Praca Dyplomowa - AGH

Podziękowania2

STRESZCZENIEW pracy przedstawiono możliwości wykorzystania satelitarnych danychwielospektralnych – średniorozdzielczych (LANDSAT) oraz wysokorozdzielczych(IKONOS) – do opracowania mapy pokrycia/użytkowania terenu metodą klasyfikacjinadzorowanej. Prace praktyczne zostały poprzedzone studiami literaturowymi z zakresufotointerpretacji, klasyfikacji oraz satelitarnych systemów obrazowania Ziemi. Badaniaprowadzono na obszarze aglomeracji krakowskiej, dysponując obrazamizarejestrowanymi przez satelitę LANDSAT (2000r) i IKONOS (2001r). Przetwarzanieobrazów wykonano w oprogramowaniu IDRISI 32 / IDRISI Andes.W pracy zaprezentowano przebieg i wyniki klasyfikacji wielospektralnejobrazów wykorzystując do tego klasyfikację nadzorowaną wraz z trzema metodami:największego prawdopodobieństwa (Maxlike), równoległościanów (Piped) oraznajmniejszej odległości (Mindist). Dla obu zestawów danych (LANDSAT, IKONOS)przygotowano próbki weryfikacyjne oparte o ortofotomapę ze zdjęć lotniczych.Pozwoliło to na ocenę w końcowym etapie dokładności wyników klasyfikacji.Otrzymane wyniki przedstawiono w formie wykresów, tabel oraz map pokrycia terenu,analizując, przy jakich danych, parametrach i metodzie klasyfikacji uzyska się najlepszywynik.W wyniku obszernych testów najlepszą mapę pokrycia/użytkowania terenuopracowano metodą największego prawdopodobieństwa. Zbadano różnicew produktach klasyfikacji opartych o dane średnio- i wysokorozdzielcze orazzaproponowano ich integrację na poziomie decyzyjnym, celem poprawy wiarygodnościkońcowej mapy użytkowania. Bazując na danych LANDSAT uzyskano ogólnądokładność klasyfikacji na poziomie 62%, na danych IKONOS 67%, natomiast pointegracji danych 73%.Badania wykazały większy potencjał danych wysokorozdzielczych IKONOSoraz możliwość poszerzania schematu klasyfikacyjnego bez utraty wiarygodnościproduktu. Zaproponowano również metodę wykorzystania danych średniorozdzielczychLANDSAT, jako weryfikacji i wzmacniania wiarygodności mapy pokrycia/użytkowania terenu uzyskiwanej z danych IKONOS.3

4.2. Klasyfikacja nadzorowana................................................................................ 664.3. Generalizacja i przedstawienie wyników .......................................................... 704.4. Porównanie wyników i tworzenie mapy końcowej ........................................... 765. PODSUMOWANIE I WNIOSKI.......................................................................... 83LITERATURA .......................................................................................................... 88NETOGRAFIA .......................................................................................................... 91ZAŁĄCZNIKI ........................................................................................................... 926

