz nowe techniki prezentacji daj¹ wiele nowych mo¿liwoœci,
np. dla potrzeb zarz¹dzania czy planowania przestrzennego. Jednak jakoœæ uzyskiwanych na
podstawie pomiarów geodezyjnych modeli rzeŸby terenu zale¿y od szeregu elementów. Zarówno technologie pomiaru obiektu, jak i sposób ich opracowania czy rozmieszczenie punktów pomiarowych determinuje jakoœæ uzyskanego numerycznego modelu terenu. Rozmieszczenie punktów pomiarowych lub krok siatki pomiarowej, jak równie¿ stosowane algorytmy
interpolacyjne maj¹ kluczowe znaczenie dla rezultatu koñcowego. Dla jednego obiektu mo¿na uzyskaæ ró¿ne zobrazowania rzeŸby terenu w zale¿noœci od sposobu wykonania samego
pomiaru terenowego, jak i przyjêtych za³o¿eñ dotycz¹cych opracowania.
W artykule przedstawiono technologiê pozyskania danych terenowych przy u¿yciu precyzyjnej metody RTK/OTF (Real Time Kinematic/On The Fly) z wykorzystaniem ³¹cza GPRS
(General Packet Radio Services – pakietow¹ transmisjê danych) do transmisji poprawek.
Precyzyjna metoda RTK (Real Time Kinematic – pomiar w czasie rzeczywistym) pozwala
pozyskaæ w czasie rzeczywistym wspó³rzêdne poziome i wspó³rzêdn¹ wysokoœciow¹ efektywnie, w krótkim czasie, przy ma³ym nak³adzie pracy.
Opis eksperymentu (pomiary bezpoœrednie RTK/OTF)
Eksperyment przeprowadzono 21 wrzeœnia 2005 roku w okolicy wsi Stawiguda pod Olsztynem. Celem pomiarów by³o uzyskanie odpowiednio dok³adnych wspó³rzêdnych, na podstawie których mo¿na bêdzie stworzyæ NMT. Wspó³rzêdne w uk³adzie „2000” wyznaczono
technik¹ GPS RTK/OTF w odstêpach jednosekundowych. Pozycje RTK zosta³y nastêpnie
porównane z pozycjami odniesienia policzonymi jako œrednia arytmetyczna z czterech nieza-
172
Katarzyna Paj¹k, Adam Cieæko, Stanis³aw Oszczak
le¿nych wyznaczeñ OTF w trybie post-processing. Zarejestrowane zosta³y tak¿e dane pozwalaj¹ce na uzyskanie pozycji w trybie DGPS postprocessing, które równie¿ porównano z pozycjami odniesienia. W celu wykonania pomiarów
terenowych wykorzystano stacjê referencyjn¹,
znajduj¹c¹ siê w budynku Wydzia³u Geodezji i
Gospodarki Przestrzennej w Olsztynie. Stacja
referencyjna GPS pod³¹czona jest tunelem IPSEC do wybranego operatora telefonii komórkowej. Dane ze stacji gromadzone s¹ przez ReRys. 1. Zaprojektowane równoleg³e profile
plikator systemu i w kolejnej fazie zostaj¹ adrepomiarowe w programie MikroMapa
sowane do poszczególnych u¿ytkowników
i nawigacja po profilach (linie krzywe)
mobilnych systemu GPRS. Technologia GPRS
opracowana w Katedrze Geodezji Satelitarnej i
Nawigacji Uniwersytetu Warmiñsko-Mazurskiego w Olsztynie z wykorzystaniem terminali
firmy Biatel zapewnia niezawodnoœæ oraz bardzo rozleg³y zasiêg niezbêdny w systemie dystrybucji poprawek (Oszczak, Cieæko, Oszczak, 2004).
W celu wykonania analiz dok³adnoœci niezbêdne by³o ustawienie dodatkowej stacji bazowej pracuj¹cej w trybie post-processing. Stacja znajdowa³a siê na terenie mierzonego obszaru. Pomiary wykonano na profilach w odstêpach co 15 m, które wczeœniej zaprojektowano
w programie MikroMapa, a nastêpnie przekonwertowano do odbiornika ruchomego Thales
Mobile Mapper, dziêki czemu mo¿liwa by³a precyzyjna nawigacja po zaprojektowanych profilach (Cieæko, Oszczak,
Oszczak, 2006).
Do pomiarów wykorzystano pojazd czteroko³owy typu „quad”, znajduj¹cy siê na wyposa¿eniu
Katedry Geodezji Satelitarnej i Nawigacji Uniwersytetu Warmiñsko-Mazurskiego. Na pojeŸdzie
umieszczono niezbêdn¹
aparaturê do pozyskania
danych terenowych. Aparatura pomiarowa sk³ada³a siê z dwóch precyzyjnych geodezyjnych odbiorników firmy Ashtech,
dwóch odbiorników nawigacyjnych Thales Mobile
Mapper z opcj¹ post-processing, anten GPS: geodezyjnej i nawigacyjnej
Rys. 2. Pojazd czteroko³owy z zamocowanymi odbiornikami
oraz terminala GPRS.
geodezyjnymi i nawigacyjnymi
Tworzenie NMT za pomoc¹ GPS RTK/OTF
173
Po przeprowadzeniu pomiarów wykonano szereg obliczeñ i analiz. Podczas pracy metod¹
real-time uzyskano wspó³rzêdne w czasie rzeczywistym. Pozycja dla ka¿dej sekundy wyliczona jako œrednia arytmetyczna z czterech niezale¿nych wyznaczeñ OTF da³a mo¿liwoœæ
przeprowadzenia analiz dok³adnoœci. Korzystaj¹c z obserwacji nadliczbowych policzono b³êdy œrednie dla ka¿dej wspó³rzêdnej X, Y, H stosuj¹c poni¿sze wzory:
mX =
∑ (X
œr
− X i )2
n −1
, mY =
∑ (Y
Œr
− Yi )2
n −1
, mH =
∑ (H
− Hi )
2
Œr
n −1
gdzie:
mX, mY, mH – b³êdy œrednie odpowiednio dla wspó³rzêdnej X, Y i Z,
Xœr, Yœr, HŒr – wartoœci œrednie pomierzonych wspó³rzêdnych,
Xi, Yi, Hi – wartoœci pomierzonych wspó³rzêdnych,
n
– liczba wyznaczeñ punktu.
Przeciêtne b³êdy wspó³rzêdnych X, Y, H dla ca³ego pomiaru wynios³y: mX = 0,096 m, mY
= 0,064 m, mH = 0,198 m. Uzyskane rezultaty na ka¿d¹ sekundê pomiaru prezentuje rysunek
3.
Maj¹c wspó³rzêdne obliczone na ka¿d¹ sekundê pomiaru mo¿liwe by³o okreœlenie dok³adnoœci metody RTK/OTF oraz metody DGPS w trybie post-processing (Oszczak, Cienko,
Oszczak, 2004). Ró¿nice wspó³rzêdnych otrzymanych z wyznaczeñ poszczególnymi metodami GPS przedstawiaj¹ rysunki 4 i 5.
Wartoœci œrednich ró¿nic pomiêdzy wspó³rzêdnymi pozycji odniesienia, a wspó³rzêdnymi
otrzymanymi z pomiarów wynios³y odpowiednio:
m metod¹ RTK: dX = 0,100 m, dY = 0,045 m, dH = 0,038 m
m metod¹ DGPS w trybie post-processing: dX = 0,384 m, dY = 1,323 m, dH = 1,710 m
W czasie 90 minut pomiaru uzyskaliœmy równie¿ czêœæ ma³o przydatnych wyznaczeñ.
Dane zebrane w ci¹gu pierwszych 40 minut pomiaru s¹ bardzo zadowalaj¹ce, œrednie b³êdy
wspó³rzêdnych X, Y, H, na ka¿d¹ sekundê pomiaru prezentuje rysunek 6.
Ró¿nice w pozycji horyzontalnej waha³y siê na poziomie kilku milimetrów, natomiast w
pozycji wertykalnej na poziomie kilkunastu milimetrów. Po 40 minutach pomiaru znacznie
zmala³a jakoœæ uzyskanych pozycji, co by³o spowodowane: mniejsz¹ liczb¹ widocznych
satelitów, zmian¹ w konfiguracji satelitów, a tak¿e z pojawienia siê zas³on horyzontu. Zas³ony
te spowodowane by³y bliskoœci¹ lasu oraz ukszta³towaniem terenu (du¿e deniwelacje) (Cieæko, Oszczak, Oszczak, 2006).
Numeryczny model terenu z pomiarów RTK/OTF
Otrzymane wyniki pos³u¿y³y do wygenerowania NMT (rys. 7) w programie Surfer Software. Na skutek chwilowych spadków dok³adnoœci pozycji czêœæ obserwacji uzupe³niono
danymi pochodz¹cymi z pomiarów w trybie post-processing.
W celu uzyskania przejrzystej i uporz¹dkowanej organizacji przestrzennej przetwarzanych
danych zastosowano siatkê kwadratów GRID. Ze wzglêdu na du¿e deniwelacje, dla zapewnienia odpowiedniej dok³adnoœci modelowania powierzchni terenu, przyjêto oczko siatki o
wymiarze 10 x10 m. Do interpolacji powierzchni u¿yto metody krigingu, stosowanej czêsto
174
Katarzyna Paj¹k, Adam Cieæko, Stanis³aw Oszczak
do ró¿nych typów danych. Metoda krigingu tworzy dobry model dla du¿ej liczby danych i
mo¿na powiedzieæ, ¿e tworzy model GRID dok³adnie i zgodnie z danymi pomiarowymi
(Goœciewski, Bojarowski, 2005).
Podsumowanie
Niniejszy eksperyment mia³ na celu zbadanie przydatnoœci i dok³adnoœci satelitarnych technik
pozycjonowania w warunkach dynamicznych. Z przedstawionych analiz mo¿na wnioskowaæ, i¿ satelitarny system pozycjonowania GPS jest precyzyjny, co pozwala uzyskaæ wysok¹ dok³adnoœæ obrazowania rzeŸby terenu. Pomiary w czasie rzeczywistym metod¹ RTK
mog¹ byæ znakomitym narzêdziem do tworzenia NMT. Z powodzeniem mo¿e byæ stosowana transmisja korekcji za pomoc¹ technologii GPRS.
W omawianym eksperymencie otrzymano wyniki, które pokazuj¹, ¿e pomiar metod¹ GPS
danych terenowych s³u¿¹cych do generowania NMT jest szybki i charakteryzuje siê wysok¹
dok³adnoœci¹. Stwierdzono równie¿, ¿e pojawienia siê zas³on horyzontu drastycznie obni¿a
dok³adnoœæ tego pomiaru. Prowadzi to do wniosku, ¿e proponowan¹ metodê mo¿na u¿ywaæ
z powodzeniem tylko w terenach dostêpnych i niezabudowanych.
Literatura
Cieæko A., Oszczak B., Oszczak S., 2003: Determination of Accuracy and Coverage of Permanent Reference
Station (DGPS/RTK) in Gdynia. 7th Bilateral Geodetic Meeting Italy-Poland, Bressanone, Italy, 22-24
May 2003, Published in Reports on Geodesy, No 2(65): 45-51.II.
Cieæko A, Oszczak B, Oszczak S., 2006: Driver – By DTM. GPS and GSM Power Cost - Effective Terrain
Modelling, GPS World, April 2006, Vol.17, No 4.
Goœciewski D., Bojanowski K., 2005: Technical Sciences, Suplement 2 (2005), Publisher UWM.
Oszczak S., Cieæko A., Oszczak B., 2004: Teletransmisja DGPS/RTK za pomoc¹ GSM/GPRS z wykorzystaniem n-stacji referencyjnych i dedykowanego APN, EGNOS Workshop, Kraków, 23-24 wrzesieñ
2004, CD ROM Proceedings.
Summary
The paper presents technology of obtaining terrain data for the purpose of generating a Digital
Terrain Model (DTM), applying the precise RTK/OTF method and using the GPRS link for transmission of corrections. The DTM coordinates are acquired efficiently in real time.
mgr in¿. Katarzyna Paj¹k
[email protected]
prof. dr hab. in¿. Stanis³aw Oszczak
[email protected]
Tworzenie NMT za pomoc¹ GPS RTK/OTF
Rys. 3. Œrednie b³êdy
wspó³rzêdnych dla
wartoœci odniesienia
Rys. 4. Dok³adnoœci
wyznaczenia
wspó³rzêdnych
metod¹ RTK
(real-time)
Rys. 5. Dok³adnoœci
uzyskane
z poprawkami DGPS
(czas lokalny)
175
176
Katarzyna Paj¹k, Adam Cieæko, Stanis³aw Oszczak
Rys. 6. Œrednie b³êdy
wspó³rzêdnych dla
wartoœci odniesienia
(dla pierwszych 40
minut pomiaru)
Rys. 7. Numeryczny model terenu wygenerowany z pomiarów RTK
POLSKIE
TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
Analiza terenu
dla celów
wojskowych na podstawie
cyfrowych
zobrazowañ ziemi
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
175
ANALIZA TERENU DLA CELÓW WOJSKOWYCH
NA PODSTAWIE CYFROWYCH ZOBRAZOWAÑ
POWIERZCHNI ZIEMI
TERRAIN ANALYSIS FOR MILITARY NEEDS
WITH THE USE OF DIGITAL IMAGERY
Leszek Paszkowski
6. Samodzielny Oddzia³ Geograficzny – JW 1440 Toruñ
S³owa kluczowe: rozpoznanie obrazowe, ocena terenu, systemy eksperckie, zobrazowania
cyfrowe
Keywords: imagery intelligence, terrain evaluation, expert system technology, digital imagery
Wprowadzenie
Teren jest podstawowym elementem w ka¿dym scenariuszu operacyjnym. Wykorzystanie wiedzy o terenie pozwala na uzyskanie przewagi na polu walki. Produkty oceny terenu,
takie jak mapa przejezdnoœci terenu, maj¹ na celu uwypuklenie tych obszarów, które samodzielnie lub w po³¹czeniu z innymi elementami oddzia³uj¹ pozytywnie lub negatywnie na
mo¿liwoœci wykonywania poszczególnych dzia³añ operacyjnych. Wykonuj¹c produkty oceny terenu nale¿y przeanalizowaæ wiele ró¿nych czynników, które maj¹ wp³yw na mobilnoœæ
wykorzystywanych si³ i œrodków, warunki widocznoœci i prowadzenia ognia oraz maskowania i ukrycia. Niemniej wa¿ne jest pozyskanie informacji o uzbrojeniu, wyposa¿eniu czy
ruchach wojsk przeciwnika. Rozpoznanie jego si³ i œrodków determinuje nasz¹ taktykê i
mo¿liwoœci wykorzystania warunków terenowych. Œrodowisko przyrodnicze zmienia siê
nieustannie. Poza zmianami rocznymi zwi¹zanymi z nastêpstwem pór roku, dochodz¹ zmiany zwi¹zane z eksploatacj¹ zasobów oraz intensywnym rozwojem obszarów zurbanizowanych. Dla u¿ytkowników wojskowych szczególne znaczenie ma aktualnoœæ danych, bowiem tylko takie Ÿród³a pozwalaj¹ na modelowanie rzeczywistego pola walki. Korzystaj¹c z
map wojskowych ró¿nego typu musimy siê liczyæ z pewn¹ dezaktualizacj¹ ich treœci. Wykonanie produktu w postaci mapy cyfrowej, a nastêpnie analogowej jest procesem z³o¿onym.
Zwykle dokonuje siê wektoryzacji istniej¹cych map o ró¿nym stopniu aktualnoœci, a nastêpnie aktualizacji treœci tematycznej. Zaktualizowane dane musz¹ zostaæ sprawdzone w terenie.
Nastêpnie mapa przechodzi etapy kartograficzne by wreszcie trafiæ do druku. Ca³y proces
mo¿e trwaæ od kilku miesiêcy do nawet kilku lat, co sprawia, ¿e treœæ powstaj¹cych map
dezaktualizuje siê. Ma to szczególne znaczenie dla map w du¿ych skalach, gdzie iloœæ szcze-
176
Leszek Paszkowski
gó³ów jest bardzo du¿a (np. plany miast), wykorzystywanych przede wszystkim na szczeblu
taktycznym. Aktualnoœæ danych ma tu znaczenie priorytetowe, bowiem od niej mo¿e zale¿eæ
powodzenie ca³ej misji i ¿ycie ¿o³nierzy. Nie ma chyba obecnie lepszej metody uzyskania
aktualnych danych o sytuacji na dowolnym fragmencie powierzchni ziemi jak pozyskanie
cyfrowego zobrazowania czy to z pu³apu satelitarnego czy lotniczego (rys. 1). Dane te s¹
szczególnie cennym Ÿród³em rozpoznania wojskowego. Mo¿na je równie¿ wykorzystaæ jako
materia³y podk³adowe do aktualizacji ró¿nego typu produktów geograficznych, np. map cyfrowych, jest to jednak proces z³o¿ony i przede wszystkim czasoch³onny. Lepszym rozwi¹zaniem wydaje siê, zatem pozyskanie ¿¹danych informacji bezpoœrednio z zobrazowania, a
wiêc takie przetworzenie obrazu cyfrowego, by dokonaæ ekstrakcji danych istotnych ze
wzglêdów wojskowych. Niniejszy artyku³ opisuje kontynuacjê prowadzonych przez autora
badañ dotycz¹cych wykorzystania do tego celu systemów eksperckich.
System ekspercki
Systemy eksperckie wykorzystuj¹ procedury wnioskowania do rozwi¹zywania tych problemów, które s¹ na tyle trudne, ¿e wymagaj¹ znacz¹cej wiedzy specjalistów. Systemy eksperckie s¹ ga³êzi¹ stosowanej sztucznej inteligencji. Podstawowa idea polega na przeniesieniu
zasobów wiedzy eksperta do komputera, który wyposa¿ony jest w specjalne regu³y wnioskowania i jêzyk komunikacji z u¿ytkownikiem. Przetwarzanie obrazów jest dziedzin¹ niezwykle obszern¹ i specjalistyczn¹, a ich interpretacja wymaga ogromnej wiedzy praktycznej,
i technicznej. System ekspercki stara siê naœladowaæ decyzje eksperta – cz³owieka w konkretnej wybranej dziedzinie i mo¿e to robiæ w wielokrotnie powtarzalny i przyjazny dla
u¿ytkownika sposób. Statystyczne procedury przetwarzania obrazów, takie jak np. algorytm
ISODATA czy klasyfikator maksymalnego podobieñstwa dzia³aj¹ bardzo dobrze wykonuj¹c
analizê obrazów piksel po pikselu, identyfikuj¹c np. typy pokrycia terenu na podstawie ich
sygnatury spektralnej. System ekspercki daje du¿o wiêksze mo¿liwoœci przez detekcjê i identyfikacjê obiektów na podstawie analizy zwi¹zków przestrzennych z innymi cechami i ich
kontekstem w obrazie. Proponowany system ekspercki stanowi zbiór regu³ decyzyjnych,
które testuj¹ te zwi¹zki przestrzenne i zawartoœæ obrazu. Regu³y te s¹ zgrupowane w postaci
drzewa decyzyjnego, którego poszczególne ga³êzie stanowi¹ odpowiednie zapytania, warunki i hipotezy, które musz¹ byæ spe³nione. Ka¿da pozytywna lub negatywna odpowiedŸ kieruje
analizê do kolejnej ga³êzi – kolejnego zestawu zapytañ. Wykorzystuj¹c utworzon¹ bazê wiedzy identyfikujemy obiekty stosuj¹c zapytania i hipotezy, które testuj¹ wartoœci radiometryczne pikseli w po³¹czeniu z innymi cechami i warunkami przestrzennymi takimi, jak: wysokoœæ n.p.m., spadki terenu, kszta³t, tekstura itp. W ten sposób mo¿emy dokonywaæ ekstrakcji z zobrazowania dowolnego obiektu lub grupy obiektów spe³niaj¹cych z³o¿ony zestaw
warunków sprecyzowanych przez eksperta. Mo¿liwoœci ekstrakcji okreœlonego typu informacji zale¿¹ od danych Ÿród³owych, a wiêc posiadanych materia³ów obrazowych. Czynnikami determinuj¹cymi s¹ tu oczywiœcie rozdzielczoœæ przestrzenna, spektralna, radiometryczna i czasowa zarejestrowanych zobrazowañ. Stosowane metody przetworzenia obrazu,
s¹ zatem uzale¿nione od posiadanych danych obrazowych. Przy czym sprawdza siê zasada,
¿e im bardziej zró¿nicowany jest ten zbiór tym lepsze otrzymamy wyniki wykonywanej
analizy. Analizowany zbiór danych zawiera monochromatyczne i wielospektralne sceny sate-
Analiza terenu dla celów wojskowych na podstawie cyfrowych zobrazowañ ziemi
177
litarne LANDSAT, SPOT, IRS, IKONOS oraz zdjêcia lotnicze. Ró¿na rozdzielczoœæ terenowa i spektralna pozwala na wyodrêbnienie ró¿nych cech iloœciowych i jakoœciowych z zobrazowania, pokazuj¹c zale¿noœci pomiêdzy rozdzielczoœci¹ a mo¿liwoœci¹ ekstrakcji ró¿nych typów informacji.
Rozpoznanie obrazowe
W poprzednich publikacjach (Paszkowski 2005, 2006), rozpatrywane by³y przede wszystkim aspekty wykorzystania cyfrowych zobrazowañ powierzchni ziemi do wykonywania
produktów oceny terenu szczebla taktycznego i operacyjnego, takich jak np. mapa przejezdnoœci terenu czy mapa oceny terenu. W niniejszym opracowaniu schodzimy na du¿o wiêkszy poziom dok³adnoœci i szczegó³owoœci. G³ówny nacisk po³o¿ony zosta³ na detekcjê i
identyfikacjê szczegó³ów typowych dla wojskowego rozpoznania obrazowego (ang. imagery intelligence) takich jak wyposa¿enie wojskowe i infrastruktura obronna. Przy projektowaniu systemu eksperckiego przyjêto jako podstawowe za³o¿enie, ¿e bêdzie on mia³ architekturê obiektow¹. Zespo³y obiektów powi¹zanych ze sob¹, po³¹czone bêd¹ wzajemnymi
relacjami. Zmiana jakiegokolwiek elementu nale¿¹cego do danej rodziny bêdzie automatycznie oddzia³ywaæ na ca³¹ rodzinê. Dla ka¿dego obiektu nale¿y gromadziæ jak najbardziej kompletn¹ wiedzê z danej dziedziny oraz mo¿liwoœæ jej permanentnej aktualizacji zgodnie z nastêpuj¹cym w niej postêpem naukowo-technicznym. Zaproponowany system ekspercki ma na
celu poszukiwanie œciœle okreœlonych obiektów, które gromadzone bêd¹ w bazie wiedzy
(ang. knowledge base). Podstawowym zagadnieniem jest tutaj modelowanie obiektów znajduj¹cych siê w bazie. Jak zatem opisany powinien byæ obiekt, którego poszukiwaæ bêdziemy
na zobrazowaniu? Znaj¹c naturê zobrazowañ cyfrowych i dostêpne techniki ich przetwarzania mo¿emy wyodrêbniæ dla ka¿dego obiektu na zobrazowaniu nastêpuj¹ce cechy charakterystyczne:
m kszta³t i wielkoœæ – model 2D lub 3D,
m tekstura,
m sygnatura spektralna,
m inne cechy charakterystyczne (wynikaj¹ce z opisu taktyczno-technicznego).
Kszta³t. W bazie wiedzy gromadzone powinny byæ „sylwetki” obiektów pozyskiwane
bezpoœrednio z zobrazowañ, zarówno dwu- jak i trójwymiarowe. Ka¿dy typ uzbrojenia posiada³by bibliotekê takich obiektów; pozytywny wynik kolejnych interpretacji, mo¿e byæ
dodany do biblioteki jako materia³ referencyjny. System pozyskuje w ten sposób kolejne dane
i podobnie jak to jest w przypadku sieci neuronowych jego wiedza zwiêksza siê (nastêpuje
swoisty proces „uczenia siê”). Im wiêcej analiz zostanie wykonanych (im wiêksza liczba
rozpoznanych obiektów), tym lepsze s¹ wyniki póŸniejszych interpretacji. Wstêpna analiza
mo¿e siê opieraæ na obiektach 2D, jednak dopiero trzeci wymiar w zdecydowany sposób
zwiêksza mo¿liwoœci analityczne. Analizy przeprowadzane na numerycznych modelach terenu pokazuj¹, ¿e kryteria kszta³tu i wielkoœci znacznie redukuj¹ szum informacyjny (ogromna
iloœæ obiektów zostaje wyeliminowana ju¿ na typ etapie). Jednak dodanie trzeciego wymiaru
redukuje drastycznie liczbê obiektów zakwalifikowanych pozytywnie.
Sygnatura spektralna. Dla ka¿dego pozytywnie zinterpretowanego obiektu w bibliotece, mo¿emy pomierzyæ i zapisaæ jako informacjê towarzysz¹c¹, odpowiadaj¹ce mu wartoœci
178
Leszek Paszkowski
radiometryczne dla ka¿dego pasma spektralnego, w jakim zobrazowanie zosta³o pozyskane.
Tak¹ sygnaturê spektraln¹ opisuje siê najlepiej przez statystyczne wartoœci charakterystyczne danej próbki takie jak: wartoœæ œrednia, maksimum, minimum, minority, majority, odchylenie standardowe. Rozbudowywana w ten sposób baza wiedzy zawieraæ bêdzie coraz to
nowsze sygnatury ró¿nych obiektów. Po uzyskaniu kolejnej próbki wyliczane s¹ parametry
statystyczne dla ca³ej grupy. W ten sposób uzyskujemy po pewnym czasie, wartoœci progowe dla okreœlonego obiektu i przedzia³y, w jakich zawieraæ siê mo¿e odpowiadaj¹ca mu sygnatura spektralna. Dla obiektów wyodrêbnionych w pierwszym etapie (analiza kszta³tu i wielkoœci) mo¿emy, zatem dodatkowo zbadaæ sygnaturê spektraln¹, co pozwoli nam uzyskaæ miejsca, gdzie prawdopodobieñstwo wyst¹pienia poszukiwanego obiektu jest jeszcze wiêksze.
Tekstura. Jak wiadomo tekstura jest miar¹ ró¿norodnoœci (zmiennoœci) obrazu. Wiêkszoœæ elementów œrodowiska naturalnego cechuje siê wysok¹ tekstur¹ (jak np. lasy – rys. 1).
Z kolei obiekty antropogeniczne charakteryzuj¹ siê, przewa¿nie, nisk¹ wartoœci¹ tekstury
(du¿¹ jednorodnoœci¹). Najpopularniejsze metody badania tekstury obrazów cyfrowych bazuj¹ na filtrach statystycznych. W odró¿nieniu od statystyki sygnatur spektralnych piksele
obrazu zostaj¹ jednak najpierw fokalnie przetworzone. Uzyskujemy wiêc nowy obraz, na
podstawie którego mo¿emy obliczaæ parametry zmiennoœci treœci obrazu – teksturê. Wartoœci te stanowi¹ kolejny element charakterystyczny interpretowanego obiektu.
Szczegó³owe dane taktyczno-techniczne. Analiza kszta³tu, radiometrii i tekstury zalicza
obiekty do okreœlonej grupy. Ka¿dy rodzaj uzbrojenia, wyposa¿enia wojskowego czy te¿ inne
obiekty zainteresowania posiadaj¹ charakterystyczne parametry techniczne, których potwierdzenie pozwala na uœciœlenie wyników interpretacji. Mog¹ to byæ takie dane jak: umiejscowienie wie¿yczki, d³ugoœæ lufy, rozmieszczenie karabinów itd. Informacje takie mo¿emy
pozyskiwaæ wykorzystuj¹c profesjonalne biblioteki wyposa¿enia i urz¹dzeñ naziemnych istotnych ze wzglêdów obronnych, takie jak np. Jane’s Defence Equipment Library. Wykonywane na typ etapie analizy, to przede wszystkim ró¿nego rodzaju wymiarowanie, porównywanie z wzorcem, obliczenia stosunków i inne metody poszukiwania cech wspólnych.
