PDF, 3 MB - CENIA, ÄÂeská informaÄÂnàagentura životnÃÂho prostředÃÂ
PDF, 3 MB - CENIA, ÄÂeská informaÄÂnàagentura životnÃÂho prostředÃÂ
PDF, 3 MB - CENIA, ÄÂeská informaÄÂnàagentura životnÃÂho prostředÃÂ
- No tags were found...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
24<br />
● konverze takto upraveného výstupu na binární formát,<br />
kde hodnota 1 zobrazuje obrysové linie a hodnota<br />
0 prezentuje transparentní plochy;<br />
● přiřazení průhlednosti a barevného kódování podle<br />
datace zdrojových fotomap.<br />
Výsledkem zpracování je tedy produkt, který byl<br />
v rámci projektu nazván „binární obrysová mapa“. Tento<br />
produkt umožňuje buď vzájemné srovnávání podobných<br />
výstupů s různým datováním, nebo zobrazení kontur<br />
stavu krajiny k určitému datu nad fotomapou s rozdílným<br />
datováním. Proběhlé časové změny jsou zcela evidentní<br />
a velmi dobře viditelné.<br />
2.2.3 Matematické metody použité pro analýzu<br />
změn<br />
Základním předpokladem identifikace změn objektů<br />
v čase a prostoru (krajině) pomocí dat dálkového průzkumu<br />
je existence změn objektů či jejich vlastností,<br />
kterou zaznamená snímací zařízení. Stejný objekt či jev<br />
zaznamenaný na více obrazových datech z různých okamžiků<br />
bude vykazovat různé hodnoty naměřené radiometrické<br />
charakteristiky. Tento rozdíl může mít řadu příčin<br />
a pouze některé jsou těmi, které se snažíme odhalit<br />
při multitemporální analýze (analýze změn).<br />
Technické vybavení pro analýzy rastrových dat<br />
Na rozdíl od interpretace fotomap je zpracování rastrových<br />
dat velmi náročné na výkonnost, kapacity a specifické<br />
softwarové vybavení počítače. Pro tento účel byly<br />
pořízeny dvě pracovní stanice s tímto vybavením:<br />
● PC se čtyřjádrovým procesorem s frekvencí 3 GHz;<br />
● 12 GB RAM;<br />
● 2 TB diskového prostoru;<br />
● Operační systém Windows XP 64-bit;<br />
● Systém ENVI pro zpracování leteckých a družicových<br />
snímků všech typů.<br />
Toto vybavení je dostatečně výkonné, aby umožnilo<br />
do začátku terénních prací vytvořit sadu produktů popsanou<br />
níže. Uvedené vybavení si vyžádal jednak speciální<br />
technologický postup při zpracování dat, kdy se<br />
nepoužívají dostupné funkcionality běžných gisovských<br />
nástrojů, ale pokročilé nástroje pro sofistikovanou práci<br />
s obrazem a také nutnost zpracovat těmito náročnými<br />
procedurami značně velké množství dat. Některé kroky<br />
zpracovatelského procesu si přitom vyžádaly až dva týdny<br />
nepřetržité automatické činnosti počítače a vyprodukovaly<br />
při tom stovky gigabytů nových dat.<br />
Pro detekci změn, které nastaly v definovaném časovém<br />
intervalu lze použít následující algoritmy:<br />
● obrazové rozdíly;<br />
● obrazové podíly;<br />
● regresní analýzu;<br />
● tvorbu multitemporálních syntéz;<br />
● porovnání výsledků klasifikací;<br />
● analýzu vektoru spektrální změny.<br />
V případě multitemporální analýzy leteckých ortofot<br />
lze s úspěchem použít obrazové rozdíly, obrazové podíly<br />
a analýzu vektoru spektrální změny.<br />
Obrazové rozdíly<br />
Výsledkem jsou kladné nebo záporné hodnoty v oblastech<br />
se změnou radiačních charakteristik a nulové<br />
hodnoty v oblastech beze změny. Pixely, které vykazují<br />
nějaké změny, tvoří okraje normálního rozdělení. Pro<br />
obrazové rozdíly můžeme použít např. následující algoritmus:<br />
() − DN ( ) c<br />
di , j,<br />
k<br />
= DNi<br />
, j,<br />
k<br />
1<br />
i,<br />
j,<br />
k<br />
2 +<br />
kde<br />
d i,j,k<br />
- hodnota změny obrazového elementu,<br />
DN i,j,k<br />
(1) - radiační hodnota prvního snímku,<br />
DN i,j,k<br />
(2) - radiační hodnota druhého snímku,<br />
i,j - souřadnice obrazového elementu (řádek,<br />
sloupec),<br />
k - spektrální pásmo (pokud se jedná o multispektrální<br />
data),<br />
c - konstanta.<br />
Pro upřesnění metody a především oddělení podstatných<br />
a nepodstatných změn je nutné použít metodu<br />
prahování, kdy vhodným nastavením prahových hodnot<br />
limitujeme méně významné změny.<br />
Obrazové podíly<br />
Tato metoda eliminuje změněné podmínky snímání,<br />
například změny v poloze Slunce. Je dobré kombinovat<br />
mezi sebou oba typy – jak obrazové podíly, tak i obrazové<br />
rozdíly. Obrazové podíly lze definovat:<br />
DN<br />
d<br />
i,<br />
j,<br />
k<br />
=<br />
DN<br />
i,<br />
j,<br />
k<br />
i,<br />
j,<br />
k<br />
() 1<br />
() 2<br />
kde<br />
d i,j,k<br />
- hodnota změny obrazového elementu,<br />
DN i,j,k<br />
(1) - radiační hodnota prvního snímku,<br />
DN i,j,k<br />
(2) - radiační hodnota druhého snímku,<br />
i,j - souřadnice obrazového elementu (řádek,<br />
sloupec),<br />
k - spektrální pásmo (pokud se jedná o multispektrální<br />
data).<br />
Analýza vektoru spektrální změny<br />
Tento typ analýzy lze použít v modifikovaném tvaru<br />
i pro panchromatická data historického leteckého ortofota<br />
na jedné straně a současného barevného (RGB)<br />
ortofota.<br />
Modifikovaný algoritmus vektoru spektrální změny<br />
V =<br />
[ DN1( T1) − DN1( T 2)<br />
] 2 + [ DN 2( T1) − DN 2( T 2 )] 2<br />
kde<br />
V - velikost vektoru – hodnota pixelu ve výsledném<br />
obraze,<br />
DN1 - DN hodnota pixelu v prvním použitém snímku,<br />
DN2 - DN hodnota pixelu ve druhém použitém snímku,<br />
T1 - první zpracovávané datum (historické ortofoto),<br />
T2 - druhé zpracovávané datum (současné ortofoto).