WSTĘPW niniejszej pracy przedstawiono możliwości wykorzystania danychsatelitarnych do opracowania mapy pokrycia/użytkowania terenu stosując do tego trzymetody klasyfikacji nadzorowanej. Analizie poddano dane średniorozdzielczeLANDSAT oraz dane wysokorozdzielcze IKONOS. Podstawę badań stanowiły zdjęcia,gdzie rozdzielczość piksela w przypadku satelity LANDSAT wynosiła 30m, oraz 4mdla satelity IKONOS. Zobrazowania otrzymane z obu satelitów pochodzą odpowiednioz sierpnia 2000 roku oraz kwietnia 2001 roku. Obszarem badań ze względu nie tylko nadostępność danych, ale również na zróżnicowanie elementów pokrycia terenuwystępujących na obrazie oraz łatwość analizy, objęto aglomerację krakowską wrazz terenami występującymi wokół miasta.Znana jest powszechnie duża przewaga w rozdzielczości przestrzennej obrazówIKONOS. Założono więc, że produkty uzyskiwane z takich danych, jak mapapokrycia/użytkowania terenu, będą się charakteryzowały większą dokładnością.W pracy próbowano wykazać czy dzięki danym z satelity IKONOS otrzyma siędokładniejszą mapę pokrycia/użytkowania terenu niż w przypadku danych z satelityLANDSAT. Sprawdzono czy większa rozdzielczość będzie manifestować z większąwiarygodnością otrzymanej klasyfikacji, oraz czy pozwoli na uzyskanie większej ilościklas pokrycia terenu.Część pierwsza pracy stanowi część teoretyczną. W rozdziale pierwszymprzedstawiono m.in. metody stosowane do interpretacji cyfrowych danychteledetekcyjnych. Opisano klasyfikację obrazów wielospektralnych skupiając sięgłównie na schematach klasyfikacyjnych, zastosowaniach oraz metodachwykorzystywanych podczas klasyfikacji, jak również pokazano i opisano produktklasyfikacji jakim jest mapa pokrycia/użytkowania terenu.Planując porównać możliwości opracowania map pokrycia/użytkowania terenuna różnych poziomach dokładności przestrzennej, zdecydowano się na prace na dwóchzestawach danych: IKONONS oraz LANDSAT. W związku z tym, w rozdziale drugimw skrócie zaprezentowano m.in. charakterystyki obrazów, historie misji tych satelitóworaz porównano z innymi systemami obrazowania. Scharakteryzowanośredniorozdzielcze oraz wysokorozdzielcze satelity teledetekcyjne, dzięki którymmożna było porównać dane, które wykorzystano do badań w niniejszej pracy i poddanoje analizie.7

ROZDZIAŁ 1OBRAZY SATELITARNE JAKO ŹRÓDŁODANYCHWzrastająca dostępność różnorodnych danych satelitarnych sprawia, że stają sięone popularnym źródłem danych o powierzchni Ziemi. Szczególne znaczenie dlamonitoringu środowiska i rejestracji aktualnego stanu pokrycia/użytkowania terenustanowią satelity średniorozdzielcze o rejestracji wielokanałowej. Efektem takiejrejestracji są tzw. obrazy wielospektralne, nazywane również – od nazwy angielskiej –obrazami multispektralnymi.Obrazy wielospektralne wykonują specjalne kamery czy też skanery pracującew różnych zakresach widm spektralnych, tzw. kanałach. Dzięki takiej metodzie możnaten sam obszar zarejestrować w kilku innych przedziałach spektralnych, tworząc tymsamym z pozyskanych obrazów kompozycje barwne. Są one bardzo przydatne podczasinterpretacji (Drzewiecki, 2005, niepublikowany skrypt).Przykładowo na poniższym rysunku przedstawiono różne kanały spektralnesatelity LANDSAT TM (Thematic Mapper). Satelita ten pozyskuje obrazywielospektralne wykorzystując do tego 6 kanałów z 30m pikselem i 1 kanał 60mpikselem (system LANDSAT TM dokładniej został opisany w Rozdziale 2).a b c de f gRys. 1.1. Kanały spektralne satelity LANDSAT TM: a) niebieski, b) zielony,c) czerwony, d) bliskiej podczerwieni, e) i g) średniej podczerwieni, f) termalnyŹródło: Wróbel, 2005, niepublikowany skrypt; http://home.agh.edu.pl9