W omawianym systemie analizy wykorzystano wykonany metodami fotogrametrycznymi numeryczny model pokrycia terenu (NMPT – rys. 2) oraz numeryczny model rzeŸby
terenu (NMT). Nastêpnie odjêto od NMPT model rzeŸby terenu. W wyniku takiej operacji
otrzymujemy warstwê tematyczn¹ zawieraj¹c¹ wszystkie obiekty na powierzchni ziemi
(wszystko, co wystaje ponad teren).
Otrzymujemy zatem plik z obiektami trójwymiarowymi, wœród których poszukujemy
tych najbardziej nas interesuj¹cych. Uzyskana w ten sposób warstwa jest nastêpnie analizowana przez system. W pierwszym etapie oczyszczamy model, usuwaj¹c wszystkie obiekty,
które nie s¹ przydatne. Podstawowym kryterium jest tu wielkoœæ obiektu. Maj¹c w bazie
wiedzy informacje dotycz¹ce parametrów uzbrojenia wiemy, ¿e istniej¹cy obiekt nie mo¿e
byæ ani wiêkszy ani mniejszy od jakiejœ konkretnej wartoœci. Przy czym pod uwagê bierzemy
tu wszystkie trzy wymiary: szerokoœæ, d³ugoœæ i oczywiœcie wysokoœæ. Zatem wszystkie
obiekty, które przy za³o¿onym poziomie dok³adnoœci, nie spe³niaj¹ wymagañ, zostaj¹ odrzucone. Uzyskujemy w ten sposób warstwê z obiektami, które potencjalnie mog¹ stanowiæ
dany typ uzbrojenia. Analiza ta jest szczególnie cenna i korzystna, gdy szybko chcemy odpowiedzieæ na pytanie czy w danym obszarze znajduje siê konkretny typ uzbrojenia, który z
kolei mo¿e œwiadczyæ o wystêpowaniu okreœlonego typu si³, czy prowadzeniu okreœlonego
typu dzia³añ. W jej wyniku uzyskujemy w sposób niemal automatyczny wykaz wspó³rzêd-
Analiza terenu dla celów wojskowych na podstawie cyfrowych zobrazowañ ziemi
179
nych obiektów, które mog¹ odzwierciedlaæ okreœlony typ uzbrojenia. Analitycy nie musz¹,
zatem przegl¹daæ szeregu zdjêæ du¿ego obszaru, lecz w pierwszej kolejnoœci sprawdzaj¹
obszary wytypowane przez system. W przypadku potwierdzenia wyników interpretacji nakazuje siê systemowi poszukiwanie obiektów najbardziej podobnych do zlokalizowanego.
Obiektowa architektura proponowanego systemu pozwala na wykonywanie wielu zadañ
(operacji, w¹tków) jednoczeœnie w jego poszczególnych wêz³ach. Dla ka¿dego typu materia³u wejœciowego obowi¹zuje inny algorytm postêpowania. Wykorzystywaæ mo¿emy ró¿ne
dane o ró¿nym stopniu przetworzenia, dlatego wa¿ne jest by na ka¿dym etapie analizy mo¿liwe by³o wykorzystanie danych ju¿ istniej¹cych. Nie ma na przyk³ad potrzeby generowania
za ka¿dym razem od pocz¹tku numerycznego modelu rzeŸby terenu, bowiem jest to produkt,
który niemal nie ulega zmianom, a jego generowanie jest procesem czasoch³onnym. Czêœæ
analiz wykonywana jest na obrazach pierwotnych, inne na obrazach powsta³ych w wyniku
ich przetworzenia. W³aœciwe okreœlenie kolejnoœci tworzenia produktów czy pó³produktów
ma kluczowe znaczenie dla sprawnoœci systemu. Danymi wejœciowymi s¹ nie tylko dane
obrazowe, lecz równie¿ wektorowe i towarzysz¹ce im, b¹dŸ autonomiczne, informacje opisowe, których g³ównym zadaniem jest dostarczanie parametrów do analizy podczas ekstrakcji informacji z zobrazowañ.
Produkty oceny terenu
Na ka¿dym etapie planowania czy prowadzenia dzia³añ wojskowych wykorzystywane s¹
ró¿ne produkty oceny terenu, takie jak na przyk³ad: mapa oceny terenu, czy mapa przejezdnoœci. Produkty te mo¿emy z powodzeniem otrzymaæ w wyniku przetworzenia cyfrowych
zobrazowañ powierzchni ziemi. Jest to proces z³o¿ony, gdy¿ analizie podlega wiele typów
informacji, jednak wykorzystanie technologii systemów eksperckich pozwala na efektywne
przetworzenie takiego zbioru informacji. Zagadnienie wykorzystania zobrazowañ cyfrowych
i technologii systemów eksperckich do wykonywania produktów oceny terenu zosta³y szczegó³owo omówione w poprzednich publikacjach (Paszkowski, 2005, 2006).
Podsumowanie
Istniej¹ce obecnie systemy rozpoznania obrazowego to przede wszystkim systemy wspomagania decyzji. Operator jest na pewnym etapie interpretacyjnym wspomagany przez dane
zawarte w bibliotekach wyposa¿enia wojskowego lub dane o elementach infrastruktury.
Brak tu w³aœciwie automatyzacji procesów rozpoznawania. Od pocz¹tku do koñca interpretacji i wnioskowania dokonuje sam operator – ekspert, system zaœ wspiera jego decyzjê
dostarczaj¹c mu wiedzy opisowej. Przedstawione powy¿ej rozwa¿ania prezentuj¹ w ogromnym skrócie problematykê automatyzacji procesu interpretacji w rozpoznaniu wojskowym.
Przedstawiona powy¿ej zautomatyzowana analiza nie daje stuprocentowej pewnoœci interpretacji. Pozwala jednak, przy du¿ej iloœci materia³u obrazowego (dla du¿ych obszarów) na
ograniczenie szumu informacyjnego i wyodrêbnienie w ca³ym zestawie obrazów tych obszarów, dla których prawdopodobieñstwo wyst¹pienia danego obiektu jest najwiêksze. Oczywiœcie konieczne jest potwierdzenie tych informacji przez operatora, ale w przypadku zadañ
180
Leszek Paszkowski
rozpoznawczych czas ma znaczenie kluczowe. Wprowadzenie elementów automatyki i wskazanie obszarów potencjalnego wystêpowania poszczególnych obiektów wielokrotnie skraca
czas analizy. Opracowywanie i wdra¿anie technik automatyzacji, skracaj¹cych czas powstania informacji rozpoznawczej jest spraw¹ priorytetow¹. Rozwój systemów rozpoznania obrazowego musi iœæ nieustannie w³aœnie w tym kierunku. Zalet¹ systemów eksperckich jest
to, ¿e ilekroæ pojawi siê nowy algorytm pozyskiwania informacji lub nowe Ÿród³o danych,
mog¹ byæ one ³atwo adoptowane do istniej¹cego systemu, zwiêkszaj¹c dok³adnoœæ i efektywnoœæ wykonywanej analizy.
Literatura
Mather P.M., 2004: Computer processing of remotely-sensed data, The university of Nottingham.
Lach Z., £aszczuk A., Nowak Z., 2000: Ocena terenu wed³ug NATO, Warszawa.
Paszkowski L., 2003: Analiza mo¿liwoœci odzyskania utraconej informacji zobrazowania cyfrowego dla
celów utworzenia Numerycznego Modelu Terenu, praca dyplomowa, WAT.
Paszkowski L., 2005: Ekstrakcja informacji z zobrazowañ cyfrowych dla celów militarnej oceny œrodowiska
geograficznego, Roczniki Geomatyki 2005, Tom III, Zeszyt 4.
Paszkowski L., 2005: Wykorzystanie œrodowiska ERDAS IMAGINE w procesie analizy i oceny terenu dla
potrzeb wsparcia geograficznego Si³ Zbrojnych RP, V Konferencja u¿ytkowników Systemu ERDAS i
LPS, Warszawa.
Paszkowski L., 2006: Using digital imagery in cross-country movement assessments, Polish Journal of
Environmental Studies, Vol. 15, No. 3C .
Rutkowski L., 2005: Metody i techniki sztucznej inteligencji – inteligencja obliczeniowa, Wydawnictwo
Naukowe PWN, Warszawa.
Smith C., Brown N., Margaret D., Strater S.,1977: ERDAS Field Guide, ERDAS Inc.
Swan P., Davis S., 1978: Remote Sensing: The Quantitative Approach. New York, McGraw Hill Book
Company.
Ocena terenu na szczeblu operacyjnym i taktycznym, Wydzia³ topograficzny i operacyjnej oceny terenu w
G-2, Kraków 2000.
FM 5-33 Terrain Analysis, Department of the Army, Washington 1993.
FM 5-105 Topographic Operations, Department of the Army, Washington 1994.
Summary
The digital imagery is a powerful source of information for military use. This paper describes author’s
research in the analysis of digital image data in terrain evaluation for military needs. It includes
qualitative and quantitative definition of information and elaboration methods of information extraction. The proposed methodology is based on extraction of supplementary information from imagery
with the use of the expert system technology for military intelligence and terrain evaluation. Expert
system technology takes the classification concept a giant step further by analyzing and identifying
features based on spatial relationships with other features and their context within an image. The
knowledge base identifies features by applying questions and hypotheses that examine pixel values,
relationships with other features and spatial conditions. Analyzed dataset contain panchromatic and
multispectral satellite scene: LANDSAT, SPOT, IRS, IKONOS and aerial photos. The paper points to
problems connected with extraction of information from imagery.
por. mgr in¿. Leszek Paszkowski
[email protected]
tel. (056) 690 27 71
Analiza terenu dla celów wojskowych na podstawie cyfrowych zobrazowañ ziemi
181
Rys. 2. Numeryczny model powierzchni terenu (NMPT) wykonany z przetworzonych zdjêæ lotniczych
(Warszawa Bemowo – miasteczko akademickie WAT) z wykorzystaniem modu³u LPS pakietu ERDAS
(wizualizacja VirtualGIS)
POLSKIE
INFORMACJI
PRZESTRZENNEJ
Koncepcja
systemuTOWARZYSTWO
inwentaryzacji indywidualnych
form
ochrony przyrody
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
181
KONCEPCJA SYSTEMU INWENTARYZACJI
INDYWIDUALNYCH FORM OCHRONY PRZYRODY1
THE CONCEPT OF AN INVENTORY SYSTEM
OF NATURE CONSERVATION OBJECTS
Pawe³ Próchnicki
Zak³ad Ekologii Krajobrazu, Politechnika Bia³ostocka
S³owa kluczowe: ochrona przyrody, indywidualne formy ochrony przyrody, inwentaryzacja, SIP
Keywords: nature protection, nature conservation object, inventory, GIS
Wprowadzenie
W rozumieniu ogólnym ochrona przyrody to ochrona ró¿norodnoœci biologicznej. Pod
tym pojêciem kryje siê kilka zagadnieñ: dba³oœæ o harmonijne funkcjonowanie krajobrazu,
zapewnienie miejsca egzystowania wszystkim gatunkom, zapewnienie miejsca dla spontanicznych procesów przyrodniczych, ochrona swoistoœci lokalnej, zabezpieczenie resztek
pierwotnoœci (Pawlaczyk 2000).
Ustawa z 16 kwietnia 2004 r. o ochronie przyrody okreœla cele, zasady i formy ochrony
przyrody ¿ywej i nieo¿ywionej oraz krajobrazu. W rozumieniu ustawy, ochrona przyrody
polega na: zachowaniu, zrównowa¿onym u¿ytkowaniu oraz odnawianiu zasobów, tworów i
sk³adników przyrody, tj.: dziko wystêpuj¹cych i/lub objêtych ochron¹ gatunkow¹ roœlin,
zwierz¹t i grzybów, siedlisk przyrodniczych, tworów przyrody ¿ywej i nieo¿ywionej, krajobrazu. Celem ochrony przyrody, w myœl ustawy jest:
1) utrzymanie procesów ekologicznych i stabilnoœci ekosystemów;
2) zachowanie ró¿norodnoœci biologicznej;
3) zachowanie dziedzictwa geologicznego i paleontologicznego;
4) zapewnienie ci¹g³oœci istnienia gatunków roœlin, zwierz¹t i grzybów, wraz z ich siedliskami;
5) ochrona walorów krajobrazowych;
6) utrzymywanie lub przywracanie do w³aœciwego stanu ochrony siedlisk przyrodniczych.
Cele te realizowane s¹ miêdzy innymi przez obejmowanie zasobów, tworów i sk³adników
przyrody formami ochrony przyrody, a podstawowym narzêdziem ich realizacji jest gromadzenie informacji o nich i ich inwentaryzacja.
1Powstanie
artyku³u sfinansowano z pracy statutowej Politechniki Bia³ostockiej nr S/IIŒ/22/02.
182
Pawe³ Próchnicki
Ustawa przewiduje nastêpuj¹ce formy ochrony przyrody: parki narodowe, parki krajobrazowe, obszary chronionego krajobrazu, obszary Natura 2000, rezerwaty przyrody, pomniki przyrody, stanowiska dokumentacyjne, u¿ytki ekologiczne, zespo³y przyrodniczo-krajobrazowe, ochrona gatunkowa roœlin, zwierz¹t i grzybów. Spoœród nich do form wielkoobszarowych, podlegaj¹cym indywidualnemu zarz¹dzaniu, nale¿¹ parki narodowe i krajobrazowe, obszary chronionego krajobrazu i obszary Natura 2000. Organy zarz¹dzaj¹ce nimi odpowiedzialne s¹ za gromadzenie informacji i ich ochronê, np. dla parków narodowych ustawa
przewiduje okresowe przygotowywanie planów ochrony, a jednym z czêœci takiego planu
jest system informacji przestrzennej konsoliduj¹cy dane przestrzenne pochodz¹ce z operatów cz¹stkowych.
Wœród wymienionych form ochrony przyrody najliczniej wystêpuj¹c¹ grupê stanowi¹
tzw. indywidualne formy ochrony przyrody, czyli:
m rezerwat przyrody (jest to obszar obejmuj¹cy zachowane w stanie naturalnym lub
ma³o zmienionym ekosystemy, okreœlone gatunki roœlin i zwierz¹t, elementy przyrody
nieo¿ywionej, maj¹ce istotn¹ wartoœæ ze wzglêdów naukowych, przyrodniczych, kulturowych, b¹dŸ krajobrazowych);
m pomnik przyrody (s¹ nimi pojedyncze twory przyrody ¿ywej i nieo¿ywionej lub ich
skupienia o szczególnej wartoœci naukowej, kulturowej, historyczno-pami¹tkowej i
krajobrazowej oraz odznaczaj¹ce siê indywidualnymi cechami wyró¿niaj¹cymi je wœród
innych tworów, a w szczególnoœci sêdziwe i okaza³ych rozmiarów drzewa i krzewy
gatunków rodzimych i obcych, Ÿród³a, wodospady, ska³ki, jary, g³azy narzutowe,
jaskinie);
m stanowisko dokumentacyjne (s¹ nimi wyodrêbniaj¹ce siê na powierzchni lub mo¿liwe
do udostêpnienia, wa¿ne pod wzglêdem naukowym i dydaktycznym, miejsca wystêpowania formacji geologicznych, nagromadzeñ skamienia³oœci lub tworów mineralnych oraz fragmenty eksploatowanych i nieczynnych wyrobisk powierzchniowych i
podziemnych);
m u¿ytek ekologiczny (s¹ nim zas³uguj¹ce na ochronê pozosta³oœci ekosystemów maj¹cych znaczenie dla zachowania unikatowych zasobów genowych i typów œrodowisk,
jak: naturalne zbiorniki wodne, œródpolne i œródleœne „oczka wodne”, kêpy drzew i
krzewów, bagna, torfowiska, p³aty nieu¿ytkowanej roœlinnoœci, starorzecza, wychodnie
skalne, skarpy, kamienie); (Pawlaczyk, 2000).
Jak szacunkowo podaje Pawlaczyk (2000) do koñca 1998 roku w ca³ej Polsce indywidualnych form ochrony przyrody by³o oko³o 40 tys. (rezerwatów – 1251, pomników przyrody
– 33 231, kilka tysiêcy u¿ytków ekologicznych i stanowisk dokumentacyjnych).
Formy gromadzenia informacji
Organem sprawuj¹cym opiekê nad indywidualnymi formami ochrony przyrody jest G³ówny
Konserwator Przyrody, któremu podlegaj¹ wojewódzcy konserwatorzy przyrody i w³adze
samorz¹dowe. Do obowi¹zków tych instytucji nale¿y m.in. inwentaryzowanie i gromadzenie
informacji o po³o¿eniu i stanie indywidualnych form ochrony przyrody, a tak¿e zapobieganie
ich niszczeniu i usuwaniu zagro¿eñ. Tradycyjnie informacje te gromadzone s¹ w formie
arkuszy ewidencyjnych. Zawieraj¹ one szczegó³owe informacje o stanie biologicznym i fi-
Koncepcja systemu inwentaryzacji indywidualnych form ochrony przyrody
183
zycznym obiektów chronionych, opis przyrodniczy, ocenê stanu zdrowotnego, cel ochrony,
powierzchniê obiektu, opis potencjalnych zagro¿eñ.
Na arkuszach ewidencyjnych pomników znajduj¹ siê nastêpuj¹ce pola: gatunek (lub w
przypadku pomników przyrody nieo¿ywionej – typ obiektu, np. g³az narzutowy), wiek,
wymiary, cechy osobnicze, stan zdrowotny, opis otoczenia, zagro¿enia. W ewidencji rezerwatów: nazwa rezerwatu, status ochronny, powierzchnia, cele rezerwatu, opis zbiorowisk
roœlinnych, osobliwoœci przyrodnicze. Natomiast w ewidencji u¿ytków ekologicznych i stanowisk dokumentacyjnych: numer obiektu, powierzchnia, opis przyrodniczy, opis otoczenia, stan zachowania, zagro¿enia.
Ka¿dy arkusz zawiera tak¿e informacje o po³o¿eniu obiektu w podziale administracyjnym
(dodatkowo, jeœli obiekt le¿y na terenie zarz¹dzanym przez Lasy Pañstwowe, podane s¹ informacje o przynale¿noœci do nadleœnictwa, obrêbu, oddzia³u leœnego), opis lub szkic topograficzny po³o¿enia danego obiektu, czasami tak¿e podane s¹ przybli¿one wspó³rzêdne geograficzne.
Na arkuszach mo¿na tak¿e odnaleŸæ informacjê o w³aœcicielu, autorze zg³oszenia oraz dacie
utworzenia, a czasami równie¿ dokumentacjê fotograficzn¹ z ostatniej inwentaryzacji.
Taki sposób gromadzenia informacji jest ma³o przejrzysty i utrudnia sprawne zarz¹dzanie
tymi obiektami. Odszukiwanie informacji, przygotowywanie zestawieñ czy te¿ aktualizowanie informacji o stanie obiektów jest pracoch³onne, a co za tym idzie planowanie ochrony
tych obiektów i weryfikacja danych o nich jest utrudniona. W niektórych przypadkach podjêto próbê przeniesienia informacji z arkuszy do prostych tekstowych baz danych, co poprawia mo¿liwoœci korzystania z nich, lecz nie rozwi¹zuje problemu zilustrowania ich po³o¿enia.
Konstrukcja systemu
Maj¹c na wzglêdzie dotychczasow¹ formê przechowywania informacji o obiektach chronionych i usprawnienie prac inwentaryzacyjnych i ochronnych, celowe wydaje siê byæ zbudowanie inwentaryzacyjnego systemu geoinformacyjnego indywidualnych form ochrony
przyrody. Docelowo system powinien obj¹æ swym zasiêgiem ca³y kraj, jednak jego tworzenie powinno odbywaæ siê na poziomie poszczególnych województw.
Koncepcja systemu zak³ada osadzenie w systemie t³a sytuacyjnego, które u³atwi³oby sytuowanie obiektów i póŸniejsze kartograficzne ilustrowanie ich po³o¿enia. Najkorzystniejsze, z
punktu widzenia dok³adnoœci lokalizowania obiektów, by³oby wykorzystanie do tego celu
map topograficznych w skali 1:10 000. Jednak ze wzglêdu na koszty i objêtoœæ systemu
wskazane by³oby zastosowanie map topograficznych w skali 1:100 000 lub map sozologicznych w skali 1:50 000. Mapy te osadzone by³yby w postaci rastrowej i pokrywa³yby ca³y
obszar województwa/kraju. Na ich podstawie lokalizowane by³yby wstêpnie miejsca wystêpowania wszystkich obiektów konserwatorskich. Zastosowanie wariantu z mapami sozologicznymi da³oby dodatkowe korzyœci w planowaniu dzia³añ ochronnych. Mapy te zawieraj¹
oprócz szczegó³owej treœci topograficznej informacje o negatywnych dla œrodowiska przyrodniczego czynnikach. Mo¿liwa by³aby zatem ocena zagro¿eñ dla chronionych obiektów, a
tym samym opracowanie sposobów przeciwdzia³ania ich negatywnym skutkom. Ponadto
zawieraj¹ one lokalizacje niektórych obiektów chronionych, co u³atwi³oby i przyspieszy³oby
budowê systemu. Niestety tego wariantu nie mo¿na w pe³ni wykorzystaæ, poniewa¿ system
tych map dla ca³ego kraju nie zosta³ jeszcze w pe³ni opracowany.
184
Pawe³ Próchnicki
Wiêkszoœæ opisów i szkiców lokalizacyjnych w arkuszach ewidencyjnych jest nie dok³adna, dlatego te¿ celowe by³oby w miarê mo¿liwoœci aktualizowanie i korygowanie po³o¿enia za pomoc¹ pomiarów GPS. W celu lepszej oceny zagro¿eñ i planowania dzia³añ ochronnych, w systemie osadzane by³yby fragmenty map topograficznych w skali 1:10 000 lub
ortofotomap prezentuj¹ce bezpoœrednie otoczenie poszczególnych obiektów.
Uzupe³nieniem informacji topograficznej by³by podzia³ administracyjny kraju w postaci
warstwy wektorowej prezentuj¹cej granice województw, powiatów i gmin wprowadzony z
dok³adnoœci¹ skali 1:10 000, który umo¿liwi³by dok³adne przypisanie obiektów chronionych
do jednostek podzia³u terytorialnego.
Lokalizacja obiektów wprowadzona by³aby na osobnej warstwie tematycznej. Proponuje
siê utworzenie 5 kategorii obiektów odpowiednio do istniej¹cych form ochrony z uwzglêdnienie dwóch typów pomników przyrody, czyli: pomnik przyrody nieo¿ywionej, pomnik
przyrody o¿ywionej, rezerwat przyrody, stanowisko dokumentacyjne i u¿ytek ekologiczny.
Baza danych z komplementarnymi do obiektów tabelami s³u¿y³aby gromadzeniu informacji
opisowych pochodz¹cych z arkuszy ewidencyjnych i aktualizacji terenowych. Dodatkowo
w bazie mo¿na by³oby umieszczaæ dokumentacjê fotograficzn¹ poszczególnych obiektów.
Takie formy jak: rezerwaty przyrody, u¿ytki ekologiczne maj¹ charakter powierzchniowy. W
ich przypadku lokalizacja by³aby okreœlona graficznie w dwojakiej postaci: punktowej (do
prezentacji na mapach ma³oskalowych) i jako rzeczywiste granice obiektów (do dok³adnych
prezentacji w du¿ych skalach).
Budowa tabel w bazie danych, opisuj¹cych poszczególne rodzaje form ochrony, zdeterminowana bêdzie konstrukcj¹ arkuszy ewidencyjnych i zawartych na nich informacji. Poszczególne pola z arkuszy ewidencyjnych sta³yby siê wzorcem pól w tabelach. Informacja tekstowa o po³o¿eniu obiektów w tabelach powinna zostaæ zredukowana tylko do informacji o po³o¿eniu obiektów w podziale administracyjnym województwa/kraju i w stosownych przypadkach w leœnym podziale administracyjnym (w przypadku obiektów po³o¿onych na obszarach zarz¹dzanych przez Lasy Pañstwowe). Pozosta³e informacje z arkuszy
ewidencyjnych opisuj¹cych po³o¿enie s¹ zbêdne i by³yby dublowaniem informacji kartograficznej na mapach numerycznych.
Tworzenie systemu
Tworzenie sytemu powinno odbywaæ siê etapowo, we wspó³pracy ze wszystkimi instytucjami odpowiedzialnymi za ochronê przyrody i bêd¹cymi w³aœcicielami ewidencji (konserwatorzy przyrody, w³adze samorz¹dowe, organizacje ekologiczne). Kolejne etapy tworzenia systemu to:
m opracowanie osnowy sytuacyjnej systemu i osadzenia map lokalizacyjnych;
m wprowadzenie warstwy podzia³u administracyjnego;
m opracowanie mapy lokalizacyjnej indywidualnych form ochronny przyrody (Ÿród³em danych o po³o¿eniu obiektów bêd¹ opisy i szkice z arkuszy ewidencyjnych);
m sprawdzenie poprawnoœci i korygowanie po³o¿enia obiektów (z wykorzystaniem pomiarów GPS wykonywanych na bie¿¹co lub w ramach powszechnej inwentaryzacji przyrodniczej);
m opracowanie struktury bazy danych i wype³nienie tabel informacjami z arkuszy ewidencyjnych (z uwagi na ró¿ny zakres danych atrybutowych gromadzonych w ewidencji
Koncepcja systemu inwentaryzacji indywidualnych form ochrony przyrody
m
185
odnoœnie poszczególnych form ochronnych proponuje siê utworzenie oddzielnych 5 tablic: pomnik przyrody nieo¿ywionej, pomnik przyrody o¿ywionej, rezerwat przyrody,
stanowisko dokumentacyjne i u¿ytek ekologiczny);
konsolidacja systemów regionalnych.
Podsumowanie
Opracowanie inwentaryzacyjnego systemu indywidualnych form ochrony przyrody wydaje siê byæ niezbêdne. System poprawi³by znacznie dostêp do informacji, u³atwi³ zarz¹dzanie, okresowe inwentaryzowanie i planowanie dzia³añ ochronnych. Powinien zostaæ zbudowany na poziomie regionalnym z zastosowanie wspólnie przyjêtych wzorców zapisu informacji przestrzennej, a nastêpnie skonsolidowany na szczeblu krajowym. Organizacyjnie powinien podlegaæ wojewódzkim konserwatorom przyrody.
Literatura
Ustawa z 16 kwietnia 2004 o ochronie przyrody. Dziennik Ustaw nr 92, poz. 880.
Pawlaczyk P., Jermaczek A., 2000: Poradnik lokalnej ochrony przyrody. Wydawnictwo Lubuskiego Klubu
Przyrodników, Œwiebodzin.
Summary
In general, nature conservation is preservation of biodiversity, i.e. protection of landscape, protection
of species occurence, protection of primordiality, protection of local distinctness etc. According to law,
nature conservation consists in preservation and balanced exploitation of resources as a constituent
of nature. A precious object or fragment of nature may be protected as a nature monument, nature
reserve, document site, ecological lands. Gathering and storage of data is the basic instrument of
protection.
