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...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
podklad (viz Obrázek 3.4), kde je přesně definován název<br />
lokality, objekt, zeměpisné souřadnice, parametry<br />
lokality, zdrojová dokumentace, grafická dokumentace<br />
(současné, či také historické ortofoto – je-li potřeba)<br />
a vlastní komentář.<br />
3.3.3 Modelování<br />
Modelování v oblasti dálkového průzkumu Země je důležité<br />
pro zpřesnění identifikace jednotlivých objektů na<br />
zemském povrchu. Přístupů k modelování dat dálkového<br />
průzkumu je několik:<br />
● Fyzikální modelování<br />
Kvantifikace parametrů ovlivňujících modelovanou<br />
veličinu. Cílem je získat absolutní hodnoty odrazivosti.<br />
● Empirické modelování<br />
Vztah mezi daty dálkového průzkumu a např. biofyzikálními<br />
parametry objektů. Ten je formulován na základě<br />
regresní závislosti.<br />
● Kombinovaný přístup prvních dvou<br />
Přepočet hodnot pixelů na absolutní hodnoty a jejich<br />
korelační a regresní analýza s pozemními měřeními.<br />
● Modelování příznakového prostoru<br />
Na základě analýzy rozložení pixelů a shluků v příznakovém<br />
prostoru se opětovně upravuje trénovací soubor<br />
tak, aby míry separability a homogenity byly co možná<br />
největší.<br />
Nejčastěji je využíváno fyzikální modelování pomocí<br />
spektrálních indexů. Jedná se o aritmetické operace<br />
s pásmy multispektrálního obrazu. Cílem je na základě<br />
spektrálního chování zvýraznit (potlačit) například vegetační<br />
složku v obraze, nebo zjistit některé vlastnosti<br />
půdního substrátu. Což jsou pro identifikaci kontaminovaných<br />
míst důležité informace. Spektrální indexy lze<br />
rozdělit na:<br />
● poměrové;<br />
● ortogonální.<br />
Poměrové indexy jsou vhodným nástrojem pro studium<br />
zdravotního stavu vegetace, časových změn a dalších<br />
parametrů, které mohou sloužit jako druhotný znak pro<br />
posuzování půdní vrstvy a míry její případné kontaminace.<br />
Příkladů takovýchto indexů je celá řada, nejčastěji<br />
jsou sestavovány pro multispektrální data z ETM+ družice<br />
Landsat. Např. pro pásma TM3 (tj. odrazivost v pásmu<br />
630–690 nm) a TM4 (tj. odrazivost v pásmu 760–900<br />
nm).<br />
- poměrový vegetační index (RVI – Ratio Vegetation<br />
Index):<br />
TM 4<br />
RVI =<br />
TM 3<br />
- normalizovaný diferenční vegetační index (NDVI –<br />
Normalized Difference Vegetation Index)<br />
TM 4 − TM 3<br />
NDVI =<br />
TM 4 + TM 3<br />
- transformovaný vegetační index (TVI – Transformed<br />
Vegetation Index)<br />
TVI =<br />
⎡TM<br />
4 − TM 3<br />
⎢<br />
⎣TM<br />
4 + TM 3<br />
2 + 0, 5<br />
Ke kvantifikaci vypočtených parametrů jsou nutné indexy<br />
počítané z atmosféricky korigovaných dat.<br />
Ortogonální indexy jsou lineární kombinací původních<br />
pásem multispektrálního obrazu.<br />
3.4 Analýza příznakového prostoru<br />
Při analýze příznakového prostoru je nutné se zaměřit<br />
na maximální míru separability a homogenity příznaků<br />
(tříd). Nejčastějším hodnocením vzájemné separace tříd<br />
je pomocí korelačního pole dvou pásem a elipsy charakterizující<br />
trénovací množinu každé třídy.<br />
3.4.1 Separabilita<br />
Hodnocení míry separability (odlišnosti) mezi jakýmikoliv<br />
dvěma třídami může být vyjádřena také v kvantitativní<br />
formě.<br />
Obecně vzato, analýza datového souboru v rámci příznakového<br />
prostoru před procesem klasifikace je pro<br />
dobrý výsledek klasifikace nezbytností. V průběhu tohoto<br />
procesu je vždy stanoven konečný počet příznaků<br />
(tříd) pro příslušné datové soubory a veškeré testy separability<br />
a analýzy kontingenčních tabulek.<br />
Separabilita je statistické měření vzdáleností vždy<br />
mezi dvěma příznaky v příznakovém n-rozměrném prostoru.<br />
Pro výpočet separability bylo odvozeno několik<br />
vztahů. V rámci tohoto zpracování byl použit jednak<br />
test separability pomocí transformované odchylky (TD<br />
– Transformed Divergence) – což je vážená vzdálenost<br />
mezi průměrnými vektory uvažovaných tříd, jednak test<br />
podle předpisu Jeffries-Matusita.<br />
Transformovaná odchylka je v tomto případě definována<br />
vztahem<br />
D<br />
ij<br />
potom<br />
1<br />
−<br />
= tr(( Ci<br />
− Cj)(<br />
Ci<br />
2<br />
1<br />
−1<br />
−1<br />
+ tr(( Ci<br />
− Cj<br />
)(<br />
2<br />
TD<br />
ij<br />
1<br />
− C<br />
i<br />
−<br />
−1<br />
j<br />
)(<br />
− D<br />
= 2(1 − exp (<br />
8<br />
⎤<br />
⎥<br />
⎦<br />
)) +<br />
kde<br />
i a j = dvě srovnávané třídy (příznaky),<br />
C i<br />
= kovarianční matice třídy (příznaku) i,<br />
μ i<br />
= průměrový vektor třídy (příznaku) i,<br />
tr = trasovací funkce (suma prvků na hlavní diagonále),<br />
T = transpoziční funkce.<br />
j<br />
ij<br />
i<br />
))<br />
−<br />
j<br />
)<br />
T<br />
)<br />
35