Właściwa interpretacja wykonywana jest w trzech etapach:o wykrycie – czyli stwierdzenie istnienia obiektu na podstawie cech bezpośrednich;o rozpoznanie – przeprowadzenie głębszej analizy w celu potwierdzenia wykrycia –na podstawie cech pośrednich;o identyfikacja – ostateczna kwalifikacja obiektu do określonej klasy (kategorii) –np. kategoria „las”, wraz z przyjętymi atrybutami – np. las liściasty, czy iglasty(Bernasik, 2000).Końcowym efektem fotointerpretacji zdjęć lotniczych, czy satelitarnychsą najczęściej udokumentowane ekspertyzy i prognozy opierające sięna przeprowadzonych analizach oraz pomiarach. Rozpoznane obiekty jak i zjawiskamogą być również przedstawione za pomocą kalki, na której będzie pokazany efektfotointerpretacji (Drzewiecki, 2005, niepublikowany skrypt).Fotointerpretacja znajduje główne zastosowania w (Bernasik, 2000):o archeologii, geografii oraz geologii, gdzie najczęściej wykorzystywana jest przyposzukiwaniu złóż surowców naturalnych;o leśnictwie, gdzie wykorzystywana jest do rozpoznawania gatunków drzew, jak i ichzdrowotności oraz wzrostu;o inżynierii lądowej i wodnej, geomorfologii, hydrologii;o rolnictwie, gdzie wykorzystywana jest do rozpoznawania gatunków gleb;o ochronie środowiska naturalnego;o kartografii, gdzie wykorzystywana jest do opracowania map gospodarczychmetodami fotogrametrycznymi.1.1.2. Wzmacnianie treści obrazuMetody stosowane do interpretacji cyfrowych danych teledetekcyjnychobejmują trzy główne segmenty: przetwarzanie wstępne, wzmacnianie odwzorowaniaelementów treści obrazu oraz ekstrakcję informacji tematycznej.Metodyka wzmacniania odwzorowania elementów treści obrazu (ang. imageenhancement) polega na ważnych, z punktu widzenia potrzeb interpretacji,uwydatnianiu cech. Poniżej omówione procedury wykorzystuje się właśnie do tego celu(Mularz, 1998; Sitek, 2000).13

Pierwszą z ważnych cech obrazu jest jego kontrast. Obrazy satelitarnecharakteryzują się zazwyczaj niską jego wartością. Dlatego wymagają wzmocnieniakontrastu, które najprościej zdefiniować jako przekształcenie analizowanegopodstawowego obrazu cyfrowego (Rys. 1.4). Polega to na przekształceniu pierwotnejwersji obrazu cyfrowego w bardziej wyrazistą, łatwiejszą do interpretacji postać.Stosuje się najczęściej dwie metody: liniowego rozciągnięcia kontrastu orazz wyrównaniem histogramu (Bernasik, 2000).a) b)Rys. 1.4. Obraz panchromatyczny a) przed i b) po wzmocnieniu kontrastu.Dane z satelity LANDSAT TM.Źródło: Drzewiecki, 2005, niepublikowany skrypt; http://home.agh.edu.plLiniowe rozciągnięcie kontrastu (ang. contrast stretching) polegającena przerobieniu oryginalnego obrazu (Rys. 1.5) cyfrowego stosując do tegorozszerzenie przedziałów wartości pikseli. Piksele muszą zająć cały zakres skali(Rys. 1.6), w której został zapisany obraz, czyli przeliczeniu wartości jasności pikselina nowe wartości zawierające się w innym przedziale (Adamczyk, Będkowski, 2007).Przykładowo, według Mularza (2004), „jeśli jasność pikseli obrazu nieprzetworzonegozawiera się w przedziale 16-50, co stanowi zaledwie 13% w ośmiobitowej skali zapisu,to w wyniku liniowego rozciągnięcia kontrastu, pikselom wartości 15przyporządkowana zostanie wartość 0, a piksele o jasności 80 otrzymają wartośćmaksymalną, tzn. 255. Wszystkie pośrednie wartości zostaną przeskalowane wg funkcji14

liniowej. Można również dokonać eliminacji części pikseli na obu końcach skali,określając odpowiedni przedział użytkowy histogramu.”Rys. 1.5. Histogram oraz obraz przed operacją rozciągnięcia histogramu.Źródło: Pirowski, 2009 wykłady; http://home.agh.edu.plRys. 1.6. Histogram oraz obraz po operacji rozciągnięcia histogramu.Źródło: Pirowski, 2009 wykłady; http://home.agh.edu.pl15