So far, data about protected objects are gathered and storaged on paper sheets. The sheets includes
description of nature features, description of location and sometimes photographs of objects. That
method of collecting data is inconvenient and constricts map visualization. The better way would be
creation of an information inventory system of the nature conservation objects. The systems would be
comprised of:
m topographic background
m map of the protected objects
m database of attribute data
m set of photographs.
The inventory system would allow an easy access to nature data, planning of protection of the precious
objects etc.
dr in¿. Pawe³ Próchnicki
[email protected]
tel. (085) 746 96 58
POLSKIE
TOWARZYSTWO
PRZESTRZENNEJ
Trójwymiarowe
modele INFORMACJI
miast w sieci internet
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
187
TRÓJWYMIAROWE MODELE MIAST
W SIECI INTERNET
3D CITY MODELS IN THE INTERNET
Sebastian Ró¿ycki
Instytut Fotogrametrii i Kartografii, Politechnika Warszawska
S³owa kluczowe: modele wysokoœciowe miast, 3D, Internet
Keywords: 3D City Models, 3D, Internet
Tworzenie wysokoœciowych modeli budynków
Praktyczne tworzenie modeli wysokoœciowych budynków rozpoczê³o siê 7 lat temu.
Pojawi³y siê wówczas na rynku takie programy GIS jak RapidSite firmy Evans&Sutherlands
oraz rozszerzenie SiteBuilder 3D do programu ARCVIEW.
Obecnie g³ównymi Ÿród³ami danych do tworzenia wysokoœciowych modeli budynków
s¹ stereopary obrazów lotniczych i obrazów satelitarnych o bardzo du¿ej rozdzielczoœci.
Tworzenie wysokoœciowych modeli budynków opiera siê na dok³adnej rekonstrukcji modelu
stereoskopowego na podstawie elementów orientacji zewnêtrznej zdjêæ lotniczych lub satelitarnych. W ostatnim czasie do tworzenia modeli budynków wykorzystuje siê dane pochodz¹ce z laserowych pomiarów powierzchni – LIDAR.
W pierwszej kolejnoœci podczas budowy wysokoœciowego modelu budynku operator
musi dokonaæ pomiaru widocznej na stereoparach czêœci budynku. Najczêœciej jest to jego
dach. Pomiaru mo¿na dokonaæ wykorzystuj¹c oprogramowanie Socet Set lub Z/I Imagestation. Punkty charakteryzuj¹ce dach mog¹ byæ pozyskane równie¿ z map w odpowiednich
skalach. Wynikiem pomiaru dachu budynku jest trójwymiarowa chmura punktów (x, y, z)
charakteryzuj¹ca jego strukturê.
Do budowy modelu wysokoœciowego budynku w dalszej kolejnoœci mo¿na wykorzystaæ
na przyk³ad program firmy CyberCity Ag o nazwie CC-Modeler. W programie tym w pierwszej kolejnoœci operator musi sklasyfikowaæ pozyskane punkty charakteryzuj¹ce strukturê
dachu, a w tym punkty na jego krawêdzi. Klasyfikacja punktów pozwala programowi wykonaæ automatyczn¹ rekonstrukcjê struktury dachu. CC-Modeler umo¿liwia równie¿ edycjê
stworzonego modelu przez dodawanie linii równoleg³ych czy zmianê k¹tów. Pozwala to na
znaczn¹ redukcjê punktów okreœlaj¹cych strukturê dachu, które operator musi wprowadziæ
rêcznie.
Œciany boczne budynku powstaj¹ przez automatyczne rozci¹gniecie poligonu tworz¹cego dach do powierzchni numerycznego modelu terenu. Dok³adnoœæ wysokoœciowa modeli
188
Sebastian Ró¿ycki
budynków pozyskanych ze stereoobrazów satelitarnych charakteryzuje siê b³êdem pionowym rzêdu 2–3 metrów, a w przypadku zdjêæ lotniczych w skali 1:5000 – 20 cm (Poli,
2006).
Dla uzyskania realistycznego wygl¹du tworzonych modeli mo¿na wygenerowaæ fasady
budynków. Istniej¹ tu trzy mo¿liwoœci. Pierwsz¹ jest wykorzystanie gotowych szablonów
fasad budynków dostêpnych w oprogramowaniach. Metoda ta mo¿e byæ u¿yta automatycznie do wybranej jednoczeœnie grupy budynków. Wynik otrzymany z wykorzystaniem tej
metody jest najmniej zbli¿ony do rzeczywistoœci, wykorzystuje siê j¹ w przypadkach kiedy
fasada nie jest widoczna na zdjêciach.
Mo¿na równie¿ skorzystaæ z metody polegaj¹cej na pobieraniu fasad budynków ze zdjêæ
lotniczych lub satelitarnych podczas tworzenia modeli. W tym przypadku wymagana jest
rejestracja zdjêcia, z jak najwiêkszym odchyleniem uk³adu optycznego od linii pionu.
Ostatni¹, a zarazem daj¹c¹ najlepsze efekty metod¹ wygenerowania fasady budynku jest
wykorzystanie zdjêæ wykonanych rêcznie z ziemi. Obraz fasady budynku w postaci wysokiej jakoœci zdjêcia cyfrowego wpasowywany jest w pionow¹ œcianê budynku. Istnieje przy
tym mo¿liwoœæ maskowania obszarów zacienionych przez samochody, postacie ludzi czy
drzewa.
Dok³adnoœæ trójwymiarowych modeli miast
W zale¿noœci od wymaganej dok³adnoœci okreœla siê rodzaj danych oraz oprogramowania,
które zostanie wykorzystane. Pod wzglêdem dok³adnoœci wyró¿nia siê 3 rodzaje modeli budynków: model blokowy, model ze struktur¹ dachu oraz model z dok³adn¹ struktur¹ dachu.
Model blokowy jest najprostszym modelem prezentacji budynków. ród³em danych do
modelu blokowego mog¹ byæ dane wektorowe w postaci poligonów okreœlaj¹cych obrys
budynków. Oprogramowanie takie jak ArcScene czy VirtualGIS pozwala na automatyczne
zbudowanie bry³y budynku. Na rysunku 1 przedstawiono model blokowy budynków miasta
Warszawy utworzony na podstawie danych TBD. Do wizualizacji zosta³o wykorzystane
oprogramowanie ArcScene .
Model budynku ze struktur¹ dachu wymaga wykorzystania obrazów satelitarnych o du¿ej rozdzielczoœci (np. IKONOSa i QuickBirda). Rysunek 2 przedstawia model budynku ze
struktur¹ dachu stworzony z wykorzystaniem stereoobrazów pochodz¹cych z satelity IKONOS. W tym przypadku do stworzenia modelu wysokoœciowego budynku wykorzystano
programu SteroAnalyst wchodz¹cy w sk³ad pakietu ERDAS.
Dla stworzenia modeli z dok³adn¹ struktur¹ dachu najlepszym materia³em Ÿród³owym s¹
zdjêcia lotnicze w po³¹czeniu z mapami w du¿ych skalach (rys. 3).
Trójwymiarowe modele miast w Internecie
Pierwsze próby udostêpniania danych przestrzennych w postaci obrazów dwu- i trójwymiarowych pokrywaj¹cych glob ziemski zosta³y ju¿ podjête. Pionierami w tej dziedzinie s¹
firmy: Google Inc. i jej aplikacja Google Eatrh oraz NASA i jej aplikacja WorldWind. Oba
Trójwymiarowe modele miast w sieci internet
189
serwisy dostêpne s¹ za darmo i wykorzystuj¹ Internet. Google Earth i WorldWind udostêpniaj¹: bazy wektorowe, zdjêcia lotnicze i satelitarne oraz modele trójwymiarowych miast
(rys. 4).
Ciekawymi mo¿liwoœciami udostêpniania danych przestrzennych w internecie dysponuje
oprogramowanie TerrainView szwajcarskiej firmy ViewTec AG. Oprogramowanie to pozwala prezentowaæ w sieci intranetowej lub w internecie trójwymiarowe modele miast sk³adaj¹ce siê z nieograniczonej liczby budynków. Oprogramowanie TerreinView pozwala równie¿ wyœwietlaæ obrazy cyfrowe w postaci ortofotomap, które s¹ podk³adem pod trójwymiarowe modele miast. Udostêpniane dane s¹ specjalnie kompresowane oraz szyfrowane.
Osoba przegl¹daj¹ca dane 3D potrzebuje jedynie przegl¹darki Internet Explorer oraz ogólnodostêpnej wtyczki (plug-in).
Obraz w oknie przegl¹darki internetowej zawiera trójwymiarowe modele. Wyœwietlane w
oknie obiekty ró¿ni¹ siê jakoœci¹. Budynki, które znajduj¹ siê najbli¿ej obserwatora wyœwietlane s¹ w najwy¿szej jakoœci. Reszta obiektów w tle wyœwietlana jest w zredukowanej
jakoœci lub jest pominiêta. Poruszaj¹c siê po scenie, u¿ytkownik otrzymuje obraz ze zmieniaj¹c¹ siê jakoœci¹ wyœwietlanych obiektów. Pozwala to na bardzo p³ynne wyœwietlanie obrazu
nawet w przypadku wolnego po³¹czenia z internetem.
Ogólnodostêpny serwis internetowy Map2Day, który wykorzystuje oprogramowanie TereinView, udostêpnia 16 500 modeli budynków miasta Salzburg (rys. 5). 15 000 modeli to
zwyk³e modele blokowe, a reszta to modele pozyskane z du¿¹ dok³adnoœci¹ szczegó³ów i z
realistycznymi fasadami. Serwis ten mo¿na znaleŸæ pod adresem: www.map2day.at.
Podsumowanie
Na rynku istnieje kilka programów do tworzenia wysokoœciowych modeli budynków. W
Polsce dominuje oprogramowanie ERDAS/Leica. W Europie kilka wdro¿eñ wykona³a firma
CyberCity Ag. i jej program CC-Modeler.
Do niedawna wyœwietlanie trójwymiarowych modeli miast mo¿liwe by³o tylko przy wykorzystaniu oprogramowania GIS. Aktualnie aplikacje takie jak TerreinView pozwalaj¹ na
udostêpnianie w sieci internet trójwymiarowych modeli budynków oraz obiektów, takich jak
drzewa lub samochody. Podk³adami do tych modeli mog¹ byæ dane rastrowe w postaci zdjêæ
lotniczych i satelitarnych oraz dane wektorowe.
Literatura
Poli D., 2006: Reality-based 3D City Models from Aerial and Satellite Data. GeoInformatics no. 3.
Poli D., Kocaman S., Zhang L., Gruen A., 2006: 3D City Modeling from High-Resolution Satellite Images.
ISPRS WGI 5 & I6, Materia³y konferencyjne, Ankara, Turcja.
Steidler F., Beck M., 2004: CyberCity Modeler – Generation, Updating and Contiunation of 3D City models
with on-line Editing. GeoMulitmedia no. 2.
Ulm K., 2004: Virtuelle 3D-Stadtmodelle – Technologie und Anwendung, Geobit no. 8, 2004.
Ulm K., 2005: Improved 3D City Modeling With Cybercity Modeler using Aerial, Satelilte Imagery and
Laserscanner Data, International Archives of the Photogrammetry. Vol. XXXIV-5/W10.
Ulm K., Steidler F., Wang X., 2005: 3D City models in the Web-based 3d-GIS, www.Map3Day.at. Konferencja u¿ytkowników ESRI, San Diego, USA.
190
Sebastian Ró¿ycki
Summary
Ever easier access to satellite images, growth of computer power and development of specialist
software in last years stimulated demand for generating 3D models. Especially, models of cities are
used in many walks of life like tourism, landscape architecture and planning of cellular telephone
networks.
On the market, there are many programmes which create and present three-dimensional models.
There are already Internet portals which provide spatial data like 2D-vector data, Digital Terrain
Models, high resolution imagery and 3D city models.
mgr in¿. Sebastian Ró¿ycki
[email protected]
Trójwymiarowe modele miast w sieci internet
Rys. 1. Wizualizacja centrum Warszawy – program ESRI ArcScene
Rys. 2. Model budynku w Krakowie pozyskany z obrazów IKONOS
191
192
Sebastian Ró¿ycki
Rys. 3. Wysokoœciowy model
budynku w Karlsruhe
pozyskany ze zdjêæ lotniczych
(Ÿród³o CyberCity AG)
Rys. 4. Internetowe serwisy udostêpniaj¹ce dane przestrzenne – GoogleEarth (z prawej)
i WorldWind (z lewej)
Rys. 5. Wizualizacja centrum miasta Monachium (rysunek z lewej) i serwis Map2Day.at – wizualizacja
miasta Salzburg (rysunek z prawej)
TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
WykorzystaniePOLSKIE
metod geostatystyki
do wspomagania
klasyfikacji
mikrofalowych zdjêæ...
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
191
WYKORZYSTANIE METOD GEOSTATYSTYKI
DO WSPOMAGANIA KLASYFIKACJI
MIKROFALOWYCH ZDJÊÆ SATELITARNYCH
THE USE OF GEOSTATISTICS TO ASSIST
CLASSIFICATION OF MICROWAVE
SATELLITE IMAGES
Krystyna Stankiewicz, Emilia Wiœniewska
Instytut Geodezji i Kartografii
S³owa kluczowe: klasyfikacja, ENVISAT, polaryzacja, wilgotnoœæ gleby, kriging
Keywords: classification, ENVISAT, polarization, soil moisture, kriging
Wprowadzenie
Celem pracy jest ocena wp³ywu zmiennoœci pewnych parametrów œrodowiskowych na
dok³adnoœæ rozpoznania wybranych klas pokrycia terenu na zdjêciach mikrofalowych z satelity ENVISAT. Jest to czêœæ projektu1, którego zamierzeniem jest ocena przydatnoœci zdjêæ
z ENVISATa do klasyfikacji pokrycia terenu. G³ównym przedmiotem zainteresowania w
prezentowanej pracy s¹ klasy obejmuj¹ce roœlinnoœæ naturaln¹ i uprawy.
Zdjêcia mikrofalowe mog¹ byæ pozyskiwane niezale¿nie od wystêpowania zachmurzenia,
wiêc mog¹ dostarczyæ cennych danych wtedy, gdy istotne jest przeprowadzenie badañ w
œciœle wyznaczonym terminie, a zdjêcia satelitarne z zakresu optycznego s¹ niedostêpne. Wykorzystanie zdjêæ mikrofalowych do rozpoznania form pokrycia terenu wymaga jednak zastosowania odpowiednich metod postêpowania, poniewa¿ sygna³ zarejestrowany na zdjêciu mikrofalowym zale¿y od szeregu ró¿nych czynników utrudniaj¹cych czêsto interpretacjê jego
treœci. Miêdzy innymi rejestrowany sygna³ w du¿ym stopniu zale¿y od zawartoœæ wody w
glebie i w roœlinach. Przestrzenna zmiennoœæ wilgotnoœci w ramach danej klasy roœlinnej zak³óca poprawnoœæ, zarówno interpretacji wizualnej, jak i klasyfikacji automatycznej zdjêcia mikrofalowego. Na przyk³adzie roœlin uprawnych widaæ, ¿e nawet dla jednolitej gatunkowo klasy
zró¿nicowanie takich parametrów jak wilgotnoœæ gleby, iloœæ wody w roœlinach, biomasa,
stopieñ pokrycia gleby przez roœliny itp. wp³ywaj¹ znacz¹co na zró¿nicowanie intensywnoœci
rozpraszania mikrofal i co za tym idzie na dok³adnoœæ klasyfikacji. Teoretyczne badanie zale¿noœci sygna³u mikrofalowego od wymienionych czynników jest skomplikowane, a eksperymentalny opis tych zale¿noœci wymaga pracoch³onnych pomiarów terenowych.
1 Praca zosta³a zrealizowana w ramach projektu badawczego nr 4T12E01027 finansowanego przez
Ministerstwo Nauki.
192
Krystyna Stankiewicz, Emilia Wiœniewska
W celu opracowania skutecznych i uniwersalnych metod klasyfikacji zdjêæ mikrofalowych nale¿y najpierw zanalizowaæ zmiennoœæ przestrzenn¹ sygnatur poszczególnych klas
pokrycia terenu i ich zale¿noœæ od rozmaitych czynników œrodowiskowych. Od 2003 roku
w kolejnych sezonach wegetacyjnych wykonywana jest w IGiK klasyfikacja zdjêæ mikrofalowych z satelity ENVISAT pod k¹tem rozpoznawania upraw i innych klas roœlinnych. Skonstruowano bazê b³êdnie sklasyfikowanych obszarów zawieraj¹c¹ informacjê o klasie rzeczywistej i klasie przypisanej przez klasyfikator oraz dane charakteryzuj¹ce obszar na podstawie
niezale¿nych Ÿróde³.
Na wybranych polach wykonywane by³y szczegó³owe pomiary punktowe wilgotnoœci i
biomasy. Wykorzystanie wyników pomiarów punktowych do ustalenia przyczyn niepowodzeñ
klasyfikacji wymaga estymacji rozk³adów mierzonych wielkoœci na ca³ej powierzchni pola.
Dziêki temu mo¿liwe staje siê badanie korelacji przestrzennych klasyfikowanych cech z mierzonymi parametrami. Do estymacji rozk³adów przestrzennych mo¿na wykorzystaæ narzêdzia
geostatystyki. Zastosowana metoda postêpowania zosta³a opisana na przyk³adzie pomiarów
objêtoœciowej wilgotnoœci przypowierzchniowej warstwy gleby wykonywanych w celu rozpoznania wp³ywu tego parametru na dok³adnoœæ klasyfikacji zdjêæ mikrofalowych.
Metody
Zmiennoœæ sygnatur pozyskanych na podstawie satelitarnych zdjêæ mikrofalowych dla
klasy pokrycia terenu reprezentuj¹cej roœlinnoœæ jest zale¿na od zmiennoœci wilgotnoœci oraz
szorstkoœci powierzchni, z któr¹ oddzia³uj¹ mikrofale (Oliver, Quegan, 1998). W przypadku
klas roœlinnych szorstkoœæ zale¿y od wielkoœci i rozmieszczenia czêœci roœlin, których udzia³
w procesie rozpraszania jest najbardziej znacz¹cy. Zale¿noœæ intensywnoœci rozpraszania od
tak rozumianej szorstkoœci pozwala na rozró¿nianie na zdjêciach mikrofalowych zbiorowisk
roœlin o ró¿nej strukturze, podczas gdy zale¿noœæ rozpraszania od wilgotnoœci mo¿e wp³ywaæ niekorzystnie na efektywnoœæ takiego rozpoznania. Interesuj¹ca jest odpowiedŸ na pytanie, jaki zakres zmiennoœci wilgotnoœci nie zaburza dok³adnoœci identyfikacji poszczególnych klas roœlinnoœci. Liczne próby modelowania zale¿noœci intensywnoœci sygna³u mikrofalowego od wilgotnoœci z wykorzystaniem szczegó³owych danych opisuj¹cych warstwê
roœlinn¹ i glebê w jej pod³o¿u zosta³y podsumowane np. w pracy Notarnicoli (Notarnicola i
in., 2006). Proponowane dot¹d modele nie s¹ dostatecznie uniwersalne (Vecchia i in., 2006),
aby mo¿na ich u¿yæ do oceny dok³adnoœci klasyfikacji zdjêæ mikrofalowych. Poza tym czêsto nie posiadamy dostatecznej informacji o przestrzennych rozk³adach ró¿nych istotnych
parametrów, które nale¿y braæ pod uwagê w pracach modelowych. Wskazuj¹ na to np.
wyniki badañ agrofizycznych takich jak opisane w pracy dotycz¹cej przestrzennej zmiennoœæ w³aœciwoœci gleby w skali pola i gminy (Usowicz, Hajnos i in., 2004).
W tej sytuacji pytanie o wp³yw zmiennoœci wilgotnoœci na efektywnoœæ klasyfikacji próbujemy czêœciowo sprowadziæ do pytania o to, czy ró¿norodnoœæ siedlisk dla danej klasy
roœlinnoœci zaburza w sposób istotny rozpoznanie tej klasy na zdjêciach mikrofalowych.
Poprzez obserwacjê okreœlonych wskaŸników roœlinnych wyznaczonych na podstawie optycznych zdjêæ satelitarnych mo¿na wnioskowaæ o charakterze siedliska. Do wyznaczenia siedlisk mo¿na wykorzystaæ zdjêcia satelitarne z zakresu optycznego. Znormalizowany wskaŸnik zieleni NDVI wyznaczony na podstawie zdjêæ satelitarnych zarejestrowanych w zakresach czerwieni i podczerwieni jest dobrym indykatorem biomasy, a tak¿e zawartoœci wody
Wykorzystanie metod geostatystyki do wspomagania klasyfikacji mikrofalowych zdjêæ...
193
w roœlinach. Uzasadnione jest zestawianie tego wskaŸnika z sygna³em mikrofalowym zarejestrowanym na zdjêciach mikrofalowych pozyskanych w niewielkim odstêpie czasu wzglêdem rejestracji zdjêcia z zakresu optycznego. By³o to np. mo¿liwe w przypadku zdjêæ z
satelity ENVISAT zarejestrowanych w dniach 11 i 14 lipca 2005 roku oraz zdjêcia z satelity
IKONOS zarejestrowanego 12 lipca 2005 roku. Jeœli jednak wskaŸnik NDVI jest zale¿ny od
jakoœci siedliska, to rozk³ad przestrzenny tego wskaŸnika stanowi informacjê, która mo¿e
byæ wykorzystywana w szerszym przedziale czasu. Mo¿na orientacyjnie wyró¿niæ trzy kategorie siedlisk: takie, które s¹ wyj¹tkowo wra¿liwe na nadmiar wilgoci, takie które s¹ wyj¹tkowo wra¿liwe na brak wody i pozosta³e. Te trzy kategorie mo¿na odró¿niæ na podstawie
jakoœci pokrywy roœlinnej w sezonach wegetacyjnych ró¿ni¹cych siê warunkami pogodowymi. Na zdjêciach mikrofalowych mo¿na spodziewaæ siê nietypowego obrazu siedlisk
wyj¹tkowo wra¿liwych na niedobory wody lub jej nadmiar przy niekorzystnych warunkach
pogodowych. Na podstawie rozk³adu przestrzennego NDVI, a œciœlej na podstawie powtarzaj¹cych siê w kolejnych sezonach wegetacyjnych wzorców rozk³adów przestrzennych
NDVI mo¿na wyznaczaæ obszary potencjalnie trudne do sklasyfikowania na zdjêciach mikrofalowych. Dla tych szczególnie wra¿liwych obszarów nale¿y opracowaæ odrêbn¹ strategiê klasyfikacji. Takie podejœcie pozwala na zast¹pienie analiz opartych na trudno dostêpnych
danych o rozk³adach wilgotnoœci analiz¹ zale¿noœci od rozk³adów biomasy, która jest zarazem indykatorem poziomu wilgotnoœci.
W celu weryfikacji tych za³o¿eñ wykonywano pomiary punktowe wilgotnoœci objêtoœciowej gleby, biomasy i zawartoœci wody w roœlinach na wybranych polach w terminach
skorelowanych z pozyskiwaniem zdjêæ satelitarnych. Aby umo¿liwiæ badanie zwi¹zków pomiêdzy sygna³em mikrofalowym zarejestrowanym na zdjêciach satelitarnych, a rozk³adami
przestrzennymi mierzonych wielkoœci nale¿a³o dokonaæ interpolacji wyników pomiarów na
badanych obszarach. Sposób opracowania pomiarów punktowych zosta³ przedstawiony na
przyk³adzie pomiarów wilgotnoœci objêtoœciowej gleby.
Na wybranych polach mierzono wilgotnoœæ objêtoœciow¹ gleby za pomoc¹ czujnika Theta Probe ML2. Pomiar dotyczy³ przypowierzchniowej warstwy gleby w zakresie 0–6 cm.
Precyzja pomiaru wilgotnoœci za pomoc¹ Theta Probe wynosi oko³o 1%. Wilgotnoœæ warstwy przypowierzchniowej charakteryzuje siê zmiennoœci¹ przestrzenn¹ w kilku skalach i
zale¿y silnie nie tylko od rodzaju gleb, ale tak¿e od rodzaju pokrywy roœlinnej (Mizgajski,
1986). W opisywanym przypadku chodzi³o o okreœlenie zmiennoœci tej wielkoœci w obrêbie
pól o powierzchni rzêdu kilkudziesiêciu hektarów.
Do interpolacji wykorzystano oprogramowanie Geostatistical Analyst firmy ESRI (Johnston, Ver Hoef i in., 1997). Po wykonaniu szeregu prób, spoœród kilku metod interpolacji
dostêpnych w Geostatistical Analyst, wybrano metodê krigingu zwyczajnego (Goovaerts,
1997), poniewa¿ uzyskano w ten sposób najwiêksz¹ dok³adnoœæ interpolacji. Proces interpolacji zosta³ poprzedzony analiz¹ danych pomiarowych z wykorzystaniem narzêdzi statystycznych dostêpnych w ramach oprogramowania Geostatistical Analyst.
W³asnoœci statystyczne danych pomiarowych nabieraj¹ g³êbszego znaczenia, gdy s¹ analizowane w kontekœcie zale¿noœci przestrzennych. Np. wizualna ocena rozk³adu przestrzennego punktów pomiarowych, w których mierzona wielkoœæ przyjmuje wartoœci z okreœlonego zakresu pozwala odkryæ uwarunkowania przestrzenne danych pomiarowych. Ma to szczególne znaczenie w przypadku asymetrycznych rozk³adów z próby. Podobnie wykres kwantyl-kwantyl, który daje ocenê odstêpstwa rozk³adu wyników pomiarów od rozk³adu normalnego, mo¿e byæ analizowany w kontekœcie przestrzennym.
Krystyna Stankiewicz, Emilia Wiœniewska
194
Metoda krigingu nale¿y do metod geostatystyki, które stosuje siê do zregionalizowanych
zmiennych losowych. Wartoœci takiej zmiennej losowej w punktach le¿¹cych we wzajemnym s¹siedztwie niewiele siê od siebie ró¿ni¹, natomiast wraz ze wzrostem odleg³oœci korelacja pomiêdzy wartoœciami zmiennej maleje. Przed zastosowaniem metody krigingu nale¿y
zbadaæ semiwariogram danych pomiarowych w celu oceny charakteru zmiennoœci przestrzennej badanej zmiennej. Funkcja semiwariogramu γ(h) jest okreœlona wzorem (Goovaerts, 1997):
2
N (h )
(1)
1
[z (uα )− z (uα + h )]
γ (h ) =
2 N (h ) α =1
∑
gdzie:
z (uα )
h
– wynik pomiaru w punkcie uα,
– odleg³oœæ miêdzy punktami pomiarowymi, okreœlana z pewn¹ ograniczon¹
dok³adnoœci¹,
N(h)
– liczba par pomiarów wykonanych we wzajemnej odleg³oœci równej (w przybli¿eniu) h.
Semiwariogram jest wiêc miar¹ zmiennoœci przestrzennej danej wielkoœci Z, gdy¿ dostarcza informacji o œredniej rozbie¿noœci wyników pomiarów wykonanych w odleg³oœci h.
Przy odleg³oœci h bliskiej zeru wartoœæ semiwarigramu mo¿e byæ wiêksza od zera. Efekt ten
zwany efektem samorodka wynika z b³êdów pomiaru lub silnych fluktuacji mierzonej wielkoœci na ma³ych dystansach. Wraz ze wzrostem odleg³oœci wartoœci funkcji γ rosn¹, co
wynika z malej¹cego podobieñstwa wartoœci zmiennej losowej. Powy¿ej pewnej odleg³oœci
zwanej zakresem wartoœci semiwariogramu stabilizuj¹ siê i osi¹gaj¹ wartoœæ zwan¹ progiem.