„Wyrównanie histogramu (ang. histogram equalization), gdzie pikselomobrazu przetworzonego nadaje się wartości zależnie od częstości ich występowaniaw obrazie oryginalnym. Jeśli pikseli o danym poziomie jasności jest niewiele,to wówczas skupione zostają w niewielkim zakresie skali, jeśli natomiast jest ich dużo –przeznacza się dla nich większy przedział skali jasności. Powoduje to zwiększeniekontrastu dla klas o wysokiej częstości występowania pikseli i zredukowanie kontrastuw klasach o relatywnie małej liczebności” (Mularz, 2004).Do operacji wzmocnienia treści obrazu zalicza się, oprócz wyżej wymienionych,kwantowanie oraz progowanie. Procesy te polegają na zmianie jasności lub do działańna warstwach danych (Adamczyk, Będkowski, 2007). Kwantowanie obrazu(ang. density slicing) zostało najlepiej zdefiniowane przez Mularza (2004),który stwierdził, iż „pozwala zmieniać ciągłą skalę jasności obrazu na szeregprzedziałów (plastrów) o określonym zakresie poziomów szarości, co umożliwiazredukowanie szumów i prowadzi do pewnej segmentacji obrazu, a nawetdo wydzielenia w obrazie okonturowanych stref, przy odpowiednio dobranych przezużytkownika zakresach gęstości. Dla podniesienia walorów interpretacyjnych,przetworzonego w ten sposób obrazu, stosuje się zabieg pseudokolorowania”.Operacja progowania (ang. threshholding) według Adamczyk i Będkowskiego(2007) polega na „utworzeniu obrazu, w którym występują wyłącznie dwie wartości0 lub 1. Wartość 0 otrzymują te piksele, których jasność w obrazie pierwotnym jestmniejsza od obranej wartości progowej. Wartość 1 jest przypisywana pikselom, którychjasność przekracza wartość progową.” Procedurę progowania stosuję się najczęściejw celu rozgraniczania stref (Rys. 1.7) np. granica lądu i rzek (Mularz, 2004).A) B)Rys. 1.7. Obraz po zastosowaniu procesu progowania. A) rozgraniczenie strefyrzeki Wisła, B) rozgraniczenie obszaru Krakowskich Błoń i terenów trawiastych.Źródło: Pirowski, 2009 wykłady; http://home.agh.edu.pl16

„Wzmacnianie linii krawędziowych (ang. edge enhancement) służydo podkreślenia cech geometrycznych obrazu poprzez wykrywanie miejsc, gdzienastępuje w obrazie raptowna zmiana jasności (rys. 1.8). Zabieg wzmacniania krawędziwykorzystywany jest m.in., do wykrywania i interpretacji elementów geologicznostrukturalnychna zdjęciach satelitarnych” (Mularz, Rutkowski, 1995; Sitek, 2000).„Techniki filtracyjne (Rys. 1.8), stosuje się w celu wygładzenia obrazu,zwiększenia kontrastu, usunięcia szumów lub podkreślenia cech geometrycznychodwzorowania cyfrowego. Filtracja obrazów może być prowadzona wg zasad analizyFouriera (metoda skomplikowana i kosztowna) lub za pomocą tzw. ruchomego okna(np.3x3; 5x5 lub 7x7 pikseli), które przesuwane jest automatycznie piksel po pikseluwzdłuż wszystkich wierszy lub kolumn matrycy obrazowej.” (Mularz, Rutkowski,1995;).Rys. 1.8. Obraz panchromatyczny i technika filtracji filtrem stosując wzmacnianiekrawędzi.Źródło: Drzewiecki, 2005; http://home.agh.edu.plDo poprawienia jakości i przetwarzania obrazów wielospektralnych służąrównież, oprócz wyżej wymienionych, transformacje, wagowanie międzykanałowe orazindeksy wegetacji.Pierwszą z metod są transformację, które prowadzą albo do lepszej kontrolinad wzmocnieniem obrazu (przetworzenie RGB IHS) albo wykorzystując analizęgłównych składowych do zmniejszenia korelacji pomiędzy obrazami (PCA).Przetworzenie modelu barw (RGB IHS) ma najczęściej zastosowanie przyotrzymywaniu jak najlepszej jakości obrazów powierzchni Ziemi łącząc ze sobą obrazypanchromatyczne z wielospektralnymi. Wykonuje się to przetworzenie w celu17

odróżnienia wraz z rozpoznaniem obiektów i zjawisk. „Idea łączenia obrazów polegana wykorzystaniu dobrej rozdzielczości spektralnej obrazów wielospektralnych z dobrąrozdzielczością przestrzenną obrazów panchromatycznych” (Adamczyk, Będkowski,2007). Do wykonywanych operacji na obrazach jak wyżej opisana, stosuje się m.in.dane z takich systemów jak LANDSAT 7 czy IKONOS.Celem metody głównych składowych (PCA, ang. Principal ComponentsAnalysis) jest utworzenie zestawu nowych obrazów, między którymi korelacja będzieniewielka, bądź nie będą ze sobą skorelowane. Dzięki takim obrazom, używanychdo kompozycji barwnych, odróżnienie obiektów terenowych udaje się lepiej.Najwięcej informacji z obrazów w metodzie PCA otrzymać można z pierwszychtrzech komponentów głównych, kolejne dają coraz mniejsze możliwości interpretacjii odczyt informacji jest bardziej utrudniony oraz mniej dokładny (Rys. 1.9)(Szporak, Chormański, 2004).Rys. 1.9. Rejon dolnego basenu Biebrzy przetworzony transformacją PCA.Źródło: Szporak, Chormański, 2004;Wagowanie międzykanałowe (dzielenie międzykanałowe) jest to procespodczas którego dochodzi do przeprowadzania korekt radiometrycznych błędówspowodowanych przez wpływ atmosfery, topografię terenu i oświetlenia sceny.Proces ten pomaga również w ocenie stanu niektórych elementów środowiska takichjak: gleby, roślinność i in. (Adamczyk, Będkowski, 2007).Mularz (2004) dzielenie międzykanałowe „sprowadza do obliczenia dla każdegopiksela stosunku jasności spektralnych dla dwóch lub większej liczby kanałów”.Problemem, na który autor zwraca szczególną uwagę jest „odpowiedni dobór zakresów18

spektralnych w celu uzyskania, przydatnego dla interpretacji wyniku”(Mularz, 2004).Indeksy wegetacyjne według Adamczyk i Będkowskiego (2007) najlepiej radząsobie w ilościowej i jakościowej ocenie stanu roślinności. Służą również do „korektyobrazów pod względem radiometrycznym, ze względu na wpływ rzeźby terenu,atmosfery lub różnego oświetlenia” (Adamczyk, Będkowski, 2007). Wyróżniamy dwarodzaje indeksów:o slope-based – wyrażające nachylenie linii łączącej początek układu współrzędnychw dwuwymiarowej przestrzeni odpowiedzi spektralnych z punktemreprezentującym dany piksel;o distance-based – wyrażające odległość piksela od tzw. linii gleby(Adamczyk, Będkowski, 2007).1.2. KlasyfikacjaKlasyfikacja to jedna z podstawowych dróg prowadzących do opracowaniacyfrowych map tematycznych. Dysponując aktualnymi danymi satelitarnymi możnaza jej pomocą wyodrębnić klasy pokrycia/użytkowania terenu. W przypadku zestawudanych wieloczasowych, można za jej pomocą wykryć i skategoryzować rodzaj zmianzachodzących w środowisku. O znaczeniu klasyfikacji można przekonać się śledzącbogatą literaturę opisującą jej zastosowania. Klasyfikację wykorzystano m.in. w takichpracach jak praca Mahesha i Mathera (2006), która pokazuje mapę pokrycia terenuobszarów średnio-suchych bagien podlegających osuszaniu czy też w pracy Olesiukai Zagajewskiego (2008), którzy sklasyfikowali pokrycie terenu zlewni Bystrzanki.Opisy klasyfikacji znajdziemy w każdym opracowaniu o charakterzepodręcznikowym (Ciołkosz, 1989; Bernasik, 2000; Sitek, 2000; Mierzwa, 2004;Richards 2006; Mather 2004).1.2.1. Pojęcie klasyfikacjiW literaturze można spotkać się z wieloma definicjami klasyfikacji. Sięgającdo literatury sprzed 20 lat można spotkać różniące się od teraźniejszych definicjeprocesu jakim jest klasyfikacja. Można wtedy zauważyć, jak bardzo na przełomie latproces ten poszedł do przodu. Ciołkosz (1989) zdefiniował klasyfikację obrazów19