Dla odleg³oœci wiêkszych od zakresu zanika korelacja miêdzy wartoœciami mierzonej wielkoœci. Semiwariogram mo¿e byæ wyznaczany w okreœlonym kierunku, co pozwala sprawdziæ,
czy rozk³ad mierzonej wielkoœci jest izotropowy. Dopasowanie funkcji analitycznej do semiwariogramu pozwala opisaæ w sposób matematyczny zmiennoœæ przestrzenn¹ ró¿nic zmiennej Z. Funkcja analityczna opisuj¹ca semiwariogram mo¿e byæ nastêpnie wykorzystana do
wyznaczania nieznanych wartoœci Z w punktach, w których brak danych pomiarowych.
Zwyk³y kriging to metoda interpolacji, w której wykorzystywana jest funkcja dopasowana do semiwariogramu. W metodzie krigingu liniowym estymatorem nieobci¹¿onym wielkoœci Z w punkcie u jest kombinacja liniowa wartoœci zmierzonych w s¹siedztwie:
Z ∗ (u ) =
N (u )
N (u )
α =1
α =1
∑ λα (u )⋅Z (uα ) gdzie
∑ λ (u ) = 1
α
(2)
Wagi λα(u) s¹ wyznaczane na podstawie uk³adu równañ wynikaj¹cego z warunku minimalizacji wariancji b³êdu. B³¹d ten jest okreœlony w punktach pomiarowych jako ró¿nica
pomiêdzy wartoœci¹ estymowan¹, a wynikiem pomiaru. Oprogramowanie Geostatistical Analyst
dostarcza szeregu narzêdzi, które wspomagaj¹ zastosowanie metody krigingu do wyznaczenia mapy zmiennej losowej na podstawie pomiarów punktowych. U¿ytkownik mo¿e oceniæ
wizualnie przebieg semiwariogramu, kontrolowaæ sposób dopasowania funkcji analitycznej
do semiwariogramu, zbadaæ, czy wartoœci pomiarowe wskazuj¹ na anizotropiê rozk³adu
zmiennej losowej, a nastêpnie kontrolowaæ proces estymacji.
Wykorzystanie metod geostatystyki do wspomagania klasyfikacji mikrofalowych zdjêæ...
195
Obszar testowy
Obszar testowy znajduje siê w Wielkopolsce i obejmuje Park Krajobrazowy im. gen. Ch³apowskiego oraz jego okolice. Jest to obszar rolniczy, w którym wystêpuj¹ zarówno gleby o
znacznej przydatnoœci rolniczej, które klasyfikuje siê jako odpowiednie do uprawy buraków
cukrowych i pszenicy, jak równie¿ gleby o umiarkowanej przydatnoœci stosowne do uprawy
¿yta. S¹ to jednak przewa¿nie gleby o niskiej zdolnoœci do gromadzenia wody. Bior¹c pod
uwagê, ¿e wartoœæ rocznej œredniej opadów jest bardzo niska mo¿na mówiæ o niezbyt korzystnych warunkach wzrostu roœlin na tym obszarze. Wed³ug bazy danych o pokryciu i u¿ytkowaniu terenu, przygotowanej w ramach europejskiego projektu CORINE, ponad 77% powierzchni obszaru testowego zajmuj¹ grunty orne, 12,6% – lasy, oko³o 5% – ³¹ki i pastwiska, a 2,6%
zajmuje zabudowa ró¿nego typu. Do najbardziej rozpowszechnionych upraw nale¿¹: pszenica,
¿yto, pszen¿yto, buraki cukrowe i pastewne, kukurydza oraz rzepak.
Obszar testowy by³ odwiedzany w trakcie rejestracji mikrofalowych zdjêæ satelitarnych.
Odnotowywano wtedy rodzaje upraw na poszczególnych polach, dokonywano oceny kondycji roœlin, wykonywano pomiary wilgotnoœci i biomasy.
Materia³y i ich przetwarzanie
Rozpoznanie wybranych klas roœlinnych by³o przeprowadzone na podstawie klasyfikacji
serii zdjêæ zarejestrowanych przez satelitê ENVISAT2 w 2005 roku (tab. 1). Zdjêcia te s¹
wykonywane za pomoc¹ urz¹dzenia ASAR, które s³u¿y do aktywnego obrazowania mikrofalowego w zakresie fal o d³ugoœci oko³o 5 cm przy przestrzennej zdolnoœci rozdzielczej wynosz¹cej oko³o 30 m. W celu uzyskania zestawu danych spójnego geometrycznie i radiometrycznie zdjêcia nale¿y przed klasyfikacj¹ poddaæ wstêpnym przetworzeniom. Ka¿de ze zdjêæ
zosta³o dopasowane do mapy w uk³adzie 1992. Dokonano filtracji szumów oraz odpowiedniej kalibracji, tak aby wartoœci odpowiadaj¹ce poszczególnym pikselom zdjêcia by³y miar¹
intensywnoœci rozpraszania mikrofal. Ostatecznie wielkoœæ, która poddawana by³a dalszym
analizom i klasyfikacji to tzw. wspó³czynnik gamma. Szczegó³y przetwarzania wstêpTabe la 1. Ze s taw zdjê æ ASAR z s ate lity EN VISAT
nego zosta³y opisane w artykule poœwiêcoData
Polaryzacja
Typ
K¹t padania
nym rozpoznawaniu upraw na zdjêciach misceny
mikrofal [o]
krofalowych (Stankiewicz, 2006).
02 maja 2005
VV, VH
IS4
31,0–36,3
W pracy wykorzystano równie¿ wysoHH, HV
IS2
19,2–26,7
korozdzielcze zdjêcia z satelity IKONOS3 08 maja 2005
zarejestrowane 12 lipca 2005: zdjêcie wie- 15 maja 2005
VV, VH
IS6
39,1–42,3
lospektralne zarejestrowane w czterech 12 czerwca 2005
HH, HV
IS2
19,2–26,7
optycznych zakresach widma fal elektro2
Zdjêcia ASAR zosta³y dostarczone przez
Europejsk¹ Agencjê Kosmiczn¹ w ramach projektu CAT-1 nr 1427.
3 Zdjêcie zosta³o zarejestrowane przez Satelitarne Centrum Operacji Regionalnych (SCOR) w
Komorowie.
19 czerwca 2005
VV, VH
IS6
39,1–42,3
11 lipca 2005
VV, VH
IS4
31,0–36,3
14 lipca 2005
HH, HV
IS3
26,0–31,4
24 lipca 2005
VV, VH
IS6
39,1–42,3
28 sierpnia 2005
VV, VH
IS6
39,1–42,3
196
Krystyna Stankiewicz, Emilia Wiœniewska
magnetycznych z rozdzielczoœci¹ przestrzenn¹ równ¹ 4 m oraz zdjêcie panchromatyczne o
rozdzielczoœci przestrzennej równej 1 m. Na podstawie ró¿nicy odbicia w czerwieni i podczerwieni obliczony zosta³ wskaŸnik NDVI.
Do projektu zosta³y równie¿ do³¹czone wyniki pomiarów punktowych takich jak pomiary
wysokoœci roœlin, pomiary objêtoœciowej wilgotnoœci warstwy przypowierzchniowej gleby,
biomasy suchej i zawartoœci wody w roœlinach.
Automatyczna klasyfikacja zdjêæ mikrofalowych
Bezpoœrednia klasyfikacja wartoœci reprezentuj¹cych pojedyncze piksele zdjêcia mikrofalowego jest zwykle obarczona du¿ymi b³êdami z powodu zjawiska plamkowania (speckle),
które powoduje znaczn¹ zmiennoœæ sygna³u w obrêbie danej klasy, a jest wynikiem zastosowanej technologii pozyskiwania zdjêæ. Lepsze rezultaty daje klasyfikacja wartoœci uœrednionych na obszarze segmentów zdjêcia, o ile segmenty te pokrywaj¹ w miarê jednorodne
obszary nale¿¹ce do pojedynczej klasy. Automatyczne wyodrêbnienie takich segmentów jest
mo¿liwe np. przy wykorzystaniu oprogramowania eCognition (eCognition User Guide, 2002).
W oprogramowaniu tym zastosowano opatentowan¹ metodê segmentacji, która zosta³a opracowana z myœl¹ o zdjêciach s³abo skontrastowanych z silnie zaznaczaj¹c¹ siê tekstur¹, takich jak np. zdjêcia mikrofalowe.
Mikrofalowe sygnatury klas by³y wyznaczane jako wartoœci œrednie wspó³czynnika gamma obliczone dla segmentów. Klasyfikacja nadzorowana zosta³a przeprowadzona z wykorzystaniem sieci neuronowych reprezentowanych przez wielowarstwowy perceptron (MLP)
(Tso i Mather, 2001). Sieæ neuronowa by³a uczona i weryfikowana na podstawie danych
zebranych na obszarze testowym. Dok³adnoœæ klasyfikacji zale¿y od tego ile zdjêæ wykonanych w ró¿nych terminach wykorzystuje siê do generowania sygnatur klas. Na ogó³ sygnatury oparte wy³¹cznie na zdjêciu z jednego terminu nie wystarczaj¹ do skonstruowania wydajnego klasyfikatora. Dok³adnoœæ klasyfikacji na ogó³ nie przekracza w tym przypadku 50%
dla wiêkszoœci klas roœlinnych. Podniesienie dok³adnoœci klasyfikacji opartej na zdjêciach
mikrofalowych wykonanych w pojedynczym zakresie d³ugoœci fal wymaga uwzglêdnienia
zdjêæ pozyskanych w ró¿nych okresach fenologicznych. Koniecznoœæ wykorzystania zdjêæ
z ró¿nych terminów utrudnia analizê wp³ywu zmiennoœci sygnatur reprezentuj¹cych dan¹
klasê na dok³adnoœæ klasyfikacji.
ZmiennoϾ sygnatur mikrofalowych
Niezadowalaj¹ce wyniki klasyfikacji dwukana³owego zdjêcia z satelity ENVISAT mo¿na
wyjaœniæ analizuj¹c œrednie wartoœci sygnatur wyró¿nionych klas wraz z przedzia³ami ufnoœci, które przedstawia rysunek 1. Dla obu rozpatrywanych kombinacji polaryzacji separowalnoœæ sygnatur jest nie wystarczaj¹ca do satysfakcjonuj¹cego rozdzielenia klas. Z jednej
strony jest to zapewne konsekwencja terminu pozyskania zdjêcia. W po³owie lipca zbo¿a s¹
w fazie dojrzewania i z powodu coraz mniejszej zawartoœci wody w roœlinach coraz s³abiej
rozpraszaj¹ mikrofale i ich sygnatury s¹ bardzo zbli¿one. Obraz lasów liœciastych i iglastych
jest bardzo podobny, a sygnatury tych klas niewiele ró¿ni¹ siê od sygnatur rzepaku. Te
obserwacje potwierdzaj¹ znany fakt, ¿e pojedyncze zdjêcia pozyskane w paœmie C nie zawie-
Wykorzystanie metod geostatystyki do wspomagania klasyfikacji mikrofalowych zdjêæ...
197
Rys. 1. Œrednie wartoœci wspó³czynnika gamma dla poszczególnych klas wyró¿nianych na zdjêciach
mikrofalowych wraz z przedzia³ami ufnoœci na poziomie istotnoœci równym 0,05;
oznaczenia: 1 – zbiorniki wodne; 2 – las iglasty; 3 – las liœciasty; 4 – las mieszany; 5 – ³¹ki; 6 – pszenica
ozima; 7 – pszen¿yto; 8 – ¿yto; 9 – jêczmieñ jary; 10 – owies; 11 – lucerna; 12 – buraki pastewne;
13 – kukurydza; 14 – rzepak
raj¹ wystarczaj¹cych informacji do rozpoznania klas pokrycia terenu z wymagan¹ dok³adnoœci¹. Podniesienie dok³adnoœci klasyfikacji zdjêæ wykonanych w paœmie C jest mo¿liwe, o ile
zostan¹ wykorzystane zdjêcia pozyskane w kilku terminach odpowiadaj¹cych ró¿nym okresom fenologicznym. Równoczesne wykorzystanie serii 7 zdjêæ ASAR pozyskanych w okresie od 2 maja do 14 lipca 2005 roku (tab. 1) pozwoli³o na
osi¹gniêcie ogólnej dok³adnoœci klasyfikacji równej 81%. Porównanie
dok³adnoœci klasyfikacji uzyskanej
dla jednego zdjêcia dwukana³owego
Rys. 2. Porównanie dok³adnoœci klasyfikacji dwu zestawów
i dla zestawu 7 zdjêæ dwukana³ozdjêæ mikrofalowych z satelity ENVISAT. Zestaw I: sk³ada³
wych przedstawia dla poszczególsiê z dwóch dwukana³owych zdjêæ zarejestrowanych 11 i 14
nych klas rysunek 2. Dla porównalipca 2005 r. Zestaw II sk³ada³ siê z siedmiu dwukana³owych
nia uwzglêdniono klasê reprezentuzdjêæ zarejestrowanych 2 , 8 i 15 maja, 12 i 19 czerwca,
j¹c¹ wody powierzchniowe, dla któ11 i 14 lipca 2005 roku. Oznaczenia klas jak na rysunku 1.
198
Krystyna Stankiewicz, Emilia Wiœniewska
rej dok³adnoœæ rozpoznania jest niska z powodu du¿ej zmiennoœci sygnatur. Dla pozosta³ych
klas dok³adnoœæ wzrasta wraz z liczb¹ zdjêæ wykorzystanych do klasyfikacji. Wszystkie
przypadki nieprawid³owo sklasyfikowanych obiektów by³y szczegó³owo badane.
Rozk³ad przestrzenny wilgotnoœci objêtoœciowej gleby
i badanie jego wp³ywu na sygnatury mikrofalowe
Analiza geostatystyczna wyników pomiarów objêtoœciowej wilgotnoœci gleby (OWG) przedstawiono na przyk³adzie pola, na którym zmierzono tê wielkoœæ w 50 punktach (tab. 2).
Prawoskoœnoœæ rozk³adu zmierzonych wartoœci
OWG
jest wynikiem wystêpowania obszarów o znaczTabe la 2. Statys tyka pomiarów
nie podwy¿szonej wilgotnoœci w lokalnym obni¿eniu
objê toœ ciowe j wilgotnoœ ci gle by
w wars twie 0–6 cm
terenu. Empiryczny semiwariogram wyznaczony na
Parametr
WartoϾ
podstawie pomiarów potwierdza³ anizotropowy rozk³ad
wilgotnoœci na obszarze badanego pola. Zakres semiLiczba punktów
50
wariogramu pod k¹tem 35,7o w kierunku na pn.-wsch.
by³ 1,25 razy wiêkszy ni¿ w kierunku do niego prostoMinimum
8,6 %
pad³ym i wynosi³ 239 m. Efekt samorodka wynosi³ oko³o
Maksimum
26,5 %
5 (dla wilgotnoœci wyra¿anej w %), a wartoœæ progu –
21,8. W opisie podobnych pomiarów w pracy (UsoŒrednia
16,10 %
wicz, Usowicz, 2004) du¿a wartoœæ efektu samorodka
Odchylenie standardowe
4,772
przypisywana jest zbyt du¿emu krokowi próbkowania,
Kurtoza
2,486
(w tym przypadku 25 m na wybranych transektach).
Po uwzglêdnieniu b³êdu pomiarów wartoœæ semiwarioSkoœnoœæ
0,608
gramu dla h = 0 m zmniejszy³a siê o po³owê. Na podstawie badania semiwariogramu nie wykryto trendu w danych pomiarowych. Do semiwariogramu empirycznego zosta³a dopasowana funkcja analityczna – dobre wyniki dopasowania uzyskano
dla funkcji sferycznej. Porównanie wartoœci
zmierzonych i przewidywanych po zastosowaniu zwyk³ego krigingu przedstawia rysunek 3.
B³¹d œredniokwadratowy estymacji równy 3,1
by³ bardzo bliski b³êdowi standardowemu, co
oznacza prawid³ow¹ ocenê zmiennoœci w predykcji. Œredni b³¹d standardowy wynosi³
0,0067, a standaryzowany b³¹d œredniokwadratowy – 0,98, co wskazuje na niewielk¹ tendencjê do zawy¿ania zmiennoœci estymowanej
zmiennej.
Wilgotnoœæ objêtoœciowa wyznaczona na
podstawie estymacji metod¹ krigingu zosta³a
Rys. 3. Porównanie zmierzonych wartoœci
przedstawiona na obszarze pola na rys. 4a. W
wilgotnoœci objêtoœciowej gleby z wartoœciami
ogólnoœci rozk³ad wilgotnoœci jest zale¿ny od
estymowanymi metod¹ zwyk³ego krigingu
Wykorzystanie metod geostatystyki do wspomagania klasyfikacji mikrofalowych zdjêæ...
199
ukszta³towaniem terenu – najwiêksza wilgotnoœæ wystêpuje w najni¿szej czêœci pola. Innym
czynnikiem kszta³tuj¹cym rozk³ad przestrzenny wilgotnoœci jest zmiennoœæ gatunku gleby na
obszarze badanego pola. Niestety nawet na mapach w skali 1:5000 granice poszczególnych
stref glebowych zaznaczone s¹ w sposób przybli¿ony, co utrudnia œcis³e oszacowanie tej wspó³zale¿noœci. Rozk³ad przestrzenny biomasy na obszarze pola by³ wyraŸnie skorelowany z rozk³adem wilgotnoœci. Okazuje siê, ¿e podobna korelacja pojawia siê tak¿e w innych sezonach
wegetacyjnych i œwiadczy o pewnej sta³ej tendencji. Rysunek 4b pokazuje rozk³ad wspó³czynnika NDVI, który zosta³ zarejestrowany na badanym polu w poprzednim sezonie wegetacyjnym, gdy na polu tym ros³a pszenica ozima. Na mapê NDVI na³o¿one zosta³y izolinie uzyskane
na podstawie estymowanych wartoœci wilgotnoœci w kolejnym sezonie wegetacyjnym, gdy na
tym samym polu ros³y buraki pastewne. Wartoœæ R2 równa 0,52 w tym przypadku œwiadczy o
istotnym zwi¹zku pomiêdzy NDVI i wilgotnoœci¹ i jest wyrazem zale¿noœci wzrostu roœlin od
siedliska.
Badano nastêpnie zale¿noœæ wspó³czynnika gamma od wilgotnoœci w poszczególnych
klasach roœlinnych. Analizy przeprowadzono dla wszystkich obrazów ASAR wymienionych
w tabeli I. Najmniejsz¹ zale¿noœæ od wilgotnoœci obserwuje siê dla zdjêæ mikrofalowych
zarejestrowanych przy polaryzacji krzy¿owej (HV lub VH), co w szczególny sposób predestynuje je do wykorzystania w klasyfikacji roœlinnoœci.
Wnioski
Chocia¿ wykorzystany do klasyfikacji zdjêæ mikrofalowych klasyfikator oparty na sieciach neuronowych jest stosunkowo odporny na wewnêtrzn¹ zmiennoœæ sygnatur w poszczególnych klasach, to jednak dok³adnoœæ klasyfikacji niektórych klas roœlinnych jest niezadowalaj¹ca. Zmiennoœæ biomasy i wilgotnoœci warstwy glebowo-roœlinnej w ramach pojedynczych klas ma niekorzystny wp³yw na rozró¿nialnoœæ tych klas na zdjêciach mikrofalowych. Pozyskanie odpowiednio szczegó³owych informacji dotycz¹cych rozk³adu przestrzennego wilgotnoœci gleb, jest bardzo skomplikowane metod¹ pomiarów naziemnych. To samo
dotyczy równie¿ bie¿¹cego rozk³adu biomasy i rozk³adu zawartoœci wody w roœlinach, a
tak¿e rozk³adu wspó³czynnika pokrycia gleby przez roœliny. Odtwarzanie rozk³adów przestrzennych tych wielkoœci na podstawie pomiarów punktowych metodami geostatystyki
pozwala na analizê ich wzajemnych relacji, a tak¿e na ocenê zale¿noœci rozpraszania mikrofalowego od tych wielkoœci.
Z przeprowadzonych analiz wynika, ¿e do klasyfikacji roœlinnoœci dobrze nadaj¹ siê satelitarne zdjêcia mikrofalowe wykonane przy polaryzacji krzy¿owej (VH lub HV), poniewa¿ s¹
one bardziej odporne na wp³yw przestrzennej zmiennoœci wilgotnoœci. Do badania wp³ywu
zmiennoœci wilgotnoœci i biomasy na dok³adnoœæ klasyfikacji mo¿na wykorzystaæ oszacowanie ich rozk³adów przestrzennych na podstawie niezale¿nych danych satelitarnych, np.
wysokorozdzielczych zdjêæ optycznych. Bardziej ni¿ bezwzglêdne wartoœci wymienionych
parametrów interesuj¹ce s¹ ich rozk³ady oraz wspó³zale¿noœci miêdzy tymi rozk³adami, a
tak¿e zale¿noœæ od wolno zmieniaj¹cych siê w czasie cech krajobrazu, czyli od pewnych
w³asnoœci siedlisk, takich jak gleby, ukszta³towanie terenu, po³o¿enie w zlewni itp. Badanie
zale¿noœci dok³adnoœci klasyfikacji zdjêæ mikrofalowych od ró¿nych czynników bêdzie kontynuowane poniewa¿ wnioski uzyskane w danym sezonie wegetacyjnym wymagaj¹ potwierdzenia w innych warunkach pogodowych.
200
Krystyna Stankiewicz, Emilia Wiœniewska
Literatura
Notarnicola C., Angiulli M., Posa F., 2006: Use of Radar and Optical Remotely Sensed Data for Soil Moisture
Retrieval Over Vegetated Areas, IEEE Trans. Geosci. Remote Sens., vol.44, no.4 (2006), 925-935.
eCognition User Guide 2002: Definiens Imaging GmbH, München
Goovaerts P., 1997: Geostatistics for Natural Resources Evaluation, Oxford University Press, Oxford - New
York.
Johnston K., Ver Hoef J.M., Krivoruchko K., Lucas N., 1997: Using ArcGIS Geostatistical Analyst, ESRI,
USA.
Mizgajski A., 1986: Niektóre uwarunkowania przepuszczalnoœci warstwy przypowierzchniowej w rolniczo
u¿ytkowanych geokompleksach m³odoglacjalnych, Badania Fizjograficzne nad Polsk¹ Zachodni¹, t. XXXVI,
seria A, Geografia fizyczna, PWN, Poznañ-Warszawa, str. 137-154.
Oliver C., Quegan S., 1998: Understanding Synthetic Aperture Radar Images, Artech House, London, 1998.
Stankiewicz K.A., 2006: The Efficiency of Crop recognition on ENVISAT ASAR Images in Two Growing
Seasons, IEEE Trans. Geosci. Remote Sens., vol. 44, no. 4 (2006), 806-814.
Tso B., Mather P.M., 2001: Classification Methods for Remotely Sensed Data, Taylor & Francis, London.
Usowicz B., Hajnos, M., Soko³owska Z., Józefaciuk G., Bowanko G., Kossowski J., 2004: Przestrzenna
zmiennoœæ fizycznych i chemicznych w³aœciwoœci gleby w skali pola i gminy, Acta Agrophysica, Rozprawy i monografie, Lublin.
Usowicz B., Usowicz £., 2004: Punktowe pomiary wilgotnoœci gleby a jej przestrzenny rozk³ad na polach
uprawnych, Acta Agrophysica, 4(2), 573-588.
Vecchia A.D., Ferrazzoli P., Guerriero L., Defourny P., Dente L., Mattia F., Satalino G., Strozzi T., Wegmüller
U., 2006: Influence of Geometrical Factors on Crop Backscattering at C-Band, IEEE Trans. Geosci.
Remote Sens., vol. 44, no. 4, 778-790.
Summary
Microwave images from ENVISAT satellite can be used for the recognition of land cover classes. They
can be extremely important on the occasions when such recognition should be done at a specified
moment but optical satellite images are unavailable due to persisting overcast. However, the application of microwave images to land cover classification requires special handling, because the registered microwave signal depends on various factors which make the unique interpretation of images a
complex task. The presented paper is focused on vegetation classes representing short natural vegetation and agricultural crops. The microwave backscattering from vegetation depends strongly on
canopy architecture as well as on water content in plants and in soil. The spatial variability of moisture
disturbs the visual interpretation of microwave images and makes their automatic classification
difficult. In order to elaborate efficient and robust classification methods, the spatial variability of
signatures referring to land cover classes has to be analyzed in the first step.
The analysis of signature variability for vegetation classes was presented using ENVISAT ASAR
microwave images acquired during vegetation growth season in 2005. Our test site is located in
Wielkopolska in the vicinity of Dezydery Ch³apowski Agro-ecological Landscape Park. It is a rural
area with prevailing agriculture land use. Beside arable land, orchards and plantations there are the
following other significant land cover classes: deciduous and coniferous forest, grasslands, urban
area and water bodies. The signatures of vegetation classes were investigated considering the date
and the parameters of images registration as well as various characteristics of the test site area such
as spatial variability of biomass, moisture content in plants and in soil. Several information layers
were considered in the project in order to characterize the investigated area: digital elevation model,
soil maps, topographic maps, satellite images acquired in the optical range, the results of point
measurements of soil moisture and biomass.
Point measurements of volumetric soil moisture (VSM) taken in the upper layer of soil were interpolated in order to estimate the spatial distribution of VSM over the whole area of the agricultural field.
Arc Map software and Geostatistical Analyst module were used for the geostatistical analysis of the
Wykorzystanie metod geostatystyki do wspomagania klasyfikacji mikrofalowych zdjêæ...
201
experimental data. The empirical semivariogram calculated from measured VSM data was investigated. The ordinary kriging was applied in order to estimate soil moisture over the field. The interpolation results were compared with the spatial distribution of NDVI calculated from satellite images
acquired in the optical range on various dates. This comparison shows that spatial distribution of soil
moisture is in agreement with some stable environmental features. This observation can help to
identify areas, which can be critical to the accuracy of vegetation recognition on microwave images.
The correlation of microwave backscattering with the estimated spatial distribution of soil moisture
was also investigated. The analysis shows that cross-polarized images acquired with VH or HV
polarization are better suited to vegetation classification than co-polarized ones because they are less
sensitive to moisture variability.
dr Krystyna Stankiewicz
[email protected]
tel. (022) 329 19 78
dr Emilia Wiœniewska
[email protected]
tel. (022) 329 19 71
202
Krystyna Stankiewicz, Emilia Wiœniewska
Rys. 4. Rozk³ad przestrzenny objêtoœciowej wilgotnoœci gleby w warstwie przypowierzchniowej na wybranym polu przedstawiony w postaci (a) – mapy;
(b) – izolinii na tle mapy rozk³adu przestrzennego NDVI z poprzedniego roku
POLSKIE
TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
Elektroniczne
mapy
nawigacyjne w rzecznych
systemach
informacyjnych
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
203
ELEKTRONICZNE MAPY NAWIGACYJNE
W RZECZNYCH SYSTEMACH INFORMACYJNYCH
ELECTRONIC NAVIGATIONAL CHARTS
IN RIVER INFORMATION SYSTEMS
Andrzej Stateczny
Instytut In¿ynierii Ruchu Morskiego, Akademia Morska w Szczecinie
S³owa kluczowe: nawigacja, elektroniczna mapa nawigacyjna, rzeczne systemy informacyjne
Keywords: navigation, electronic navigational chart, River Information Systems
Wstêp
W ostatnich latach obserwuje siê w Europie tendencje przenoszenia ³adunków z obci¹¿onych dróg i autostrad na drogi i autostrady wodne. Ogromny potencja³ œródl¹dowych dróg
wodnych ci¹gle jeszcze jest wykorzystywany w niewielkim zakresie. Jedn¹ z podstawowych przeszkód jest brak autoryzowanych elektronicznych map nawigacyjnych, bez których nawigacja odbywa siê jedynie w czasie dnia przy niskim poziomie bezpieczeñstwa.