wielospektralnych jako wyodrębnienie klas użytkowania terenu, polegającejna interpretacji zjawisk i obiektów znajdujących się w treści obrazów wielospektralnychpowierzchni Ziemi, które występują w postaci zdjęć lotniczych oraz satelitarnych.W celu uzyskania najlepszych wyników wyróżnienia kategorii użytkowania terenukorzysta się z klasyfikacji automatycznej. Jest ona stosowana do różnych celów,ale w wyodrębnianiu klas spisuje się najlepiej. Klasyfikację automatyczną opiera sięna analizowaniu podobieństwa odbicia spektralnego, stosując do tego różne zakresyspektralne dla użytkowania terenu w poszczególnych kategoriach.W literaturze, jednym z wielu autorów, zajmujących się klasyfikacją obrazówbył Mularz (2004), który stwierdził, iż „klasyfikacja danych wielospektralnych jesttechniką ilościowej analizy obrazów cyfrowych wykorzystywaną do automatycznegokartowania tematycznego, czyli generowania cyfrowych map tematycznych,(np. użytkowania ziemi, stanu i zmian środowiska przyrodniczego itp.)”.Klasyfikację można także prowadzić wykorzystując w niej takie cechy jak: struktura,tekstura, kształt oraz położenie obiektów zdjęcia cyfrowego (Bernasik, 2000;Mierzwa, 2004).Z kolei Adamczyk i Będkowski (2007) definiują klasyfikację jako „grupowanietreści obrazów w klasy obiektów w celu uzyskania uproszczonego obrazurzeczywistości w postaci warstwy informacyjnej wektorowej lub rastrowej”.Według autorów podstawą stworzenia map (np. użytkowania/pokrycia terenu) jestwynik klasyfikacji. „Klasyfikacji poddawane są kanały obrazów teledetekcyjnych.Użytkownik wybiera te kanały, które pozwalają na najlepsze odróżnienie obiektów”(Adamczyk, Będkowski, 2007).Techniki klasyfikacji, ze względu na rodzaje rozpoznawanych elementówobrazu cyfrowego można według autorów podzielić na następujące grupy:o klasyfikacja na podstawie odpowiedniej wartości jasności piksela, która jest zawartaw pikselach obrazu (spektralna);o klasyfikacja obrazu cyfrowego odbywająca się za pomocą charakterystyk strukturyi tekstury;o klasyfikacja obiektowa „odbywająca się poprzez wydzielanie obiektów w obraziecyfrowym na podstawie analizy między innymi: jasności, kształtu, tekstury,powierzchni, tła matematycznego” (Adamczyk, Będkowski, 2007).20

Według Adamczyk i Będkowskiego (2007) najczęściej stosowanymi metodamiklasyfikacji są: klasyfikacja nadzorowana, nienadzorowana oraz manualna.Zarówno klasyfikację nadzorowaną jak i nienadzorowaną zaliczamy do procesówautomatycznych (Mularz, 2004). Procesy te nie są jednak tak dokładne jak klasyfikacjamanualna, która polega na ręcznym podziale obrazu na poszczególne klasy,wykorzystując do tego digitalizację ekranową. Metoda ta jest obecnie najczęściejwykorzystywaną metodą i dającą najlepsze efekty (Adamczyk, Będkowski, 2007).Chcąc uzyskać jak najlepsze rezultaty w klasyfikacji wielospektralnej, należynie używać silnie skorelowanych ze sobą kanałów cyfrowego obrazu. Aby dokonaćprawidłowej oceny stopnia skorelowania tych kanałów stosuje się tzw. analizęwariancyjno-kowariancyjną (Mularz, 2004).1.2.2. Klasyfikacja nadzorowanaKlasyfikacja nadzorowana (ang. supervised classification) polegana wydzieleniu klas pokrycia terenu używając do tego statystycznych parametrów,które zostały wskazane przez użytkownika z obrazów cyfrowych. Przy pomocy systemukomputerowego zostają wydzielone wzorce klas noszące nazwę pól treningowych.Każde pole treningowe jest fragmentem obrazu reprezentatywnym dla wydzielanychklas. Proces automatycznej klasyfikacji nadzorowanej opiera się także na dostępnychprzez użytkownika informacjach, które zostały odczytane nie tylko z treści obrazu,ale również z obserwacji terenowych czy też materiałów kartograficznych.Na podstawie tak zebranych informacji jak i statystycznej ocenie jasności pikseli, któretworzą pole treningowe, powstają tzw. wzorce klas. Użytkownik za pomocą komputerapoddaje do weryfikacji w obrazie wszystkie piksele przypisując je do jednejz powstałych klas (Sitek, 2000; Mierzwa, 2004). Sposób w jaki to następuje, nazywa sięregułami decyzyjnymi, lub – mniej właściwie – „metodami”. W klasyfikacjinadzorowanej do najpopularniejszych należą: największego prawdopodobieństwa,środka ciężkości klastra, równoległościanu, najmniejszej odległości od średniej orazmetody hybrydowe i metody drzewa decyzyjnego (Adamczyk, Będkowski, 2007).Wydzielenie poszczególnych kategorii jak również dokładność rozpoznania jestzwiązana przede wszystkim z dobraniem odpowiednich pól treningowych, a takżeod stosowanej przez interpretatora metody reguły decyzyjnej. Spośród wyżej21