Mo¿liwoœci rozwojowe systemów nadzoru ruchu statków i barek w ¿egludze œródl¹dowej wi¹¿¹ siê z wprowadzeniem zaawansowanych technologii, które wspieraj¹ podniesienie
bezpieczeñstwa ruchu jednostek p³ywaj¹cych na tym trudnym do przemieszczania siê obszarze. Potrzeby rozwojowe wi¹¿¹ siê ze wzrostem ruchu statków, który jest spowodowany
korzyœciami zwi¹zanymi z przeniesienia transportu towarów na drogi wodne. Podstawow¹
zalet¹ s¹ ni¿sze koszty transportu. Jednak, aby by³o mo¿liwe przeniesienie znacznego ruchu
z transportu samochodowego konieczne s¹ systemy nadzoruj¹ce ruch statków. Wdro¿enie
systemów nadzoru zaowocuje obni¿eniem kolizyjnoœci, a co za tym idzie ochronê wartoœci
materialnych oraz bezpieczeñstwo zdrowia i ¿ycia ludzkiego. Kolejnymi zaletami s¹ mniejsze
zanieczyszczanie œrodowiska oraz poprawa warunków ¿ycia ludnoœci, choæby przez obni¿enie ha³asu komunikacyjnego (Stateczny, 2005).
Zgodnie z dyrektyw¹ Unii Europejskiej mapy numeryczne zgodne ze standardem Inland
ECDIS powinny byæ opracowywane równie¿ na takie œródl¹dowe drogi wodne jak Odra.
Wiele projektów finansowanych przez Komisjê Europejsk¹ dotyczy³o rzecznych systemów
informacyjnych (RIS), w których podstawowym elementem s¹ Inland ECDIS.
204
Andrzej Stateczny
Rola ¿eglugi œródl¹dowej w Unii Europejskiej
Komisja Europejska uznaje du¿y potencja³ ¿eglugi œródl¹dowej jako alternatywnego rodzaju transportu towarów. Wiadomo, ¿e ¿egluga œródl¹dowa to czêstokroæ tañsza, bardziej
op³acalna, niezawodna i przyjazna dla œrodowiska forma transportu.
Europa posiada ponad 30 000 km kana³ów i rzek, które ³¹cz¹ ze sob¹ setki du¿ych miast
i obszarów przemys³owych, z tego ponad po³owa, bêd¹c dostêpna dla statków o pojemnoœci
³adunkowej powy¿ej 1,0 tys. ton, posiada znaczenie miêdzynarodowe, a ok. 40% udzia³u
kana³ów ¿eglugowych w ca³kowitej d³ugoœci œwiadczy o dobrym przystosowaniu ich do
¿eglugi. G³ówna sieæ, d³ugoœci oko³o 10 000 km, ³¹czy Holandiê, Belgiê, Luksemburg, Francjê, Niemcy i Austriê. Chocia¿ trzon jej stanowi¹ g³ówne rzeki takie jak Ren i Dunaj, wiele
odga³êzieñ w postaci dop³ywów i kana³ów ³¹czy liczne mniejsze miasta i skupiska przemys³owe. Znacz¹ca liczba portów usytuowanych wzd³u¿ sieci umo¿liwia dostêp do innych
œrodków transportu i stanowi ³¹cza pomiêdzy nimi.
Pomimo dostêpnoœci tej sieci, wci¹¿ du¿y potencja³ wodnych dróg œródl¹dowych nie jest
w pe³ni wykorzystywany.
Transport towarów wodnymi drogami œródl¹dowymi stanowi 7% transportu œródl¹dowego ogó³em krajów „piêtnastki”, z których dziewiêæ posiada znacz¹cy œródl¹dowy transport wodny o wielkoœci 125 miliardów tonokilometrów w roku 2000, podczas gdy transport
drogowy i kolejowy stanowi¹ odpowiednio 80% i 13%.
Najbardziej rozwiniêty rynek transportu wodnego œródl¹dowego posiadaj¹ takie kraje UE,
jak Holandia (42,7%), Belgia (13,1%), Niemcy (13,1%), Luksemburg (9,1%) i Austria (5,6%).
Jednak¿e blisko 80% ogó³u przewozów wodnych œródl¹dowych koncentruje siê na obszarze dwóch pañstw, tj. Niemiec i Holandii.
Zachodnioeuropejska sieæ po³¹czeñ wodnych œródl¹dowych, koncentruje siê wokó³ czterech g³ównych szlaków ¿eglugowych.
Szlak reñski. £¹czy holenderskie i belgijskie porty morskie Rotterdam, Amsterdam,
Antwerpiê i Gandawê z niemieckimi okrêgami przemys³owymi Frankfurtu, Mannheim i Zag³êbiem Ruhry, z francuskim regionem Metz-Nancy i Strasburgiem oraz z Bazyle¹ w pó³nocnej Szwajcarii. Szlak ten tworzy Ren i jego dop³ywy, czyli Mozela, Men i Neckar oraz kana³y
Wezera-Datteln i Ren-Herne.
Szlak dunajski. Przechodzi przez kraje naddunajskie z po³udniowych Niemiec do Morza
Czarnego, przez Austriê i dalej przez kraje Europy Œrodkowej i Wschodniej, tj. S³owacjê,
Wêgry, kraje by³ej Jugos³awii, Bu³gariê, Rumuniê i Ukrainê. Jego g³ówn¹ rzek¹ jest Dunaj, a
kana³ami Men-Dunaj oraz Cernovoda-Kostanica.
Szlak zachodni. £¹czy holenderskie i belgijskie porty morskie oraz francuski port Dunkierka z wewnêtrznymi regionami krajów Beneluksu i okrêgiem przemys³owym Lille na pó³nocy Francji. G³ównymi rzekami tego szlaku s¹: Scheldt, Moza, Lys, Sombra oraz kana³y:
Alberta, Charleroi-Bruksela, Gandawa-Terentzen, du Nord.
Szlak wschód-zachód. £¹czy pó³nocne i wschodnie obszary Niemiec, tym samym zachodnie rejony Polski wraz z zespo³em portów morskich ujœcia Odry z zachodni¹ czêœci¹
Niemiec oraz Holandi¹ i Belgi¹. Tworz¹ go takie rzeki jak: £aba, Wezera, Ems i Odra oraz
kana³y: Dortmund-Ems, £aba-Seiten, £aba-Lubeka, Muttelland, Kusten, Hawela, Odra-Hawela i Odra-Szprewa.
Elektroniczne mapy nawigacyjne w rzecznych systemach informacyjnych
205
W ostatnim czasie uda³o siê odnotowaæ wzrost przewozów wodnych œródl¹dowych. Za
punkt zwrotny nale¿y przyj¹æ rok 2000, poniewa¿ po raz pierwszy od trzydziestu lat zosta³
nie tylko zahamowany, ale równie¿ obni¿ony w stosunku do roku poprzedniego udzia³ transportu drogowego w rynku przewozów l¹dowych krajów UE na korzyœæ m.in. ¿eglugi œródl¹dowej, której udzia³ w tym czasie wzrós³ z 6,8% do 6,9%.
Europejskie projekty badawcze
w zakresie ¿eglugi œródl¹dowej
¯egluga œródl¹dowa jest postrzegana jako obszar, na którym istnieje olbrzymia szansa na
znaczny rozwój us³ug transportowych (Willems, 2003). Problemy dotycz¹ce ¿eglugi œródl¹dowej zawarto miêdzy innymi w europejskich projektach badawczych RINAC, INDRIS,
INCARNATION i COMPRIS.
Projekt badawczy RINAC (River-based Information, Navigation and Communication)
– mia³ na celu poprawê dostarczanej informacji, nawigacji oraz komunikacji na g³ównych
europejskich rzekach. Poprawa mia³a dotyczyæ zarówno samych statków, jak i te¿ brzegowych stacji kontroli ruchu. W projekcie RINAC zaprezentowano ogólne za³o¿enia wyposa¿enia mostka statków ¿eglugi œródl¹dowej, aby pe³ni³ rolê centrum kontrolnego, dzia³aj¹c
zarówno niezale¿nie jak i we wspó³pracy z brzegowymi stacjami kontroli ruchu.
Projekt INDRIS – (Inland Navigation Demonstrators of the River Information Service)
(Demonstrator ¯eglugi Œródl¹dowej dla RIS), który trwa³ od roku 1998 do roku 2000 mo¿na
uznaæ za pocz¹tek rozwoju koncepcji europejskich RIS. INDRIS opisywa³ funkcje RIS dla
wszystkich potencjalnych u¿ytkowników, okreœla³ istotne procesy informacyjne oraz rozwija³ otwarte normy dotycz¹ce treœci informacji i komunikacji pomiêdzy uczestnikami publicznymi i prywatnymi. INDRIS by³ projektem joint venture pomiêdzy krajowymi w³adzami
publicznymi, przemys³em transportowym, przemys³em ICT oraz instytutami naukowymi z
Austrii, Niemiec, Belgii, Francji oraz Holandii. W projekcie za³o¿ono utworzenie rzecznych
serwisów VTS przez wykorzystanie sprawnie funkcjonuj¹cych RIS. W ramach projektu
sformu³owano pojêcie rzecznego serwisu informacyjnego. Podkreœlono, ¿e wprowadzenie
serwisu informacyjnego przyczyni siê do p³ynnego i bezpiecznego ruchu jednostek na œródl¹dowych drogach wodnych Europy.
Projekt INCARNATION (Efficient inland navigation information system) zakresem badañ jest zbli¿ony do projektu INDRIS. Jego g³ównym celem jest stworzenie wydajnego i
sprawnie dzia³aj¹cego systemu informacyjnego dla ¿eglugi œródl¹dowej, przez tworzenie rzecznych systemów VTS. Projekt INCARNATION dotyczy dostarczenia us³ug zwi¹zanych z
kontrol¹ ruchu jednostek, jak te¿ dostarczaniem ró¿nego rodzaju informacji na pok³ady jednostek p³ywaj¹cych po wodach œródl¹dowych.
Osi¹gniêcia wczeœniejszych projektów s¹ aktualnie wykorzystywane w olbrzymim przedsiêwziêciu jakim jest projekt COMPRIS – (Consortium Operational Management Platform
for River Information Services). Realizacja projektu rozpoczê³a siê we wrzeœniu 2002 roku,
choæ pierwsza konferencja odby³a siê w Rotterdamie ju¿ w 2001 roku. Nie bez znaczenia jest
fakt, ¿e konferencje odbywa³y siê w Holandii, gdy¿ w tym kraju œródl¹dowy transport stanowi ponad 50 procent ca³ego transportu towarowego i rocznie w tym rejonie przemieszcza siê
170 tysiêcy statków, które przewo¿¹ 165 milionów ton towarów i 1,5 miliona pasa¿erów. Na
206
Andrzej Stateczny
konferencji za³o¿ono zakoñczenie implementacji RIS w 2005 roku. W mieœcie Nijmegen
stworzono w ramach realizacji projektu nowy centralny system nadzoru VTS. Odgrywa on
fundamentaln¹ rolê w projekcie COMPRIS jako praktyczne centrum informacyjne w nawigacji œródl¹dowej. Projekt obejmuje swoim zasiêgiem wiêkszoœæ pañstw europejskich, niestety ¿aden przedstawiciel z Polski nie bierze udzia³u w pracach konsorcjum.
Wprowadzenie nowych systemów nadzoru ruchu jednostek œródl¹dowych wymaga
wprowadzenia nowoczesnego wyposa¿enia nawigacyjnego. W ramach projektu COMPRIS
przygotowano nowe oprogramowania systemów, zaproponowano szerok¹ wymianê informacji oraz zastosowanie nowych urz¹dzeñ zwi¹zanych z monitorowaniem ruchu jednostek
œródl¹dowych.
Projekt bêdzie mia³ zastosowanie dla wszystkich jednostek p³ywaj¹cych po rzekach Europy.
Jednym z zadañ w projekcie COMPRIS jest koniecznoœæ wprowadzenia na pok³ady jednostek
¿eglugi œródl¹dowej nowoczesnego sprzêtu technicznego, np. radarów wysokiej klasy, nowoczesnych autopilotów, konsol komunikacyjnych, map elektronicznych Inland ECDIS, czy transponderów systemu AIS, które umo¿liwi¹ integracjê z brzegowymi stacjami kontrolnymi.
Wyposa¿enie jednostek w tego rodzaju urz¹dzenia pozwala na autonomiczne prowadzenie ¿eglugi oraz szybk¹ identyfikacjê i monitorowanie ruchu jednostek.
Ostatnim etapem projektu COMPRIS jest implementacja RIS dla ca³ej Europy, czyli po³¹czenie systemów poszczególnych pañstw bior¹cych udzia³ w projekcie w jeden ujednolicony standard. Takie ustalenie i dostosowanie wspólnych procedur i znaczeñ okreœlonych
znaków oraz wspólny jêzyk funkcjonuj¹cy na arenie europejskiej spowoduje optymalne wykorzystanie dróg wodnych obecnie w wiêkszoœci pañstw europejskich, a w przysz³oœci
wœród coraz to wiêkszej liczby rozwijaj¹cych siê pañstw na œwiecie.
Pañstwa wchodz¹ce w sk³ad podstawowych inicjatorów projektu zadeklarowa³y do 2005
roku wprowadzenie standardów w swoich regionach. Dziêki opracowaniu jednego standardu dla ca³ej Europy transport œródl¹dowy bêdzie bardziej bezpieczny i efektywniejszy.(Willems, 2003).
NAIADES (Navigation And Inland Waterway Action and Development in Europe) – Program na Rzecz Rozwoju ¯eglugi Œródl¹dowej oraz Dróg Wodnych w Europie. Opiera siê on na
szczegó³owej ocenie i intensywnych konsultacjach przeprowadzonych z bran¿¹ i pañstwami
cz³onkowskimi. Skupia siê na piêciu uzale¿nionych od siebie, strategicznych obszarach polityki
w zakresie ¿eglugi œródl¹dowej, które obejmuj¹: rynek, flotê, zatrudnienie i kwalifikacje, wizerunek oraz infrastrukturê. Zawiera zalecenia dzia³añ, jakie Wspólnota Europejska, pañstwa
cz³onkowskie oraz pozosta³e zainteresowane strony winny podj¹æ w latach 2006–2013. Mo¿na
je podzieliæ na œrodki o charakterze legislacyjnym, œrodki koordynuj¹ce oraz œrodki wspierania.
Realizacja programu bêdzie prowadzona w œcis³ej wspó³pracy z w³adzami krajowymi i regionalnymi, komisjami rzecznymi oraz europejskimi podmiotami bran¿owymi.
Informacja przestrzenna w RIS
Koncepcja RIS, która stanowi najwa¿niejsz¹ zmianê w sektorze ¿eglugi œródl¹dowej na
przestrzeni kilku dziesiêcioleci, ma na celu wdro¿enie us³ug informacji przestrzennych wspieraj¹cych planowanie oraz zarz¹dzanie ruchem i transportem rzecznym.
Elektroniczne mapy nawigacyjne w rzecznych systemach informacyjnych
207
W ci¹gu ostatniej dekady w sektorze ¿eglugi œródl¹dowej wprowadzono kilka innowacji
technologicznych zwi¹zanych z RIS:
m elektroniczne mapy nawigacyjne (ENC) do obrazowania informacji na temat torów
wodnych i pozycji statków,
m aplikacje internetowe i Inland ECDIS,
m elektroniczne systemy raportowania do celów gromadzenia informacji na temat danych zwi¹zanych z rejsem (statek i ³adunek),
m technologie œledzenia i wyszukiwania statków, takie jak automatyczne systemy identyfikacji AIS do celów automatycznego raportowania pozycji statków.
Na szczególn¹ uwagê, wprowadzaj¹c¹ now¹ jakoœæ w nawigacji na œródl¹dowych drogach wodnych zas³uguj¹ systemy map elektronicznych dla ¿eglugi œródl¹dowej Inland ECDIS.
Jedn¹ z g³ównych ró¿nic pomiêdzy standardem ECDIS a Inland ECDIS jest koniecznoœæ
prezentowania obrazu radarowego i danych z mapy na wspólnym ekranie. Ze wzglêdu na
du¿y ruch jednostek œródl¹dowych obserwacja radarowa jest spraw¹ priorytetow¹. Aby
skoncentrowaæ uwagê oficera wachtowego tylko na jednym wskaŸniku wprowadzono koniecznoœæ na³o¿enia obrazu radarowego na mapê.
Drug¹ ró¿nica pomiêdzy standardami jest informacja o g³êbokoœci. Wynika ona z faktu, ¿e
na akwenach ograniczonych informacja o g³êbokoœciach musi byæ bardzo precyzyjna ze wzglêdu
na bezpieczeñstwo ¿eglugi. Informacja musi byæ dok³adna i systematycznie uaktualniana.
W Inland ECDIS wyró¿niamy dwa tryby operacji:
m tryb informacji – w tym trybie urz¹dzenie Inland ECDIS spe³nia funkcjê elektronicznego atlasu, s³u¿y jako pomoc i dostarcza informacje o drodze wodnej,
m tryb nawigacji – oznacza u¿ycie Inland ECDIS do sterowania statkiem przy u¿yciu
radaru i na³o¿enia obrazu radarowego na mapê.
Zalety nak³adania obrazu radarowego na mapê elektroniczn¹ w systemie Inland ECDIS s¹
nastêpuj¹ce:
m ci¹g³e monitorowanie pozycji statku dziêki stosowaniu metod nawigacji porównawczej (Stateczny, 2001),
m echa oraz przestrzeñ manewrowa przedstawione s¹ na jednym ekranie,
m ³atwa identyfikacja ech: statków oraz p³aw nawigacyjnych,
m uwzglêdnianie w nawigacji dziêki obserwacji mapy obiektów s³abo widocznych na
radarze lub przys³oniêtych przez przeszkody,
m wzajemna kontrola obu urz¹dzeñ,
m jedno stanowisko do prowadzenia nawigacji i unikania kolizji – informacje zawarte na
jednym wyœwietlaczu,
m zwiêkszenie bezpieczeñstwa.
Podsumowanie
Pomimo, ¿e standard Inland ECDIS wprowadzono ca³kiem niedawno wiele oficjalnych map
jest ju¿ dostêpnych miêdzy innymi dla rzek Ren i Dunaj. Produkcj¹ œródl¹dowych map zajmuj¹ siê
m.in.: Austria, Belgia, Francja, Niemcy, Holandia i Stany Zjednoczone. W Austrii mapy Inland
ECDIS s¹ rozprowadzane bezp³atnie, w Holandii dostawc¹ map jest firma prywatna.
208
Andrzej Stateczny
„Water and Shipping Directorate Southwest” (Wasser – und Schifffahrtsdirektion Südwest)
jest g³ównym dostawc¹ map œródl¹dowych wewn¹trz Niemiec. Firma TRESCO produkuje
nieoficjalnie mapy dla Holandii, Belgii, czêœci Niemiec i Francji. US Army Corps of Engineers
zainicjowa³ narodowy program Inland ENC, aby poprzeæ bezpieczn¹ i skuteczn¹ ¿eglugê
œródl¹dow¹. Office of Coast Survey jest jedn¹ z sekcji National Ocean Service, który jest
czêœci¹ National Oceanic and Atmospheric Administration (NOAA), firma ta równie¿ zajmuje
siê produkcj¹ Inland ENC. SevenCs jest doœwiadczonym generatorem cyfrowych diagramów w formacie S-57 w œwiecie. Kilka wybranych map jest dostêpnych.
Zgodnie z dyrektyw¹ Unii Europejskiej komórki map zgodnych ze standardem Inland
ECDIS powinny byæ opracowywane na takie œródl¹dowe drogi wodne jak Odra. Nikt w
Polsce nie produkuje dotychczas komórek zgodnych ze standardem na polskie drogi wodne.
Pytaniem otwartym pozostaje: kto powinien takie komórki produkowaæ w Polsce?
Literatura
Arsenault R. and others, 2003: Fusing Information in 3D Chart-of-the-Future Display. Proceedings of the 11th
IAIN World Congress “Smart navigation – Systems and Services”, Berlin.
Caporale M., 2003: Satellite Navigation & Communication in Support to Harmonization of Infrastructure &
Information for all Maritime Users & Stakeholders. Proceedings of the 11th IAIN World Congress “Smart
navigation – Systems and Services”, Berlin .
Frerichs W., Vision 2002: Integrated Bridge Systems – looking ahead. European Journal of Navigation, vol. 1,
No 1, 2003.
Hagiwara H., 2003: New Traffic Management System based on AIS and Planned Route Information. Proceedings of the 11th IAIN World Congress “Smart navigation – Systems and Services”, Berlin.
Hecht H., 2004: The Future of ECDIS. Hydro International, July/August.
Sandler M., Gern T., Zimmermann R., 2003: Integration of Inland ECDIS, Radar and AIS. European Journal
of Navigation, vol. 1, No 2.
Stateczny A., 1999: Przestrzenny model kszta³tu dna morskiego jako warstwa trójwymiarowej morskiej
mapy numerycznej. IX KNT Systemy informacji przestrzennej. Warszawa.
Stateczny A., 2000: The neural method of sea bottom shape modeling for spatial maritime information
system. Marine Engineering and Ports II. Editors C.A. Brebbia & J. Olivella. WIT Press Southampton,
Boston.
Stateczny A., 2001a:Nawigacja porównawcza. Gdañskie Towarzystwo Naukowe. Gdañsk
Stateczny A., 2001b: Neural interpolation method of hydrographic survey. Proceedings of the European
Geophysical Society Symposium G9 „Geodetic and Geodynamic Programmes of the CEI (Central European Initiative)” Nice 2001. Reports on Geodesy No. 2 (57).
Stateczny A., 2003a: Comparative Navigation as an Alternative Positioning System. Proceedings of the 11th
IAIN World Congress “Smart navigation – Systems and Services”, Berlin.
Stateczny A., 2003b: Koncepcja aktywnego systemu nadzoru ruchu statków na torze wodnym Œwinoujœcie
– Szczecin. Zeszyty Naukowe WSM w Szczecinie, 70.
Stateczny A., 2003c: Koncepcja aktywnego systemu nadzoru ruchu statków. Materia³y V Sympozjum
Nawigacyjnego, Gdynia. Prace Wydzia³u Nawigacyjnego AM w Gdyni.
Stateczny A., 2003d: The Concept of Active Vessel Traffic Management and Information System. Proceedings of the 7th Poland Italy Geodetic Meeting Bresanone 2003. Reports on Geodesy No. 2(65).
Stateczny A., 2004a: (red) Metody nawigacji porównawczej. Gdañskie Towarzystwo Naukowe. Gdañsk.
Stateczny A., 2004b: AIS and Radar Data Fusion for Maritime Navigation. Zeszyty Naukowe AM w Szczecinie.
Stateczny A., 2004c: Artificial Neural Networks for Comparative Navigation. Artificial Intelligence and Soft
Computing ICAISC 2004. Lecture Notes in Artificial Intelligence, Springer-Verlag, Berlin.
Stateczny A., 2004d: Impact of EGNOS/Galileo on Future Oriented Active VTMIS. Second Galileo Conference for an Enlarged Europe, Budapest.
Elektroniczne mapy nawigacyjne w rzecznych systemach informacyjnych
209
Stateczny A., 2004e: Integration of Radar, Egnos/Galileo, AIS and 3D Ecdis. International Radar Symposium,
Warszawa.
Stateczny A., 2004f: Multisensor Data Fusion in the Process of Comparative Navigation. International
Symposium Information on Ships – ISIS 2004, Hamburg.
Stateczny A., 2004g: Multisensor Navigational Data Fusion in an Active Vessel Traffic System. Proceedings
of International Conference on Marine Navigation and Technology MELAHA 2004, Arab Institute of
Navigation, Kair.
Stateczny A., 2004h: Nowoczesne metody nawigacji w ¿egludze œródl¹dowej z wykorzystaniem Inland
ECDIS. Roczniki Geomatyki t. II, z. 2.
Stateczny A., 2005: Elektroniczne mapy nawigacyjne w ¿egludze œródl¹dowej. Zeszyty Naukowe AM Nr
7(79).
Willems C., 2001: Conference COMPRIS – Rotterdam, September.
Zimmerman R., Gern T., Gilles E.D., 1999: Advanced River Navigation with Inland ECDIS. First European
Inland Waterway Navigation Conference, Balatonfiired.
Summary
Recently, trends of moving cargo from loaded roads and motorways to waterways and water motorways have been observed in Europe. The huge inland waterways potential is still not widely used. The
lack of authorised electronic navigational charts without which navigation is possible only during day
time and with low level of safety is one of basic obstacles for the use of inland waterways.
According to EU directive, electronic charts in accordance with the Inland ECDIS standard should be
also produced for such inland waterways like Odra (the Oder River). Several projects financed by the
European Commission concerned River Information Systems (RIS) in which Inland ECDIS is the
basic element.
The paper presents problems of development of Electronic Navigational Charts systems for River
Information Systems.
prof. dr hab. in¿. Andrzej Stateczny
[email protected]
POLSKIE TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
Automatyzacja
waloryzacji funkcji
lasu z wykorzystaniem
SILP
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
211
AUTOMATYZACJA WALORYZACJI FUNKCJI LASU
Z WYKORZYSTANIEM SYSTEMU
INFORMATYCZNEGO LASÓW PAÑSTWOWYCH
AUTOMATION OF FOREST FUNCTIONS VALUATION
WITH THE USE OF THE STATE FORESTS
INFORMATION SYSTEM (SILP)
Pawe³ Strzeliñski, Marcin Chirrek
Akademia Rolnicza im. Augusta Cieszkowskiego w Poznaniu, Wydzia³ Leœny, Katedra Urz¹dzania Lasu
S³owa kluczowe: System Informatyczny Lasów Pañstwowych, waloryzacja, funkcje lasu
Key words: Computer System of the State Forests, valuation, forest functions
Wstêp
Miniona dekada przynios³a niew¹tpliwy wzrost tzw. „œwiadomoœci ekologicznej spo³eczeñstwa”. Obok zwiêkszonego zainteresowania ochron¹ przyrody w lasach, zanotowano
szersze korzystanie z pozaprodukcyjnych funkcji lasu, co z kolei wp³ynê³o na zmiany w
zasadach prowadzenia gospodarki leœnej (Ustawa o lasach, 1991; Polityka Leœna Pañstwa,
1997; Polityka ekologiczna pañstwa, 2000).
Zauwa¿ono, ¿e mechanizmy gospodarki leœnej musz¹ byæ podobne do mechanizmów,
jakie naturalnie wystêpuj¹ w przyrodzie. Zaczêto równie¿ dostrzegaæ inne – pozaprodukcyjne funkcje, które las zawsze pe³ni³, a które dla ówczesnej gospodarki nie przedstawia³y
du¿ego znaczenia. Powsta³y w tym celu ró¿ne systemy, klasyfikacje i podzia³y, które mia³y
za zadanie nazwaæ i posegregowaæ wszystkie funkcje pe³nione przez las (m.in.: £onkiewicz,
1992; Marsza³ek, 1993a,b,c; Przybylska, 1995; Klocek i P³otkowski, 1997; Przybylska, 1999;
Zaj¹czkowski, 2000; Kowalkowska i Zaj¹czkowski 2001; Miœ i Czekaj, 2001; R¹czka i in.,
2001; Miœ, 2003; Go³ojuch, 2004).