Rys. 1.10. Wykres przedstawiający grupy pikseli charakteryzujące wzorce klas.Źródło: Pirowski, 2009 wykłady, http://home.agh.edu.plo Reguła decyzyjna polega na wyborze metod klasyfikacji, czyli sposobie,w jaki sposób komputer kwalifikuje piksele obrazu do klas korzystającz wcześniej wskazanych przez użytkownika pól treningowych.o Ocena dokładności polega na określeniu punktów kontrolnych, w których sprawdzasię w terenie istniejący sposób użytkowania. Informacja terenowa jest porównywanaz wynikiem klasyfikacji i może być użyta w celu poprawy procesu klasyfikacji,np. ponownego określenia niektórych pól treningowych.Adamczyk i Będkowski (2007) w swojej pracy opisali również kilka metodklasyfikacji nadzorowanej, tym samym stwierdzając, iż istotną częścią podczasklasyfikacji jest algorytm. Na jego podstawie następuje podział pikseli danego obrazudo poszczególnych klas obiektów.Według autorów najczęściej stosowanymi metodami są:o metoda równoległościanów (ang. parallelepiped);o metoda najmniejszej odległości (ang. minimum distance);o metoda największego prawdopodobieństwa (ang. maximum likelihood).Metodę równoległościanów można również w literaturze polskiej spotkać podhasłem „metoda prostopadłościanów”. Polega ona na tworzeniu skupień pikseliw przestrzeni odpowiedzi spektralnych z pól treningowych, inaczej wzorców klas, które23

można zgromadzić w prostokątnych obszarach (Rys. 1.11). Analizując w skróciemetodę równoległościanów stwierdzono, iż ma ona poważną wadę. W klasachwzorcowych mały stopień uwzględniania charakteru rozkładu piksela powodujeprostokątny kształt granic klas, przez co nie koresponduje on z obserwowanymprzeważnie rozrzutem punktów w spektralnej przestrzeni. Zaś jedyną i dużą zaletąmetody równoległościanów jest przede wszystkim duża szybkość wykonywaniaobliczeniowych operacji (Adamczyk, Będkowski, 2007). W przypadku tej metodyproblem stanowią klasy, które leżą blisko siebie w przestrzeni spektralnej, przez co bokii/lub narożniki prostokątów (prostopadłościanów) na siebie nachodzą (np. na Rys. 1.11klasy: zboża i łąki). Obszary tego typu wymagają dodatkowej reguły, gdzie piksele będąnieklasyfikowane bądź przynależeć będą do klasy, której środka znajdują się bliżej(Pirowski, 2009 wykłady).Rys. 1.11. Przynależność pikseli do klas w metodzie równoległościanów.Źródło: Pirowski, 2009 wykłady, http://home.agh.edu.plW metodzie najmniejszej odległości w pierwszej kolejności wyznacza sięwartość średnią, która jest przypisana jasności każdego piksela dla każdej klasyobiektów. Wykonywane obliczenia są wykonywane w poszczególnych kanałachspektralnych oddzielnie, a co za tym idzie wartości średnie odpowiadają za tzw. środkiklas. Adamczyk i Będkowski (2007) zauważyli, że elipsoidalne skupienia o różnymzagęszczeniu tworzone są przez punkty z pól treningowych. Statystycznie wartościśrednie wypadają przeważnie w miejscach największego zagęszczenia poszczególnychskupień. Każdy piksel przypisany jako środkowy reprezentuje najbardziej24