Niezale¿nie od przyjêtego podzia³u funkcji pe³nionych przez las zauwa¿ono, ¿e istnieje
mo¿liwoœæ kszta³towania lasu spe³niaj¹cego jednoczeœnie wiele funkcji. Tak powsta³a koncepcja lasu wielofunkcyjnego, która wspó³czeœnie wi¹¿e siê z ide¹ trwa³ego i zrównowa¿onego rozwoju (Miœ, 2003). Zaistnia³a wiêc potrzeba stworzenia metod (lub systemów) wyceny funkcji pe³nionych przez las. Niestety, obecne metody urz¹dzania lasu nie przewiduj¹
jeszcze oceny wszystkich walorów, zarówno w odniesieniu do pojedynczych wydzieleñ jak
i ca³ych kompleksów. Podczas taksacji (lub w elaboracie) opisywane s¹ tylko szczególne,
znacznie siê wyró¿niaj¹ce walory. Brak jest natomiast konkretnej oceny wyra¿aj¹cej udzia³
212
Pawe³ Strzeliñski, Marcin Chirrek
poszczególnych grup funkcji lub walorów w formie syntetycznego wskaŸnika. Tote¿ niezbêdne jest doskonalenie i wprowadzenie do praktyki leœnej zasad waloryzacji funkcji lasu
(Miœ, 2003; Miœ i Strzeliñski, 2004; Strzeliñski, 2005).
Cel i zakres badañ
Niniejsza praca opiera siê na systemie waloryzacji stworzonym w Katedrze Urz¹dzania
Lasu AR w Poznaniu (Miœ i Czekaj, 2001). Celem pracy by³o sprawdzenie efektywnoœci
systemu waloryzacyjnego – g³ównie w oparciu o specjalnie utworzony program komputerowy. Program ten, korzystaj¹c z danych baz Systemu Informatycznego Lasów Pañstwowych (SILP), da³ mo¿liwoœæ zautomatyzowania procesu wyceny.
Zamys³em autorów by³o równie¿ (przez opracowanie zautomatyzowanego systemu) u³atwienie wprowadzenia zasad waloryzacji funkcji lasu do praktyki leœnej i przyczynienie siê do
rozwoju tego aspektu prac urz¹dzeniowych.
Zakresem badañ objêto tereny leœne Nadleœnictwa Œwieradów, le¿¹cego w zasiêgu terytorialnym Regionalnej Dyrekcji Lasów Pañstwowych we Wroc³awiu. Podstawowym Ÿród³em informacji by³a baza danych SILP oraz warstwy mapy numerycznej Nadleœnictwa
Œwieradów. Informacje o infrastrukturze miejscowoœci nie objêtych wystarczaj¹cym opisem w bazie SILP i mapie numerycznej, pozyskano z map turystycznych badanego obszaru.
Charakterystyka warunków przyrodniczo-leœnych
badanego obiektu
Nadleœnictwo Œwieradów podlega Regionalnej Dyrekcji Lasów Pañstwowych we Wroc³awiu. Obecnie sk³ada siê z dwóch obrêbów leœnych: Œwieradów (8634,49 ha) i Lubañ
Œl¹ski (7057,53 ha). W sk³ad nadleœnictwa wchodzi 19 leœnictw, a ogólna powierzchnia
wnosi 15692,02 ha.
Obszar Nadleœnictwa Œwieradów pod wzglêdem rzeŸby terenu jest bardzo mocno urozmaicony. Obrêb Œwieradów w swej górskiej czêœci le¿y w Górach Izerskich – najbardziej na
zachód wysuniêtym masywie górskim Sudetów. Wy¿ynny i górski region na którym po³o¿one jest obszar Nadleœnictwa Œwieradów sprawia, ¿e na tym terenie wystêpuje 9 typów siedliskowych lasów, z czego 4 to typy siedlisk wy¿ynnych, a 5 – górskich (Plan urz¹dzenia …,
1998). Dominuj¹cym typem siedliskowym lasu jest las mieszany wy¿ynny (LMwy¿). Zajmuje on oko³o 48% powierzchni Nadleœnictwa.
Region, na obszarze którego po³o¿one jest Nadleœnictwo posiada zró¿nicowany charakter, determinowany uwarunkowaniami œrodowiskowymi – ukszta³towaniem terenu i specyfik¹ klimatu. Górska czêœæ obrêbu Œwieradów – to teren o wybitnych walorach turystycznych i uzdrowiskowych, co sprzyja rozwojowi turystyki pieszej oraz uprawianiu sportów
zimowych. Charakter uzdrowiskowy tego obszaru wynika z lokalizacji kompleksu przyrodoleczniczego Œwieradów-Czerniawa. Czêœæ podgórska natomiast (pó³nocna czêœæ obrêbu
Œwieradów i obrêb Lubañ) – to obszar przemys³owo-rolniczy. Z ga³êzi przemys³u, która
posiada na tym terenie tradycje siêgaj¹ce œredniowiecza, nale¿y wymieniæ przemys³ w³ókienniczy i odzie¿owy (zak³ady w³ókiennicze w Leœnej, Lubaniu Œl¹skim, Gryfowie Œl¹skim).
Automatyzacja waloryzacji funkcji lasu z wykorzystaniem SILP
213
Na terenie Nadleœnictwa brak jest zatwierdzonych rezerwatów przyrody. Istnieje propozycja utworzenia rezerwatu na terenie obrêbu Œwieradów w oddzia³ach: 453, 460–469 (o
³¹cznej powierzchni – 213,34 ha), obejmuj¹cego obszar Hali Izerskiej. Proponowany obszar
ochrony rezerwatowej jest przed³u¿eniem istniej¹cego na terenie Nadleœnictwa Szklarska
Porêba rezerwatu pn. Torfowisko Izerskie oraz czêœci¹ projektu kompleksowej ochrony rezerwatowej torfowisk w dolinie Izery – Torfowiska Doliny Izery.
Szczegó³owa charakterystyka badanego obszaru jest opisana w Planie urz¹dzenia lasu
Nadleœnictwa Œwieradów (1998).
Metodyka
Poszczególne etapy pracy obejmowa³y:
m stworzenie programu komputerowego umo¿liwiaj¹cego automatyczn¹ waloryzacjê,
w oparciu o dane pozyskane z bazy SILP,
m rozbudowanie bazy danych o Nadleœnictwie Œwieradów pod wzglêdem funkcji pe³nionych przez lasy,
m waloryzacjê podstawowych funkcji lasów dla Nadleœnictwa,
m sprawdzenie, czy badane Ÿród³a danych s¹ wystarczaj¹ce do przeprowadzenia waloryzacji funkcji lasu zgodnie z przyjêt¹ metod¹.
Za³o¿enia tworzenia programu, procedur szkieletowych i g³ównych modu³ów oparte zosta³y na podstawie wytycznych opisanych przez Freeze (2001). Procedury SQL tworzone
by³y w oparciu o metody zaproponowane przez Celko (1999), Ladanyi (2000) oraz Houlette
(2002). Implementacja i analizowanie bazy danych SILP oraz utworzenie modu³u obs³uguj¹cego bazê powsta³o w oparciu o metody przyjête przez Roman (2001).
W pracy wykorzystano system waloryzacji lasów wy¿ynnych i górskich (R¹czka i in.,
2001), który jest modyfikacj¹ metodyki opracowanej przez prof. dr. hab. Ryszarda Misia z
Katedry Urz¹dzania Lasu AR w Poznaniu (Miœ i Czekaj, 2001; Miœ, 2003). System wykorzystuje 36 walorów, których oceny wp³ywaj¹ na poszczególne funkcje lasu i ich grupy. Ca³oœæ
opiera siê na trzystopniowym podziale funkcji lasu:
m poziom grupy funkcji (funkcja ochronna, funkcja produkcyjna i funkcja zdrowotnorekreacyjna),
m poziom uszczegó³owionej funkcji (np. w ramach grupy funkcji ochronnych uszczegó³owione s¹ funkcje: ochrony gleb, retencjonowania wody, ochrony gatunkowej roœlin i zwierz¹t) i grupy walorów,
m poziom konkretnego waloru (np. przedzia³y klas bonitacji w ramach analizy elementów taksacyjnych).
Ka¿da grupa funkcji jest oceniana oddzielnie z zastosowaniem takiej samej liczby kryteriów (grup walorów), a w ramach danego kryterium (jednej grupy walorów) na podstawie
takiej samej liczby walorów (cech, elementów taksacyjnych). Podobnie jak w metodzie
Marsza³ka (1988) zastosowano punktowo-wagowy sposób waloryzowania wartoœci okreœlonej funkcji i walorów lasu. Jednak¿e ró¿ne znaczenie poszczególnych walorów i cech lasu
u¿ytych do oceny funkcji lasu wymaga zastosowania odpowiednio dobranej skali wag.
W przyjêtej metodzie ³¹czna ocena punktowo-wagowa wszystkich cech funkcjonalnych
dla drzewostanu opiera siê na syntetycznym wskaŸniku struktury funkcji lasu. Podstawê do
Pawe³ Strzeliñski, Marcin Chirrek
214
obliczenia wskaŸnika struktury funkcji lasu stanowi suma walorów SW okreœlana oddzielnie
dla ka¿dej z trzech grup funkcji lasu (ochronna, zdrowotno-rekreacyjna i produkcyjna):
n ,k
SW =
∑( p
i , j =1
i, j
.• wi , j )
n ,k
∑p
i , j =1
i, j
gdzie:
SW – suma walorów,
pi,j – liczba punktów dla i-tej funkcji (na poziomie uszczegó³owienia funkcji ochronnej
lub na poziomie grupy walorów produkcyjnych i zdrowotno-rekreacyjnych) i j-tego waloru,
wi,j – waga i-tej funkcji oraz j-tego waloru.
WskaŸnik struktury funkcji lasu informuje, jaka czêœæ walorów lasu wielofunkcyjnego
przypada na funkcje ochronne, jaka czêœæ – na funkcje produkcyjne, a jaka – na funkcje
rekreacyjno-zdrowotne. Bezwzglêdny wskaŸnik struktury zosta³ obliczany przez podsumowanie punktów wa¿onych w grupach funkcji. Efektem by³a procentowa ocena poziomu
ka¿dej trzech grup, w odniesieniu do mo¿liwej do uzyskania oceny maksymalnej. Bezwzglêdna
wartoœæ oceny poziomu ka¿dej z trzech grup funkcji by³a nastêpnie przeliczana na procentowe wartoœci wzglêdne (wzglêdny wskaŸnik struktury), informuj¹ce, jaka czêœæ walorów
lasu przypada na poszczególne grupy funkcji.
Jako wskaŸnik umo¿liwiaj¹cy okreœlenie stopnia wielofunkcyjnoœci lasu w wydzieleniach
przyjêto wielkoœæ odchylenia standardowego, zak³adaj¹c, ¿e w lesie wielofunkcyjnym g³ówne grupy funkcji lasu pe³nione s¹ w zbli¿onym, równomiernym stopniu. Podzia³ taki przyjêto
zgodnie z metodyk¹ zastosowan¹ przy waloryzacji obrêbu Miêdzygórze z terenu Nadleœnictwa Miêdzylesie (R¹czka i in., 2001).
Ró¿nicuj¹c wielkoœæ odchylenia standardowego, utworzono trzy stopnie wielofunkcyjnoœci (tab. 1).
Dla wszystkich analizowanych walorów lasu, grup walorów, grup funkcji lasu i ca³ego
obiektu badañ obliczono podstawowe statystki. Wyliczono je tak¿e dla wykorzystanych w
waloryzacji elementów taksacyjnych podzielonych na klasy lub stopnie. W koñcowym etapie, dla ka¿dej grupy funkcji lasu wystêpuj¹cej w drzewostanie okreœlono zale¿noœæ (wspó³czynnik korelacji) miêdzy sum¹ walorów a wybranymi cechami drzewostanu (udzia³ sosny
i œwierka, wiek, budowa pionowa, zadrzewienie, wysokoœæ, bonitacja).
W pracy wykorzystano oprogramowanie: Visual Basic, MS Access 2003, Statistica 7,
ArcGIS 8.
Tabe la 1. Stopnie wie lofunkcyjnoœ ci las u, wyró¿nione na pods tawie wie lkoœ ci odchyle nia s tandardowe go
trze ch be zwzglê dnych ws kaŸników s truktury grup funkcji las u
Stopieñ wielofunkcyjnoœci lasu
Lasy wielofunkcyjne
Odchylenie standardowe bezwzglêdnego wskaŸnika struktury
≤ 8,0
Lasy zbli¿one do wielofunkcyjnych
8,1 – 11,0
Lasy odbiegaj¹ce od wielofunkcyjnych
11,1 – 17,1
Automatyzacja waloryzacji funkcji lasu z wykorzystaniem SILP
215
Omówienie wyników
Waloryzacja funkcji lasu dla Nadleœnictwa Œwieradów obejmowa³a 5772 wydzielenia o
³¹cznej powierzchni 14705,87 ha. Obliczony na podstawie ocen i wyników waloryzacji wskaŸnik struktury wykaza³, ¿e pomiêdzy grupami funkcji zachodzi wzglêdna równowaga. Przewa¿a grupa funkcji zdrowotno-rekreacyjnych osi¹gaj¹c 37,31% ³¹cznej powierzchni analizowanych drzewostanów. Nieznacznie ni¿szy udzia³ posiada grupa funkcji produkcyjnych –
36,15%. Grupa funkcji ochronnych osi¹ga najni¿sz¹ wartoœæ – 26,53%. Ca³kowity rozk³ad
struktury funkcji przedstawia rysunek 1.
Podzia³ drzewostanów na stopnie wielofunkcyjnoœci przedstawia siê nastêpuj¹co (rys. 2):
m lasy wielofunkcyjne – 30,11%,
m lasy zbli¿one do wielofunkcyjnych – 31,11%,
m lasy odbiegaj¹ce od wielofunkcyjnych – 38,79%.
Natomiast bardzo du¿e ró¿nice stwierdzono podczas analizy dominacji grup funkcji lasu.
Wykazano, ¿e na badanym obszarze jest tylko 20 wydzieleñ z dominuj¹c¹ grup¹ funkcji
ochronnych, co stanowi nieca³y 1% liczby analizowanych fragmentów lasu. W 3719 wydzieleniach dominuje grupa funkcji zdrowotno-rekreacyjnych, co stanowi 64%, a w dalszych 2033 wydzieleniach dominuje grupa funkcji produkcyjnych (oko³o 35%). Sytuacjê t¹
przedstawia rysunek 3.
Po obliczeniu wszystkich sum walorów dla poszczególnych grup funkcji lasu wyliczono
równie¿ wspó³czynniki korelacji oraz wykonano analizê oczekiwanych œrednich brzegowych
w celu zbadania zale¿noœci pomiêdzy sum¹ walorów a wybranymi elementami taksacyjnymi.
Zarówno wœród funkcji ochronnych, jak i wœród funkcji produkcyjnych najwiêksz¹ zale¿noœæ wykaza³y: wysokoœæ gatunku g³ównego, nieznacznie ni¿sz¹ klasa wysokoœci gatunku
g³ównego oraz klasa bonitacji siedliska. Wœród grupy funkcji zdrowotno-rekreacyjnych najwiêksz¹ zale¿noœæ sumy walorów od elementów taksacyjnych wykaza³y: klasa gatunku g³ównego, klasa udzia³u sosny i œwierka oraz wysokoœæ gatunku g³ównego.
Wyniki waloryzacji wizualizowano tak¿e w postaci map tematycznych, jakie sporz¹dzono dla Nadleœnictwa Œwieradów. Jedna z nich obrazuje rozk³ad wydzieleñ leœnych w poszczególnych stopniach wielofunkcyjnoœci (rys. 4).
Wyniki niniejszej pracy mo¿na porównaæ jedynie (ze wzglêdu na zastosowanie tej samej
metodyki) z wynikami uzyskanymi przez R¹czkê i wspó³autorów (2001). W obydwu porównywanych waloryzacjach przewa¿a grupa funkcji zdrowotno-rekreacyjnych. Najmniejszy udzia³ przypada (podobnie jak u R¹czki) grupie funkcji ochronnych. Stanowi to jednak
sygna³ do bli¿szego przeanalizowania tej grupy funkcji i modyfikacji metody w celu lepszego
i byæ mo¿e bardziej poprawnego przeanalizowania funkcji ochronnych lasu.
Wnioski
Pomimo wieloletnich ju¿ badañ z zakresu waloryzacji funkcji lasu prowadzonych przez
ró¿ne oœrodki naukowe, wyraŸnie odczuwa siê brak modelu lasu wielofunkcyjnego. Konieczne jest wiêc zbadanie i ustalenie takiego modelu (najlepiej z uwzglêdnieniem specyfiki
badanego obszaru), co znacznie podnios³o by wiarygodnoœæ i dok³adnoœæ wykonywanej
waloryzacji.
216
Pawe³ Strzeliñski, Marcin Chirrek
Waloryzacja stwarza mo¿liwoœæ wyodrêbniania obszarów, na których mog¹ byæ pe³nione
okreœlone funkcje, a w nastêpstwie – ustalenia planów zagospodarowania tych obszarów.
Efektem waloryzacji powinno byæ wiêc sformu³owanie wytycznych z dziedziny zagospodarowania lasu w odniesieniu do poszczególnych stopni wielofunkcyjnoœci lasu. Dla przyk³adu
– przy planowaniu czynnoœci gospodarczych dla Nadleœnictwa Œwieradów, ze wzglêdu na
specyfikê tego terenu, celowe jest zwiêkszanie walorów ochronnych, z pozostawieniem na
doœæ wysokim poziomie walorów zdrowotno-rekreacyjnych. To jeden ze szczegó³owych
wniosków, jakie pojawi³y siê w trakcie analiz. Natomiast wnioski ogólne przedstawiaj¹ siê
nastêpuj¹co:
1. W Nadleœnictwie Œwieradów procentowy udzia³ lasów wielofunkcyjnych jest znacznie ni¿szy od procentowego udzia³u obszarów leœnych, na których wyraŸnie dominuje grupa
funkcji zdrowotno-rekreacyjnych i produkcyjnych.
2. Dominacja grupy funkcji zdrowotno-rekreacyjnych na badanym obszarze uzasadniona jest faktem, i¿ s¹ to tereny bardzo atrakcyjne turystycznie, stosunkowo ³atwo dostêpne z
bogat¹ baz¹ i zagospodarowaniem turystycznym.
3. Wagi dla ocen punktowych s¹ bardzo wa¿nym elementem waloryzacji a ich odpowiedni dobór warunkuje efektywnoœæ i wiarygodnoœæ wyników.
4. Baza danych SILP i leœna mapa numeryczna nie s¹ wystarczaj¹cym Ÿród³em danych
do przeprowadzenia waloryzacji. Konieczne jest rozbudowywanie informacji o wydzieleniach zarówno w bazie jak i warstwach mapy numerycznej.
5. Ze wzglêdu na du¿¹ zmiennoœæ struktur danych w bazach SILP, stworzenie programu
s³u¿¹cego do automatycznej waloryzacji jest znacznie utrudnione. Konieczne jest ustalenie
œcis³ego standardu SILP.
6. Konieczne jest prowadzenie dalszych badañ nad waloryzacj¹ oraz jej doskonaleniem,
jak równie¿ próba wdro¿enia wyników tych badañ w Lasach Pañstwowych.
Literatura
Celko J., 1999: SQL. Zaawansowane techniki programowania. Wydawnictwo Mikom.
Freeze W., 2001: Visual Basic 6. Programowanie baz danych. Biblia. Wydawnictwo Helion.
Go³ojuch P., 2004: Okreœlenie walorów lasu wielofunkcyjnego na przyk³adzie Nadleœnictwa Lêbork. Praca
doktorska wykonana w Katedrze Urz¹dzania Lasu Akademii Rolniczej im. Augusta Cieszkowskiego w
Poznaniu pod kierunkiem prof. dr. hab. Ryszarda Misia.
Houlette F., 2002: SQL. Kurs podstawowy. Wydawnictwo Edition 2000.
Klocek A., P³otkowski L., 1997: Las i jego publiczne œwiadczenia gospodarki leœnej oraz stan jej równowagi.
Sylwan, 12: 5-19.
Kowalkowska M., Zaj¹czkowski G., 2001: Wykorzystanie systemów informacji przestrzennej dla potrzeb
waloryzacji przyrodniczo-leœnej. [W]: Materia³y z konferencji pt. „System Informacji Przestrzennej w
Lasach Pañstwowych”, Rogów 3-5 grudnia 2001, Maszynopis.
Ladanyi H., 2000: SQL. Ksiêga eksperta. Wydawnictwo Helion.
£onkiewicz B., 1992: Strukturalne i funkcjonalne charakterystyki krajobrazu leœnego. [W:] Ryszkowski L.,
Ba³azy S. (red.): Wybrane problemy ekologii krajobrazu. PAN, Zak³. Bad. Œrod. Rol. i Leœn. Poznañ: 121132.
Marsza³ek T., 1988: Metoda punktowa okreœlania kompleksowej u¿ytecznoœci obiektu leœnego. Las Polski,
19: 12-13.
Marsza³ek T., 1993a: Klasyfikacja lasów pañstwowych gospodarstwa leœnego wed³ug rodzajów funkcji
wiod¹cych. Sylwan, 3: 37-43.
Marsza³ek T., 1993b: Pieniê¿na ocena dóbr powstaj¹cych dziêki socjalnym funkcjom lasów grupy pierwszej
pañstwowego gospodarstwa leœnego. Sylwan, 8: 5-13.
Automatyzacja waloryzacji funkcji lasu z wykorzystaniem SILP
217
Marsza³ek T., 1993c: Wzglêdna wartoœæ u¿ytkowa produktów i us³ug uzyskiwanych dziêki gospodarczym
i socjalnym funkcjom lasu. Sylwan 9: 5-13.
Miœ R., 2003: Urz¹dzanie lasów wielofunkcyjnych. Wyd. AR w Poznaniu.
Miœ R., Czekaj W., 2001: System waloryzacji funkcji lasów w terenie wy¿ynnym. Materia³y konferencji
„Kszta³towanie œrodowiska – uwarunkowania przyrodnicze, techniczne i spo³eczno-ekonomiczne”. UWM,
Olsztyn.
Miœ R., Strzeliñski P., 2004: Rozmiar pozyskania u¿ytków drzewnych w kraju a spo³eczne funkcje lasu.
Ustroñ-Jaszowiec, 24-26 marca 2004 r.
Plan urz¹dzania gospodarstwa leœnego Nadleœnictwa Œwieradów. Maszynopis, BULiGL Oddzia³ w Brzegu.
1998.
Polityka Ekologiczna Pañstwa (II), 2000: Projekt. Ministerstwo Œrodowiska, druk sejmowy nr 2095, Warszawa.
Polityka Leœna Pañstwa, 1997: Ministerstwo Ochrony Œrodowiska, Zasobów Naturalnych i Leœnictwa.
Warszawa.
Przybylska K., 1995: Waloryzacja lasu. Sylwan, 6: 79-85.
Przybylska K., 1999: Waloryzacyjny system oceny lasów górskich przystosowany do potrzeb planowania
urz¹dzeniowego. Sylwan, 5: 27-36.
R¹czka G., Bañkowski J., Jêdryszczak E., 2001: Wyniki wstêpnego wdro¿enia koncepcji systemu waloryzacji funkcji lasu na terenach górskich z zastosowaniem SIP. Maszynopis, BULiGL Oddzia³ w Brzegu.
Roman S., 2001: Access. Baza danych – projektowanie i programowanie. Wydawnictwo Helion.
Strzeliñski P., 2005: Wykorzystanie systemu informacji przestrzennej nadleœnictwa do planowania zadañ
gospodarczych. Roczniki Geomatyki, tom III, zeszyt 1: 163-172.
Ustawa o lasach z dnia 28 wrzeœnia 1991 r., z póŸniejszymi zmianami.
Zaj¹czkowski G., 2000: Metodyczne podstawy waloryzacji lasów górskich na przyk³adzie Nadleœnictwa
Ujso³y. Maszynopis SGGW, Warszawa.
Summary
The paper presents a system based on a computer programme which enables automation of valuation
of forest functions. In the work the valuation system prepared in the Forest Management Department
of the Agricultural University in Poznañ (in the scope of methodical basis) was used. The method is
based on three-step division of forest functions (protective, productive and recreational) and on
appraisal of selected values on the level of a stand. For the appraisal a point-weight method of
valuation was applied.
The automation of forest functions valuation enables relatively fast control of correctness of the
applied method under conditions of a concrete object (a forest district) and then verification of selected
parameters assessing values and functions of the examined area. The appraisal of individual values
consists in working on a great number of input data which has been very time-consuming so far. The
use of computer techniques (programme preparing) allowed not only to streamline the process itself
but also to eliminate potential mistakes. The programme used data from Computer System of the State
Forests (SILP) and enabled preparing basic data for the needs of visualization of a forest numerical
map. The programme was prepared and tested with the use of the SILP base and the forest numerical
map of the forest district Œwieradów.
The valuation of forest functions for the forest district Œwieradów encompassed 5772 stands. It has
been proved that there is a relative balance between groups of functions. The group of recreational
functions prevails (37.31% of valuated stands). The group of productive functions has slightly lower
value – 36.15%. The group of protective functions has the lowest value – 26.53%.
The analysis of the division of stands into degrees of multifunctionality showed that forests close to
multifunctional constitute 31.11% and multifunctional forests constitute 30.11% of stands.
The domination of the group of recreational functions in the area is justified by the fact that the area is
very attractive for tourists, relatively easy accessible, with good tourist infrastructure. It occurred that
218
Pawe³ Strzeliñski, Marcin Chirrek
neither the SILP nor the forest numerical map are sufficient source of data for valuation based on the
tested method, although they are functioning flawlessly in the Forest District Œwieradów.
The assumption accepted in the initial stages was verified (It had been assumed that the system may
facilitate introduction of principles of forest functions valuations into forest practice and it may contribute to acceleration of development of this aspect of management works). An efficient valuation system
demands both wider data base of stands and corrections in the method of evaluation. There is also a
need for standardization of data structure in the bases of the SILP (strict standard of the SILP).
Such research directions and implementation works enable to use results of valuation for example to
fix forest functions, and as a consequence, to form proper productive and protective recommendations. They may also accelerate research on a multifunctional forest model.
dr in¿. Pawe³ Strzeliñski
[email protected]
mgr in¿. Marcin Chirrek
[email protected]
tel. (061) 848 76 67, 76 62
http://www.au.poznan.pl/kul/
Automatyzacja waloryzacji funkcji lasu z wykorzystaniem SILP
Rys. 1. Rozk³ad struktury funkcji lasu
Rys. 2. Stopieñ wielofunkcyjnoœci lasu
Rys. 3. Dominacja grup funkcji lasu
219
220
Pawe³ Strzeliñski, Marcin Chirrek
Rys. 4. Rozk³ad stopni wielofunkcyjnoœci lasu Nadleœnictwa Œwieradów
POLSKIE
TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
Generalizacja
warstwy
zabudowy z zastosowaniem
regionów
drogowych ...
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
219
GENERALIZACJA WARSTWY ZABUDOWY
Z ZASTOSOWANIEM REGIONÓW DROGOWYCH
NA PRZYK£ADZIE
BAZY DANYCH TOPOGRAFICZNYCH
GENERALIZATION OF BUILDINGS LAYER WITH
THE USE OF STRUCTURAL REGIONS
OF ROAD NETWORK ON THE EXAMPLE
OF A TOPOGRAPHIC DATABASE
Marta Szostak1, Krystian Kozio³2
1
Zak³ad Geodezji i Kartografii, Wydzia³ Geodezji Górniczej i In¿ynierii Œrodowiska,
Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie
2
Laboratorium GIS i Teledetekcji, Katedra Ekologii Lasu,
Wydzia³ Leœny Akademii Rolniczej im. H. Ko³³¹taja w Krakowie
S³owa kluczowe: regiony strukturalne sieci drogowej, TBD, generalizacja obiektowa
Keywords: structural regions of road network, topographic database, objects generalization
Wstêp
Baza Danych Topograficznych (TBD) zgodnie z Wytycznymi technicznymi (2003) jest
to spójny system informacyjny, który powinien funkcjonowaæ dla obszaru ca³ego kraju i
spe³niaæ zadania polegaj¹ce na gromadzeniu, zarz¹dzaniu i udostêpnianiu danych topograficznych. Wszystkie dzia³ania w ramach funkcjonuj¹cego sytemu TBD oparte s¹ o ustalenia
prawne. Okreœlenie to obejmuje zarówno zasób danych, system informatyczny do zarz¹dzania danymi jak i odpowiedni system finansowania i organizacji (Gotlib, Iwaniak, Olszewski,
2006). W sk³ad zasobu danych TBD wchodzi:
m zasób podstawowy – czêœæ zasobu danych TBD zorganizowana i zapisana zgodnie z
ogólnie przyjêtymi standardami dotycz¹cymi budowy baz danych przestrzennych,
zawieraj¹ca dane pomiarowe, niezniekszta³cone w wyniku zabiegów redakcyjnych
zwi¹zanych z prezentacjami kartograficznymi, obarczone jedynie generalizacj¹ pierwotn¹ danych wynikaj¹c¹ z metod pomiaru i przyjêtego modelu pojêciowego.
m zasób kartograficzny – czêœæ zasobu danych TBD, utworzony zgodnie z kartograficznym modelem danych, przez przekszta³cenie zasobu podstawowego s³u¿¹cego do
opracowania prezentacji kartograficznej, zarówno w ramach TBD jak i w zewnêtrznych systemach produkcji map.
220
Marta Szostak, Krystian Kozio³
Model pojêciowy danych zasobu podstawowego TBD obejmuje wiêkszoœæ obiektów
przedstawianych na mapach topograficznych. W najbardziej ogólnym podejœciu s¹ to nastêpuj¹ce kategorie tematyczne danych: hydrografia, drogi, koleje, uzbrojenie terenu, roœlinnoœæ, zabudowa, granice i rzeŸba terenu.
Zabudowa – charakterystyka procesu generalizacji
Zabudowa jest tym elementem treœci map topograficznych, który ulega znacz¹cym
zmianom w ci¹gu skalowym tych map. Na mapie topograficznej w skali 1:10 000 zabudowa prezentowana jest wy³¹cznie za pomoc¹ konturów poszczególnych budynków lub
budowli, natomiast na mapach topograficznych w mniejszych skalach wizualizowane s¹
zarówno poszczególne budynki jak i stosowane s¹ oznaczenia powierzchniowe dla obszarów zabudowanych. W zwi¹zku z tym w TBD wspó³istniej¹ klasy umo¿liwiaj¹ce przedstawienie zabudowy na ró¿nych poziomach uogólnienia i zapewnienie mo¿liwoœci integracji
danych w³aœciwych ró¿nym poziomom uogólnienia. S¹ to „Tereny zabudowy” o charakterystyce odpowiadaj¹cej poziomowi szczegó³owoœci mapy topograficznej 1:50 000 oraz
„Budynki” w³aœciwe dla poziomu szczegó³owoœci mapy topograficznej 1:10 000. Zasadniczym, zatem problemem w procesie redakcji map topograficznych w skalach mniejszych
ni¿ 1:10 000 jest rozró¿nienie, kiedy budynki pokazywaæ konturem obrysu przyziemia, a
które budynki przedstawiæ jako tereny zabudowy.
Zabudowê miejsk¹ z przewag¹ budynków mieszkalnych oraz wiejska zabudowê zagrodow¹ przedstawia siê albo za pomoc¹ znaków pojedynczych budynków lub zagród, albo
jako obszary zabudowane, w zale¿noœci od gêstoœci przede wszystkim budynków mieszkalnych. Oznaczane na mapie budynki mieszkalne nie podlegaj¹ w zasadzie generalizacji iloœciowej1. Natomiast budynki przemys³owe, budynki u¿ytecznoœci publicznej oraz zespo³y innych budynków niemieszkalnych przedstawia siê zawsze za pomoc¹ znaków pojedynczych
budynków. W wypadku znacznego zagêszczenia podlegaj¹ one generalizacji iloœciowej.
Poni¿ej zostanie zaprezentowany sposób generalizacji zabudowy, opieraj¹cy siê na ustaleniu rozpoznawalnoœci treœci pokazywanej na mapie topograficznej w dowolnej skali. Dla
realizacji tych zadañ zostan¹ wykorzystane nastêpuj¹ce algorytmy:
m upraszczania obszarów zamkniêtych (Chrobak, 1999),
m budowy i upraszczania regionów drogowych (Kozio³, 2002),
m wyznaczania progów genertalizacji (Chrobak, 2003).
Istota prowadzenia procesu generalizacji zabudowy dla wybranego obszaru i okreœlonej
skali mapy topograficznej jest nastêpuj¹ca:
1) dane wejœciowe procesu zgromadzone w TBD to: superklasa „Budowle i Urz¹dzenia”,
a w niej klasa „Budynki” (dok³adnoœæ w³aœciwa dla mapy topograficznej w skali 1:10 000),
superklasa „Kompleksy Pokrycia Terenu”, a w niej klasa „Tereny Zabudowy” (dok³adnoœæ
w³aœciwa dla mapy topograficznej w skali 1:50 000),
2) wygenerowanie regionów drogowych (na podstawie danych TBD zgromadzonych
w superklasie – „Sieci Dróg i Kolei”, sklasyfikowanie ich i dokonanie eliminacji regionów
1 Generalizacja iloœciowa – zmniejszenie liczby informacji prowadz¹ce do poprawy jakoœci jej odbioru.
W generalizacji iloœciowej wyró¿niæ nale¿y generalizacjê formy oraz generalizacjê treœci (Ratajski, 1998).
Generalizacja warstwy zabudowy z zastosowaniem regionów drogowych ...
221
niespe³niaj¹cych kryterium rozpoznawalnoœci rysunku2. Ma to na celu ustalenie regionów
elementarnych3, które bêd¹ stanowi³y podstawê dla przeprowadzania procesu generalizacji
zabudowy,
3) „buforowanie” poszczególnych obiektów klasy „Tereny Zabudowy” wewn¹trz kolejnych regionów elementarnych (po wczeœniejszym ustaleniu przynale¿noœci obiektów do poszczególnych regionów elementarnych) w celu ustalenia ich wzajemnej rozpoznawalnoœci
na mapie. Prowadzi to do utworzenia obszarów zabudowy „z³o¿onych”, powsta³ych z po³¹czenia wzajemnie nierozpoznawalnych lub posiadaj¹cych wspóln¹ krawêdŸ obszarów zabudowy o tym samym atrybucie na odpowiednim poziomie klasyfikacji (np. zabudowa blokowa gêsta),
4) upraszczanie i eliminacja poszczególnych budynków,
5) upraszczanie i eliminacja poszczególnych terenów zabudowy.
Tworzenie regionów i eliminacja regionów
Regiony to obszary powierzchniowe, których granice zewnêtrzne tworz¹ obiekty liniowe
bêd¹ce drogami (ulicami) znajduj¹cych siê najni¿ej w klasyfikacji ustawowej (drogi powiatowe posiadaj¹ce numeracjê). Regiony elementarne s¹ obszarami najmniejszymi powierzchniowo w sieci drogowej – superklasy, sk³adaj¹cymi siê z ulic tworz¹cych sieæ lokaln¹. Sieæ ta
jest niezale¿na w ka¿dym regionie elementarnym, dziêki czemu ustalona jedna domena atrybutów ma zastosowanie w klasyfikacji ulic (obiektów) ka¿dego regionu elementarnego opracowywanej mapy.
Przy budowie regionów, tj. obiektów z³o¿onych z elementarnych, zastosowane zostan¹
dwa rodzaje regu³ zdefiniowanych przez Molenaara (1989):
1) regu³y okreœlaj¹ce klasy obiektów elementarnych tworz¹cych obiekt z³o¿ony,
2) regu³y okreœlaj¹ce relacje topologiczne miedzy obiektami elementarnymi (tzn. przyleg³oœæ, po³¹czenie, np.).
Rozpatruj¹c sieæ drogow¹ (rys. 1a) na pewnym ograniczonym obszarze, mo¿na powiedzieæ, ¿e regiony klas ni¿szych zawieraj¹ siê w regionach klas wy¿szych. Pierwszy region o
najwy¿szej klasie stanowi granica opracowania. Kolejnym bêd¹ regiony tworzone przez drogi klasy krajowej, nastêpnie wojewódzkiej a¿ do regionów elementarnych utworzonych na
podstawie dróg najni¿szej klasy posiadaj¹cej numeracjê (klasyfikacjê), w tym wypadku drogi
powiatowe.
W wyniku dzia³ania algorytmów budowy regionów zostan¹ utworzone regiony ró¿nych
klas (rys. 1b), o ustalonej hierarchii.
Istnienie klasyfikacji i topologii obiektów to podstawowe warunki w procesach automatycznych. Szczególn¹ uwagê nale¿y zwróciæ na proces eliminacji, który bez jednoznacznej
klasyfikacji nie mo¿e zostaæ przeprowadzony. Sposobem na unikniecie koniecznoœci wprowadzania nowych atrybutów jest uzyskanie atrybutów klasyfikuj¹cych opartych na atrybutach topologicznych – wynikaj¹cych z geometrii i logiki sieci drogowej (Chrobak, 1999,
2 Rozpoznawalnoœæ rysunku – minimalne wymiary obiektu na mapie pozwalaj¹ce na rozpoznanie kszta³tu obiektu i relacji pomiêdzy obiektami na mapie
3 Region elementarny – region, w którym granice zewnêtrzne s¹ tej samej lub ró¿nej klasy, ale krawêdzie
wewnêtrzne s¹ jednej i to najni¿szej klasy.
Marta Szostak, Krystian Kozio³
222
2000; Kozio³, 2002). Wartoœci atrybutów zdefiniowanych przez Chrobaka (Kozio³, 2003) s¹
podstaw¹ do wykonania jednoznacznej klasyfikacji dróg ko³owych z zastosowaniem regionów.
Podstawowymi atrybutami klasyfikacji s¹: liczba encji, ranga encji i atrybut po³¹czenia.
Najwiêksze wartoœci tych atrybutów przypadn¹ regionom o du¿ej liczbie dróg (ulic) obliczone na podstawie stopnia wêz³a i istniej¹cej hierarchii w sieci drogowej. Atrybut d³ugoœci drogi
(ulicy) zosta³ w klasyfikacji uwzglêdniony jako 0,01 jego wartoœci. Natomiast miar¹ rozpoznawalnoœci regionu bêdzie wartoœæ atrybutu pola powierzchni.
Po przeprowadzonej klasyfikacji regionów strukturalnych sieci drogowej mo¿na przeprowadziæ proces automatycznej eliminacji regionów. Eliminacja regionu powoduje eliminacjê wszystkich jego dróg wewnêtrznych, a czynnikiem decyduj¹cym o eliminacji jest rozpoznawalnoœæ rysunku mapy. Chc¹c dokonaæ procesu automatycznej eliminacji niezbêdne jest
okreœlenie atrybutu wskazuj¹cego na pozostawienie lub usuniecie obiektu.
W przypadku automatycznej eliminacji regionów drogowych nale¿y je traktowaæ jako
poligony, a powierzchniê tego poligonu jako atrybut umo¿liwiaj¹cy ocenê rozpoznawalnoœci
regionu. Jako powierzchniê porównawcz¹ przyjêto pole powierzchni ko³a o promieniu równym:
R = 0,6 × Mj
(1)
gdzie Mj to mianownik skali mapy docelowej, natomiast wspó³czynnik 0,6 wynika z rozpoznawalnoœci rysunku (Chrobak, 1999).
Po wyborze regionów nie spe³niaj¹cych kryterium nale¿y dokonaæ ich eliminacji, jednak¿e w przypadku regionów sieci drogowej eliminacja przebiega na drodze agregacji z jednym
z regionów s¹siaduj¹cych. Atrybutem wskazuj¹cym w³aœciwy region nadrzêdny jest wartoœæ klasy dróg, ulic lub ci¹gów komunikacyjnych stanowi¹cych granicê regionu. Znaj¹c
wartoœæ klasy wszystkich granic regionu do agregacji wybierany jest ten, który jest najni¿ej
w klasyfikacji.
Regiony, których granice nalez¹ do jednej klasy (np. drogi klasy powiatowej) podlegaj¹
agregacji poprzez krawêdŸ, nale¿¹c¹ do obiektu z³o¿onego (droga, ulica, ci¹g komunikacyjny), którego suma atrybutów klasyfikuj¹cych jest najni¿sza. W ten sposób uzyskany zostaje
zgeneralizowany zbiór regionów ze zbioru wyjœciowego. Utworzone algorytmy wykorzystuj¹ zwi¹zki topologiczne i funkcje opisane w rozdzia³ach poprzednich.
Weryfikacja terenów zabudowy
pod wzglêdem ich wzajemnej rozpoznawalnoœci
Maj¹c ustalone regiony elementarne dla mapy topograficznej w zadanej skali mo¿emy
przejœæ do „buforowania” poszczególnych obszarów zabudowy w kolejnych regionach elementarnych. Jest istotne, aby dokonywaæ tego wewn¹trz regionów elementarnych, gdy¿
drogi s¹ tym elementem przestrzeni geograficznej, który powoduje rozdzielanie obszarów
zabudowy. W zwi¹zku z tym, je¿eli mamy ju¿ okreœlone, które drogi bêd¹ stanowi³y treœæ
tworzonej mapy mo¿emy okreœliæ granice poszczególnych terenów zabudowy z uwzglêdnieniem mo¿liwoœci ich wzajemnej rozpoznawalnoœci na mapie i przynale¿noœci do poszczególnych regionów drogowych.
Generalizacja warstwy zabudowy z zastosowaniem regionów drogowych ...
223
Aby dokonaæ oceny czy krawêdzie s¹siaduj¹cych wybranych dwóch obszarów zabudowy bêd¹ rozpoznawalne jako oddzielne czy nie, tworzymy bufor wokó³ ka¿dego z nich o
szerokoœci równej po³owie miary progowej rozpoznawalnoœci rysunku w danej skali, okreœlonej przez Chrobaka (1999) jako:
εj = s × Mj
(2)
gdzie: s –
najkrótsza d³ugoœæ boku trójk¹ta (wynosz¹ca 0,6 mm)
Mj – mianownik skali mapy nowo opracowywanej.
Sprawdzaj¹c, czy utworzone bufory przecinaj¹ siê, ustalamy czy bêd¹ te dwa obszary
widoczne na mapie jako rozdzielne, czy nie. Je¿eli nie to dokonujemy mo¿liwych po³¹czeñ
obiektów i uzyskujemy w ten sposób „z³o¿one” obszary zabudowy, które bêd¹ podstaw¹ do
dalszej generalizacji (rys. 2)
Proces upraszczania i eliminacji budynków
Proces upraszczania i eliminacji poszczególnych budynków obejmuje:
1) ³¹czenie obiektów o wspólnej krawêdzi,
2) upraszczanie kszta³tu i eliminacjê poszczególnych obiektów wolnostoj¹cych i po³¹czonych,
3) prostok¹towanie powsta³ych obiektów,
4) okreœlenie progów generalizacji – warunki dla zmiany metody prezentacji zabudowy,
5) sprawdzenie powsta³ych mo¿liwych konfliktów.
Po ustaleniu przynale¿noœci budynków do poszczególnych obszarów zabudowy, mo¿na
dokonaæ wewn¹trz tych obszarów po³¹czenia budynków o wspólnej krawêdzi, a nastêpnie
procesu upraszczania ich kszta³tu i ewentualnej eliminacji obiektów. Upraszczanie kszta³tu
obiektów oparte jest na algorytmie Chrobaka (1999) do upraszczania krzywych zamkniêtych, wzbogaconym o opcjê prostok¹towania (jest ona niezbêdna dla budynków, które charakteryzuj¹ siê w wiêkszoœci prostopad³oœci¹ krawêdzi – dla terenu zabudowy nie musi byæ
stosowana).
Dodatkowo w algorytmie tym zostaj¹ zastosowane progi generalizacji ustalone przez Chrobaka (2000). Próg generalizacji dla prezentacji zabudowy jako obszarów zabudowy lub jako
poszczególnych budynków zostaje wyznaczony z zale¿noœci:
100 (ll – σ) = Bi
(3)
gdzie:
Bi ∈ [-5,10)
σ – odchylenie standardowe, równe 68%,
li – stosunek powierzchni budynków po procesie upraszczania do powierzchni budynków pierwotnych w danym obszarze zabudowy oraz w nastêpnym etapie w poszczególnych
regionach elementarnych.
Z wzoru (3), ustala siê metodê prezentacji zabudowy na mapie, w postaci:
m budynków, gdy jest spe³niona zale¿noœæ,
m obszarów, gdy nie jest spe³niona zale¿noœæ.
224
Marta Szostak, Krystian Kozio³
Ostatnim etapem jest sprawdzenie czy nie powsta³y konflikty pomiêdzy uzyskanymi budynkami, czyli czy nie przecinaj¹ siê i czy s¹ wzajemnie rozpoznawalne. W tym celu wykorzystany zosta³ bufor rozpoznawalnoœci, a obiekty niespe³niaj¹ce za³o¿onego kryterium zostaj¹ po³¹czone.
Ostateczny efekt po przeprowadzonym procesie upraszczania i eliminacji budynków w
wybranym regionie elementarnym dla skal: 1:10 000, 1:25 000, 1:50 000 zosta³ pokazany na
rysunku 3.
Rys. 3. Wynik upraszczania i eliminacji budynków w wybranym regionie elementarnym
dla skal: 1:10 000, 1:25 000, 1:50 000
Upraszczanie i eliminacja poszczególnych terenów zabudowy
Upraszczanie i eliminacja poszczególnych terenów zabudowy jest prowadzona na „zbuforowanych” terenach zabudowy. Dla wybranego poziomu klasyfikacji dokonujemy zhierarchizowania poszczególnych powsta³ych obiektów wg ich powierzchni w poszczególnych
grupach obiektów (ta sama wartoœæ atrybutów na przyjêtym poziomie klasyfikacji np. poziom 3 TBD: rodzaj zabudowy – blokowa, charakter zabudowy – gêsta). Dokonujemy upraszczania kszta³tu poszczególnych obszarów analogicznie jak dla budynków, przy czym nie
stosujemy prostok¹towania, a progi generalizacji stosujemy nastêpuj¹co:
m dla poszczególnych obszarów metody prezentacji s¹ nastêpuj¹ce: krzywa ³amana, krzywa wyg³adzona, symbol (w przypadku symbolu – pozosta³e obszary ni¿ej w hierarchii
równie¿ przedstawiamy symbolem),
m je¿eli nie zostaje spe³niona zale¿noœæ (3) przy za³o¿eniu, ¿e li to iloraz ³¹cznej powierzchni obszarów zabudowy po przeprowadzonym procesie do powierzchni pierwotnej tych obszarów na danym poziomie klasyfikacji, to zmieniamy metodê prezentacji, pokazuj¹c obszary pierwotne na wy¿szym poziomie klasyfikacji i przeprowadzamy od pocz¹tku procedurê upraszczania terenów zabudowy.
Generalizacja warstwy zabudowy z zastosowaniem regionów drogowych ...
225
W procesie doboru w³aœciwej metody prezentacji nie wykorzystujemy ju¿ przynale¿noœci
tych obszarów do regionów elementarnych, gdy¿ w odró¿nieniu do budynków, sposób prezentacji obszarów zabudowy musi byæ jednorodny dla ca³ej mapy. Regiony, w przypadku
obszarów zabudowy, wykorzystujemy do wstêpnego przygotowania danych, czyli przeprowadzenia „buforowania”.
Podsumowanie
Regiony drogowe odgrywaj¹ znacz¹c¹ rolê w procesie generalizacji warstwy zabudowy
bazy danych topograficznych, stanowi¹c ostateczne granice dla terenów zabudowy na najbardziej uogólnionym poziomie.
Drogi s¹ tym elementem, który w najwiêkszym stopniu okreœla granice terenów zabudowanych i w zwi¹zku z tym to w³aœnie ustalenie regionów elementarnych i eliminacja dróg
bêdzie poprzedza³o proces generalizacji zabudowy. Regiony elementarne i granice dróg bêd¹
stanowiæ bazê dla przeprowadzenia agregacji obszarów zabudowy niespe³niajacych kryterium wzajemnej rozpoznawalnoœci, poniewa¿ uchroni¹ przed mo¿liwymi konfliktami pomiêdzy warstwa zabudowy i dróg – agregacja obszarów, wewn¹trz których na prezentowanej
mapie znalaz³aby siê droga. Jednoczeœnie dziêki zastosowaniu regionów elementarnych, bêdzie mo¿na przyspieszyæ eliminacjê poszczególnych obszarów zabudowy i budynków –
brak rozpoznawalnoœci regionu na mapie poci¹ga automatycznie eliminacjê poszczególnych
terenów zabudowy i budynków przynale¿¹cych do tego regionu. Dodatkowo granice regionów elementarnych pozwol¹ na okreœlenie metody prezentacji budynków w tych regionach.
Literatura
Chrobak T., 1999: Badanie przydatnoœci trójk¹ta elementarnego w komputerowej generalizacji kartograficznej. Kraków, UWND AGH.
Chrobak T. 2003: Badanie krzywych ³amanych – przekszta³canym obiektywnym algorytmem globalnym –
jako danych geometrycznych uogólnionych. Praca wykonana w ramach badañ statutowych nr 11.11.150.478,
KBN-AGH Kraków, niepublikowana.
Gotlib D., Iwaniak A., Olszewski R., 2006: Budowa Krajowej Infrastruktury Danych Przestrzennych w
Polsce – harmonizacja baz danych referencyjnych, Wydawnictwo Akademii Rolniczej we Wroc³awiu,
Wroc³aw.
Kozio³ K., 2002: Badanie przydatnoœci teorii grafów w budowie regionów dla sieci dróg ko³owych, Geodezja,
Tom 8, Zeszyt 1, AGH, Kraków.
Kozio³ K., 2003: Przydatnoœæ regionów jako obszarów strukturalnych w automatycznej generalizacji kartograficznej obiektów liniowych. Rozprawa doktorska. AGH.
Molenaar M., 1998: An Introduction to the Theory of Spatial Object Modeling for GIS. Taylor & Francis,
Londyn.
Ratajski L., 1989: Metodyka kartografii spo³eczno gospodarczej, PPWK, Warszawa.
Wytyczne techniczne Baza Danych Topograficznych. GUGiK, Warszawa 2003.
226
Marta Szostak, Krystian Kozio³
Summary
In this paper characteristics of the generalization process of the topographic database in the layer of
built-up area was presented. The elements of this layer make the content of topographic and thematic
maps and they are also subdued to significant changes during a change of scale. The proposed way of
generalization of built-up area is based on the establishing of recognition of the content on the topographic map, in any selected timescale. The base for the correct generalization of objects of selected builtup area and a definite scale of a topographic map is the definition of the ability to recognize individual
objects. This process leads to making complex objects that are made by a proper aggregation of
individual objects possessing common edge outlining single buildings.
The main subjects of the paper include simplification of the shape and the elimination of sectors in the
built-up area and buildings, as well as the definition of conditions of automatic change in the method
of presentation of built-up area (buildings→ built-up areas). In the discussed processes, the usefulness
of the application of structural regions in the classification and elimination of internal objects was
shown.
mgr in¿. Marta Szostak
[email protected]
tel. (012) 617 33 23
dr in¿. Krystian Kozio³
[email protected]
http://argis.les.ar.krakow.pl
tel./fax (012) 662 50 82
a
b
Generalizacja warstwy zabudowy z zastosowaniem regionów drogowych ...
Rys. 1. Fragment TBD: a – siec drogowa jako graf palnarny z podzia³em na drogi krajowe (kolor czerwony), wojewódzkie (kolor zielony),
powiatowe (kolor br¹zowy), pozosta³e (kolor czarny); b – regiony elemntarne utworozne na podstawie wêz³ów i krawêdzi
227
228
Marta Szostak, Krystian Kozio³
Rys. 2. Tereny zabudowy TBD – dane pierwotne i po wykonaniu „buforowania” dla skali 1:50 000
POLSKIE
TOWARZYSTWO
INFORMACJI
PRZESTRZENNEJ
Application
of the object
based image analysis
of the VHR
satellite images...
ROCZNIKI GEOMATYKI 2006 m TOM IV m Z ESZYT 3
227
APPLICATION OF THE OBJECT BASED IMAGE
ANALYSIS OF VHR SATELLITE IMAGES
IN LAND-USE CLASSIFICATION
ZASTOSOWANIE OBIEKTOWEJ ANALIZY
WYSOKOROZDZIELCZYCH OBRAZÓW SATELITARNYCH
W KLASYFIKACJI FORM U¯YTKOWANIA TERENU
PiotrWê¿yk1, Roeland de Kok2, Krystian Kozio³1
1
Laboratorium GIS i Teledetekcji, Katedra Ekologii Lasu, Wydzia³ Leœny Akademii Rolniczej w Krakowie
2
ProGea Consulting, Kraków
Keywords: Object-Based Image Analysis (OBIA), classification protocols, GIS spatial analysis,
forest succession, land-cover
S³owa kluczowe: obiektowa analiza obrazu (OBIA), protokó³ klasyfikacji, analizy przestrzenne
GIS, sukcesja leœna, klasy pokrycia terenu
Introduction to object-based image analysis
Land-use cover is one of the basic GIS spatial data layers needed for landscape planning
and monitoring dynamic environmental changes. Traditional multispectral image classification
techniques are insufficient for extraction of land-use categories with required accuracy from
very high resolution imagery. The traditional image classification has been usually performed
by a pixel-based classification method based on supervised or even unsupervised approach.
Studies on remote sensing data proved that traditional spectral-based methods can result in
rather poor or even incorrect classification (Gougeon 1995, Fernández-Manso et al., 2005).
An alternative to this can be the object-oriented or so called Object-Based Image Analysis
(OBIA) approach. OBIA is a sub-discipline of GIScience devoted to partitioning remote
sensing (RS) imagery into meaningful image-objects, and assessing their characteristics
through spatial, spectral and temporal scale. At its most fundamental level, OBIA requires
image segmentation, attribution, classification and the ability to query and link individual
objects (also known as segments) in space and time (http://wiki.ucalgary.ca). OBIA based
on the fuzzy logic, allows the integration of a broad spectrum of different object features,
such as spectral form, shape and texture. In contrast to classic image processing methods,
the basic processing units of object-based image analysis are image objects or segments and
not single pixels. Moreover, The classification acts on image objects. Image segmentation
can be performed at different levels of resolution, or granularity. Segmentation methods can
228
Piotr Wê¿yk, Roeland de Kok, Krystian Kozio³
be categorized into: point-based (e.g. grey-level threshold), edge-based (e.g. edge detection
techniques) or region-based (e.g. split and merge) (Haralick, Shapiro, 1985).
OBIA is a hierarchy region merging technique and, therefore, it is regarded as a regionbased algorithm, starting by considering each pixel as a separate object. Subsequently, pairs
of objects are merged to form larger segments based on a local homogeneity criterion,
describing the similarity between adjacent image objects. The pair of objects with the smallest
increase in the defined criterion is merged. The process terminates when the smallest increase
of homogeneity exceeds a user-defined threshold, the so-called scale parameter (Baatz, Schäpe,
2000). A knowledge-based approach is used to classify objects into information categories,
using fuzzy logic based on attributes of image objects and their mutual relations. This
classification actively utilizes different levels of segmentation and different classification
hierarchy levels, so called class depths (Blaschke et al., 2004).
One motivation for the OBIA approach is the fact that, in many cases, the expected result
of most image analysis is the extraction of real world objects, proper in shape and in
classification (Fernández-Manso et al., 2005). This expectation cannot be fulfilled by traditional,
pixel-based approaches (Baatz, Schäpe, 2000). Much more information is contained in spatial
relations of pixels what can be confirmed by some studies presenting that the object-based
approach is very promising when classifying VHR data (Baatz, Schäpe, 2000; Benz et al.,
2004; Blaschke et al., 2004).
Textural indices have the potential to measure and monitor vegetation structures at landscape
scales (Blaschke, 2003). For forest this is related to monitoring on a multi-scale level. Due
to recent improvements in hardware and software, it has become easier to deal with textural
characteristics of forest cover within the image domain (Wê¿yk et al., 2004). This allows
combining classical theories on statistical textural measures, so called Haralick features
(Haralick, Shapiro, 1985), with structural textural measurements (Musick, Grover 1991;
Baatz, Schäpe, 2000). Transferability of textural features refers to characteristics of optical
data in large mosaics used in seamless data as well as time series over the same area (change
detection).
Characteristics of the Polish countryside
The Polish landscape is rapidly changing due to the socio-economical effects of the
recent EU membership and its impact on agricultural incomes. An important indicator for
this change in the last years was increasing amount of abandoned fields. Imagery from
satellite and airborne EO show the effects of forest succession on these abandoned parcels.
This happens at such a large scale that it cannot be regarded as incidental but it reveals
profound changes taking places in small-scale farming. It is essential for landscape management
to combine the interpretation of RS data with social economical factors, EU agricultural
policy as well as with cadastral (GIS) information.
The area of Poland is 312.700 km2 what makes approx. 10% of the total area of the „old“
EU members. Population is ca 38.2 mln people (8.5% of UE) and in 2004 38.2% of the total
population (14.6 mln) lived.in the countryside. In the period 1996–2002, the farmer population
decreased by about 1.08 mln people due to structural changes in Polish agriculture. The
average area of a single family-farm is ca 7.5 ha (only 3.31 ha in South Poland; 24.1 ha in
Application of the object based image analysis of the VHR satellite images...
229
North-West Poland). Between 1996 and 2002, the total area of agricultural parcels diminished
from 17.9 mln ha to 16.9 mln ha (by 1.0 mln ha, ca. 5.5%). The number of farms decreased
from 2.04 mln to 1.85 mln. In 2002, the area of abandoned parcels was 2.3 mln ha, but due
to joining the EU in year 2004, the are of abandoned land decreased to 1.3 mln ha. This
means that the area of 16.32 mln ha was used for different agriculture purposes (MLLE,
2005). Land-cover and land-use data are essential for planning and management of agricultural,
forest and urban areas. Traditional methods of land-use mapping based on the visual imageinterpretation are very expensive and time-consuming and subjective as well.
The paper presents a study on forest succession on abandoned agricultural fields, which
is nowadays maybe one of the largest, unmanaged afforestation processes in the EU.
IACS – LPIS data bases
The European Union (EU) grants financial aid to farmers, growing certain crops. In
order to administrate and to control the farmers’ declarations, the EU decided to establish an
Integrated Administration and Control System (IACS) in 1992. Over the years it was found,
that the declared areas often do not represent the reality. As a result, the process of declaration
should be improved by the establishment of a Land Parcel Identification System, preferably
based on orthophotos (http://mars.jrc.it/marspac/PECO; Oesterle, Hahn, 2003). Cornerstone
of IACS in Poland is LPIS (Land Parcel Identification System) which is now under
development and implementation. LPIS should be build on the agricultural cadastre which is
in a transition process from analogue archive maps to a full digital database including correct
geometry. The polygons in the LPIS will also be attributed to areas which will be excluded
from EU subsidies. This process is related to Phare 2001 EU projects in Poland and other
new accessing countries involving VHR satellite imagery (IKONOS, QuickBird) as well as
1:13.000 and 1:26.000 aerial photos. For the revision of the existing cadastre, two standards
of the orthophotomaps were applied, depending on image data source qualities (EC, DG JRC
2005):
m Standard I: designed for areas with cadastre based on the map 1:5.000. Orthophotos
based on the 1:26.000 scale B&W aerial photos covering 156.000 km2 (about 50% of
Poland) ground resolution 0.5–1.0 meter (RMSE = 1.5–2.5 m).
m Standard II: designed for areas with cadastre maps 1:2.880 or 1:2.000 (85.000 km2
of South Poland). Orthophotomaps based on 1:13.000 scale B&W aerial photos with
ground resolution 0.25 meter (RMSE = 0.75 m).
The construction of LPIS with direct access to up-to-date high-resolution orthophotos is
inevitable. Costs of LPIS are estimated to be 3–4 times higher then the orthophotos production.
Within the limits of Standard I an additional 25% coverage of Poland was planned to be
covered using IKONOS (50.000 km² along frontiers) and “old” Phare 1996–1997 RGBOrthophotos (based on aerial photos 1:26.000). Important attributes for land use data are
parcels divided in two categories: “active functional” and so called “non-functional” which
includes those with “changes made by (forest) succession”. Here decision must be taken to
assign a parcel to be eligible or non eligible to subsidiary financing during the control process.
Every year the series of VHR satellite scenes are delivered from JRC (EU) to member countries,
including Poland. Here, the agency responsible for the distribution of subsidies is ARiMR
(Agency for Restructuring and Modernization of Agriculture) obliged to use the remote
230
Piotr Wê¿yk, Roeland de Kok, Krystian Kozio³
sensing information for checking correctness of farmers applications for direct subsidies.
Satellite VHR data are expected to increase its dominance in information acquisition on the
national level in accordance with EU trends. Nevertheless, the EU funding will be available
for afforestation from other sources.
Forest cover in Poland
Obtaining precise information about the amount of forest cover in very short time is
an important issue for governmental policy and forest management. Huge deforestation after
Second Word War (forest cover dropped to the level of 20.8%) led to a reduction in biodiversity
and landscape impoverishment. Afforestation process increased forest cover to 28.6%
(8.942.000 ha). The National Programme for the Augmentation of Forest Cover signed by
the Polish government in 1995, provides the basis for all work on afforestation. A managed
increase in forests is expected to reach forest cover nearing 30% in year 2020 and 33% in
2050. Publicly owned forests predominate in Poland, accounting for 82.6% of the total area,
and 78.4% of the total is under the management of the State Forests National Forest Holding.
Other 16.1% of Polish forests belong to natural persons (private 900.000 owners – 94%
under small-scale ownership where the mean area of a parcel is < 1 ha). In some South
regions of Poland private owners (farmers) hold parcels of the size of 0.2–0.3 ha only. These
statistics indicate close connection of agricultural and forestry domains in Poland (PGL LP,
2003).
Tasks of Image Analysis
Increasing automatic image analysis
The visual interpretation of large amounts of data is at risk to be outdated by the time the
analysis becomes available. This study tests automatic procedures for mapping of forest
succession on agricultural parcels from VHR satellite data (QuickBird) as well as from B&W
orthophotomaps. The automatic procedures should enable a fast and low-cost RS data
interpretation. Due to the large amounts of mosaic parts in VHR data, sampling of classes in
each mosaic-tile would be too complex. Therefore full automatic image classification notrequiring sampling methods are welcome to deal with large-area satellite mosaics. Additionally,
the RS data fusion with LPIS information will be an integral part of analysis, validation of
results classification and conclusion.
Preprocessing and image reinforcement
Texture analysis of imaging data can be separated in statistical textures analysis (Haralick
features) as well as structural texture analysis (Musick, 1991). A hybrid textural analysis has
been under development which involves a pre-processed edge detection to create the structural
part of the texture analysis. The assignment of a weight function in a segmentation process
is popular where a panchromatic band (PAN) has a higher ground resolution than other
multispectral bands (MS). In this case an increased weight factor for the PAN allows a more
detailed object reconstruction. The weight factor influences the complete band information.
Application of the object based image analysis of the VHR satellite images...
231
For a more detailed manipulation of the objects of interest and not the whole image domain,
only specific details inside a single image can be given an ‘increased weight’ factor by using
additional artificial image layers. The objects of interest will be backed-up by underlying
‘pixel-artifacts’. Because the artificial layer contains near-zero values for the rest of the
image, only preferential image objects will receive this influence. Contrasting edges are here
expected to contain the prevailing information.
Image derivatives. Artificial bands are results of image pre-processing techniques such
as: edge detection filtering, spectral un-mixing and textural derivatives. Based upon user
preferences, the artificial bands can be used to amplify information on a selected type of
objects of interest. The first function of artifacts is the forcing of the preferential shape of
segmented objects. In a second phase, a customized feature is created for which only extreme
dark and bright values play a role in the classification. The artifacts must be reproducible.
The absolute grey values of the image artifacts have little meaning. Their relative value and
moreover their extreme brightness or darkness allows the class selection. The central strategy
of pre-processing leads to the smart positioning of the objects of interest in the extreme parts
of the histogram of an artificial band. Sampling of the class inside the image becomes less
relevant if objects of interest appear in general in the same extreme position in an (artificial)
image histogram. The population of image objects located in the histogram-extreme represents
the desired class. Isolated edges can be regarded as structural texture elements. They can
incorporate a line of mixed pixels with high variance at the border between two adjacent
image objects thus sharing the spectral characteristics of two different distributions. This
situation is the most ‘normal’ one in satellite imagery and has been used frequently in Laplace
analysis. Very typical for this type of edge detection is the fact that at least 3 pixels around the
edge are influenced by the calculation. The resulting ‘blurred’ boundaries are here less useful.
Another type of edge detection is the isolation of edge pixels belonging to a homogeneous
image object and is not considered as mixed pixels. They belong to the spectral distribution
of the image object itself. A good example of this is the dark inside-edge pixels of shadow
objects. This type of edge detection is only a single pixel width and it is more useful for sharp
line reconstruction. Starting with the original panchromatic image the result of the LeeSigma filter is subtracted and an edge image (difference image) is produced. The Lee-Sigma
filter only replaces original pixel values with the moving-window (3×3) mean, if 2-sigma
values are exceeded; else there is no-change. In case of sharp boundaries, this condition
exists and can therefore be extracted from the difference image (Fig. 1). In case of ‘nochange’ for all pixels within 2-sigma values, the difference image will return near-zero values
for the largest part of a VHR satellite image under European environmental conditions. The
edges alone might be useful. The next step is to integrate edge-information in automatic
vegetation detection. A customized feature can be constructed involving the ‘Lee-Sigma’
edge-images to be applied to automatic detection of scattered shrub and trees on homogeneous
agricultural parcels. The edge-detection images force a split of an object into core and frame
(Fig. 1). After segmentation (Fig. 4) the 3 images are combined in a map calculation for each
segment. The customized feature visualization can also function as extra input layer for
further classification.
The ratio of the original object and its self-derived edges incorporates information about
size, homogeneity as well as intensity. The effect of such analysis can be applied to objects
characterized by low homogeneity among neighborhoods with high homogeneity (Wezyk et
al., 2004). This is the typical condition of stages of forest succession on abandoned agricultural
232
Piotr Wê¿yk, Roeland de Kok, Krystian Kozio³
Fig. 1. Workflow of the customized feature
fields. Moreover the different response of this analysis in NIR versus Red band improves the
performance.
The case study of forest succession
on the abandoned parcels
Test site and data
For the test study the area of the Mostki cadastre range, in the Staszów county (powiat)
in Œwiêtokrzyskie Voivodship in South Poland was selected (Fig. 2). One year earlie a forest
inventory project based on the VHR QuickBird image (acquisition on 15.09.2003) was done
in neighbouring forest area (Wê¿yk, Ciechanowski, 2005). As reference data we used a
cadastre map of Mostki and Kolonia Bogoria delivered in EWR format (EWMapa software)
in Polish coordinate system PUWG1965/I, from the county survey office (PODGiK in
Staszów). The TIFF file was exported from EWMapa and georeferenced to another coordinate
system PUWG1992/19 using ArcGIS (ESRI). No additional attribute data regarding the owners
of the parcel were needed for the study. Also digital forest map (LMN; PUWG 1992/19;
SHAPE format) from the Staszów Forest District (PGL LP) was used as forest mask data.
The digitized area from cadastre map was 443 ha with following distribution of the landuse classes: forest (description on the cadastre map: Ls; Lz) – 20.79 ha; buildings (B) –
15.62 ha; orchards (S) – 1.51 ha; wasteland (N) – 0.32 ha; water (Ws) – 1.72 ha; meadows
Application of the object based image analysis of the VHR satellite images...
233
Fig. 2. VHRQuickBird OBIA classification on the test area of the Mostki and Kolonia Bogoria.
”High-vegetation” outside the forest mask is claassified in white color. Smal private forest plots, orchards
and agricultural parcel with forest succession are included in the „High-vegetation” class
(£) – 20.13 ha; pasture (Ps) – 22.06 ha; arable land (R) – 360.84 ha. Arable land, meadows
and pastures land-use classes have additional description regarding the soil quality (from I –
the best one to the VI – the poorest one).
The aim of the study was to find out abandoned agricultural parcels using fully automatic
approach of forest succession and deliver statistics for the land-use changes in this area.
Results of OBIA
According to the pre-processing workflow (Fig. 1), a customized feature was constructed
for the PAN band of a QuickBird scene (Fig. 5). This is done for the Red as well as the NIR
band. This leads to an eCognition project containing 9 image layers e.g. three original bands:
PAN, Red and NIR as well as 3 pairs of ‘Lee-Sigma’ combinations (positive/negative, Fig.
1). The customized feature for the Red band has a typical result for complex artificial objects.
Buildings and other constructions contain a lot of contrasting edges. Therefore in the
visualization of this customized feature, all buildings appear dark (lowest part of the histogram).
Vegetation with complex shadow casting and sharp edges in the Pan and NIR do not respond
similarly in the Red band. This is due to a reduction in the reflection of the Red light for both
crowns and shadows.
All vegetation areas that do not cast or contain shadows have higher values in all of the
three visualizations of this customized feature. The lowest part of the histogram of the
234
Piotr Wê¿yk, Roeland de Kok, Krystian Kozio³
customized feature [Pan / (Edge I + Edge II)] thus contains 3 classes: Infrastructure (buildings,
roads), Shadows and High Vegetation. Due to extreme low values in the customized feature
of the Red band and very low panchromatic intensity values, the classes: ‘Infrastructure’
and ‘Shadows’ can now be easily separated. The ‘High Vegetation’ class remains. This class
contains different forest types as well as ‘forest succession’ stages on agricultural fields. If
the cadastral information indicates to the existence of an agricultural parcel, the extraction of
forest succession is simple. More complicated are separations between two classes: ‘forest
regeneration’ and ‘forest succession’ inside the forest area as well as the separation between
‘forest succession’ and ‘fruit/berry orchards’ outside the forest border. The scattered nature
of the succession can be separated from densely covered and closed canopy stands. However
there is a transition from scattered to dense forest vegetation (Fig. 2 and 6).
Fig. 3. Two top images; a QuickBird PAN band and the visualization of the customized feature
(from Fig. 1). Below the same customized feature on a subset of the 8-bit orthophotomap
from a scaned aerial imagery (B&W, scale 1:13.000)
Application of the object based image analysis of the VHR satellite images...
235
The same procedure was tested on a set of B&W orthophotomaps with similar results.
However the 8 bit scanned images lack the spectral resolution comparing to the 11-bit
QuickBird image (Fig. 3). The separation of vegetation and buildings/infrastructure as complex
edge-containing objects in homogeneous environments becomes therefore less effective.
Here the cadastral information, especially about settlements per plot becomes a necessity for
further full automatic approach.
Results of GIS spatial analysis
For the main GIS spatial analysis only following the land-use classes: arable land, pasture,
meadow and wasteland were taken into consideration (area of 403.35 ha) as reference for
the study of forest succession (Fig. 2 and Fig. 6). The remaining classes naturally also
included the ‘forest succession’ class but in this case the interpretation was not really clear.
The class ‘buildings’ showed about 20% of ‘forest succession’ what could be interpreted as
single trees around the houses. ‘Orchards’ were classified with the 34% of cover of highvegetation and in this stage of the study it was not possible to distinguish between forest and
fruit trees. Land-use class ‘forest’ presented coverage of high-vegetation around 80% what
is connected to the pure forest stands on these areas. The most important classes and their
‘forest-succession’ content are presented in Table.
Generally, the analysis of the OBIA intersected by the land-use classes showed that forest
young stage is occupying ca. 44.87 ha (Tab.) what makes 11.1% of the investigated classes.
The main forest succession (83% of phenomenon) happen in the arable-land (R) on the area
of 37.24 ha (Tab.) and especially on very poor-quality soils (class VI – 15.64 ha; 16.4% of
the RVI). Of course it was expected that the parcels with the poorest soil would be first
subject to the process of the forest succession that is the climax stage in this climate zone.
Similar situation was observed on the pasture (P) – 4.46 ha (class VI – 20.5% covered by the
young forest). Abandoned meadows (class V) were under trees canopy on the area of 3.03
ha, what means that 15% was just ‘lost’ for agriculture. The highest share value of the forest
succession rate present land-use wastelands but due the small area of those parcels they play
a marginal role (0.14 ha covered by trees; 43.9 %).
Table . R e s ults of the GIS s patial analys is be twe e n the re fe re nce data (cadas tre ) and the OBIA gathe re d
fore s t s ucce s s ion are as
Land- useclass
Area of land- use
class [ha]
Area of the forest
succession
[ha]
Share of forest
succession in
land- use class
Distribution of
forest succession
Arable land (R)
360.84
37.24
10.3%
83.0%
Pasture (Ps)
22.06
4.46
20.2%
9.9%
Meadows (£)
20.13
3.03
15.0%
6.7%
0.32
0.14
43.9%
0.3%
403.35
44.88
11.2%
Westeland (N)
SUM
236
Piotr Wê¿yk, Roeland de Kok, Krystian Kozio³
Conclusions
During the control process of farmers declarations, decisions must be taken to assign the
land-use of parcels in two categories: “active-functional” (eligible) and “non-functional” (noneligible), which includes those with “changes made by (forest) succession”. The VHR
object-based image classification immediately generates the class where ‘functional’ is doubtful
when scattered forest vegetation is found on the parcel. Detailed automatic mapping of
forest succession related to abandoned agricultural parcels using VHR–EO data is possible.
The class of ‘high-vegetation’ has a “fingerprint” signature in a special customized image
layer which makes automatic classification possible. The desired objects of interest (OOI)
are located within the histogram-extreme of all mosaic parts of the mapping area. The possibility
to predict the location in (artificial) feature space reduces considerably the need for locating
the OOI inside the image domain and therefore the sampling procedure. An image classification
method that replaces „Training & Test Areas“ with a „Histogram-sampling“ technique shows
peradventures in stable and transferable classification protocols. An initial calibration of the
‘Quintile’ of the histogram’s can rely on existing cadastral and GIS information, i.e. CORINE
land-cover and SILP (Forest Information System of Polish State Forests). The 11-bit QuickBird
data is well suited for separating textured objects like buildings and high-vegetation. For 8-bit
orthophotomaps, cross-confirmation with existing cadastre is a necessity.
Literature
Baatz M., Schäpe A., 2000: Multiresolution segmentation – an optimization approach for high quality multiscale image segmentation. In: Strobl, J. et al. (Hrsg.): Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT-Symposium Salzburg 2000, Karlsruhe, Herbert Wichmann Verlag: 12–23.
Benz U.C., Hoffmann P., Willhauck G., Lingenfelder I., Heynen M., 2004: Multi-resolution, object-oriented
fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and
Remote Sensing, 58, 239–258.
Blaschke T., 2003. Continuity, complexity and change: A hierarchical Geoinformation-based approach to
exploring patterns of change in a cultural landscape. [In:] Mander, Ü. and Antrop, M. (eds.): Multifunctional Landscapes Vol. III: Continuity and Change. Advances in Ecological Sciences 16, WIT press,
Southampton, Boston, 33–54.
Blaschke T., Burnett C., Pekkarinen A., 2004: New contextual approaches using image segmentation for
objectbased classification. In: De Meer, F. and de Jong, S. (eds.): Remote Sensing Image Analysis: Including the spatial domain, pp. 211-236. Kluver Academic Publishers, Dordrecht.
EC, DG JRC, 2005: Guidelines for Best Practice and Quality Checking of Ortho Imagery. Issue 2.4. JOINT
Research Centre – Ispra, Institute for the Protection and Security of the Citizen, Monitoring Agriculture
With Remote Sensing Unit.
Fernández-Manso O., Fernández-Manso A., Quintano-Pastor C., Álvarez M.F., 2005: Mapping forest cover
changes caused by mining activities using spectral mixture analysis and object-oriented classification.
Proceedings of ForestSat 2005, Borås May 31–June 3, pp.77-81.
Gougeon F. A., 1995: A crown–following approach to the automatic delineation of individual tree crowns in
high spatial resolution aerial images. Canadian Journal of Remote Sensing, 21(3):274–284.
Haralick R.M., Shapiro L., 1985: Survey: Image segmentation techniques. Computer Vision, Graphics, and
image Processing, vol. 29(1), pp. 100-132.
http://mars.jrc.it/marspac/PECO – accessed on 04.06.2006.
http://wiki.ucalgary.ca – accessed on 22.07.2006.
MLLE, 2005: Land- und Ernährungswirtschaft in Polen. Ministerium für Landwirtschaft und Ländliche
Entwicklung. Warschau. http://www.wirtschaft-polen.de/de/landwirtschaft.htm – accessed on 20.11.2005.
Application of the object based image analysis of the VHR satellite images...
237
Musick H.B., Grover H.D., 1991: Image textural measures as indices of landscape pattern. Quantitative
methods in landscape ecology (Ed. by M.G. Turner and R.H. Gardner; Springer-Verlag, New York.), pp.
77–103.
Oesterle M., Hahn M., 2003: A Case Study for Updating Land Parcel Identification Systems (IACS) by
Means of Remote Sensing, Proceedings of the XXth ISPRS Congress, 12-23 July 2004 Istanbul, Turkey
PGL LP, 2003: The State National Forest Holding, Annual Report 2003, Warsaw
Wê¿yk P., Ciechanowski P., 2005: Wykorzystanie wysokorozdzielczych zobrazowañ satelitarnych QuickBird-2 w aktualizacji baz danych leœnej mapy numerycznej. Roczniki Geomatyki Tom III. Zeszyt 4.
Warszawa. s.199-208.
Wê¿yk P., de Kok R., Zaj¹czkowski G., 2004: The role of statistical and structural texture analysis in VHR
image analysis for forest applications – A case study on QuickBird data in Niepolomice Forest. In: Strobl,
J., Blaschke T. & Griesebner, G. (Hrsg.): Angewandte Geoinformatik 2004. Beiträge zum 16. AGITSymposium Salzburg 2004, H. Wichmann Verlag, Heidelberg, S. 770-775.
Acknowledgement
Special thanks are due to the Forest Research Institute for sharing the QuickBird image, to the General
Directorate of the Polish State Forest Holding for forest inventory data and to Staszow District Survey Office
(PODGiK) for cadastre information.
Streszczenie
Trendy panuj¹ce w teledetekcji wskazuj¹ jednoznacznie na kierunek stosowania ca³kowicie samodzielnych metod automatycznej klasyfikacji du¿ych mozaik ortofotomap lotniczych i satelitarnych.
Zautomatyzowany proces pozyskiwania i zarz¹dzania du¿ymi zbiorami danych teledetekcyjnych zosta³ ju¿ w zasadzie osi¹gniêty, a jego logiczn¹ kontynuacj¹ jest w pe³ni automatyczna interpretacja
obrazu. Wybrane klasy CLC2000 (Corine Land Cover) takie jak: woda, las, obszary antropogenicznego pochodzenia czy tereny rolnicze posiadaj¹ bardzo specyficzn¹ charakterystykê bêd¹c¹ kombinacj¹ w³aœciwoœci spektralnych i tekstury. St¹d te¿ klasy te mog¹ byæ poddawane sekwencyjnemu procesowi klasyfikacji (zapisanego w tzw. protokole programu eCognition; Definiens) zwanego OBIA
(obiektowa analiza obrazu; synonim - klasyfikacja obiektowa), który mo¿e wskazaæ tzw. „kandydatów” dla powierzchni treningowych i testowych w obszarze analizowanego obrazu.
W zaprezentowanej metodzie, selekcja pól treningowych i testowych tradycyjnie dokonywana przez
operatora, zosta³a znacz¹co zredukowana b¹dŸ te¿ nawet ca³kowicie zaniechana. Te subiektywne
zazwyczaj decyzje, które obszary nadaj¹ siê, a które nie jako wzorce to klasyfikacji, zast¹piono
hierarchicznym procesem (protokó³ eCognition) ich wyboru. Zapewnia to opisywanej metodzie OBIA
wiêksz¹ obiektywnoœæ. Sukces dzia³ania w pe³ni automatycznych procedur analizy obrazu mo¿na
osi¹gn¹æ w przypadku klas pokrycia terenu o unikatowej charakterystyce spektralnej i teksturze (ang.
fingerprint).
Systemy eksperckie wymuszaj¹ przebieg okreœlonych procesów takich jak: od poziomu Danych do
Informacji oraz od poziomu Informacji do Wiedzy. Pomimo takiego przebiegu od Danych do Informacji, systemy IACS/LPIS bazuj¹ w swej du¿ej czêœci na informacjach sk³adanych przez rolników.
Bezpoœrednie powi¹zanie danych satelitarnych z systemami GIS mo¿e przynosiæ du¿e profity dziêki
wdra¿aniu dostêpnych ju¿ inteligentnych metod przetwarzania obrazu.
Prezentowana praca demonstruje najnowoczeœniejsze metody (eCognition ver.5) i procedury aktualizacji warstw GIS (LPIS) oparte na automatycznym generowaniu informacji na podstawie wysokorozdzielczych obrazów satelitarnych QuickBird. Artyku³ pokazuje mo¿liwoœci zastosowania automatycznych procesów do iloœciowej analizy dynamiki klas pokrycia terenu, w tym szczególnie, naturalnej
sukcesji leœnej jaka najczêœciej zachodzi na opuszczonych gruntach rolnych w po³udniowej czêœci
238
Piotr Wê¿yk, Roeland de Kok, Krystian Kozio³
Polski. Zastosowana klasyfikacja OBIA oraz analizy GIS wykaza³y istnienie 69,28 ha obszarów o
charakterze sukcesyjnym zajmuj¹cych 16,2% terenu badañ.
Zautomatyzowane pozyskiwanie informacji zawartych w wysokorozdzielczych obrazach satelitarnych staje siê koniecznoœci¹ w kontekœcie podejmowania najlepszych decyzji uwzglêdniaj¹cych dynamikê naturalnych procesów zachodz¹cych w krajobrazie rolniczym.
dr Roeland de Kok
www.progea.pl
dr in¿. Piotr Wê¿yk
[email protected]
dr in¿. Krystian Kozio³
[email protected]
http://argis.les.ar.krakow.pl
tel/fax (12) 662-50-82
Application of the object based image analysis of the VHR satellite images...
239
Fig 4. Objects as a result of VHR QuickBird segmentation of agriculture landscape of Mostki cadastre range (eCognition; source DigitalGlobe)
240
Piotr Wê¿yk, Roeland de Kok, Krystian Kozio³
Fig. 5. VHR QuickBird composition (bands: 432_PAN) overlapped by the cadastre map of Mostki
(labels of the land-use classes: R – arable land; Ls – forest; I-IV the best to poorest soil).
Source: PODGiK Staszów and DigitalGlobe.
Fig. 6. QuickBird composition (bands: 432_PAN) overlapped by the result ob OBIA classification
(in green – forest succession) and cadastre map of the Mostki.
Source: PODGiK Staszów and DigitalGlobe.

Podobne dokumenty