prawdopodobną wartość dla danej klasy (Rys. 1.12). W metodzie tej możnawprowadzić też pewne ograniczenia np. „maksymalnej odległości”.Piksele znajdujące się poza obszarem ograniczonym występują wtedy jakonieklasyfikowane (Pirowski, 2009 wykłady).Rys. 1.12. Przynależność pikseli do klas w metodzie najmniejszej odległości.Źródło: Pirowski, 2009 wykłady, http://home.agh.edu.plW metodzie największego prawdopodobieństwa klasyfikacja polegaw szczególności na porównaniu wartości funkcji prawdopodobieństwa.Opisują ją histogramy, które w poszczególnych klasach obiektów przedstawiają rozkładpikseli (Rys. 1.13). „Klasyczna wersja metody największego prawdopodobieństwaopiera się na założeniu, że prawdopodobieństwo wystąpienia różnych klas obiektóww obrazie cyfrowym jest jednakowe, inaczej mówiąc – że wyróżniane klasy zajmujątakie same powierzchnie. W praktyce trudno jednak oczekiwać, że warunek ten zostaniezachowany. W przypadku, gdy posiadamy informacje wskazujące na to,że prawdopodobieństwo wystąpienia klas nie jest jednakowe, należy zastosowaćodpowiednie współczynniki korygujące, tzw. wagi. Do określenia wag możnawykorzystać procedury klasyfikacji nienadzorowanej” (Adamczyk, Będkowski, 2007).25

Rys. 1.13. Przynależność pikseli do klas w metodzie największegoprawdopodobieństwa.Źródło: Pirowski, 2009 wykłady, http://home.agh.edu.plPodsumowując metodę największego prawdopodobieństwa Adamczyki Będkowski (2007) stwierdzili, iż daje ona dobre rezultaty klasyfikacji, jedynie wtedy,gdy piksele mają rozkład normalny w klasach obiektów. W przeciwnej sytuacji lepszewyniki zdecydowanie uzyskuje się dzięki metodzie najmniejszej odległościlub metodzie równoległościanów. Pomimo tych zastrzeżeń w większości przypadkówmetoda ta charakteryzuje się wysoką dokładnością. Powodem jest uwzględnieniew procesie klasyfikacji rozbudowanych miar statystycznych próbek (wzorców),z uwzględnieniem zależności wariancyjno-kowariancyjnych pomiędzy kanałami.1.2.3. Klasyfikacja nienadzorowana„Klasyfikacja nienadzorowana (ang. unsupervised classification) uwzględniajedynie podobieństwo spektralne grup pikseli w obrazie, z których tworzy się określonąilość klastrów niezależnie od ich rzeczywistego, przestrzennego przyporządkowania.Wykorzystuje się tutaj kilka kryteriów przydziału piksela do danego klastra, definiująctym samym rodzaj analizy albo przybliżonej, albo szczegółowej” (Mularz, Rutkowski,1995). Przez długi okres czasu uważało się klasyfikację nienadzorowaną jako metodęmało efektywną i mało dokładną. Przykładem jest publikacja Mularza (2004), którytwierdził, iż jej „stosowanie ogranicza się zazwyczaj do klasyfikacji treści zobrazowańteledetekcyjnych mało znanych lub niedostępnych rejonów”. Ostatnio klasyfikacjata jest traktowana jako równoprawna metoda względem klasyfikacji nadzorowanej26

(Adamczyk, Będkowski, 2007), a jej przewaga ujawnia się w sytuacji, gdy operatorma trudności z prawidłowym przyjęciem możliwych do uzyskania klas pokrycia terenu.Według Adamczyk i Będkowskiego (2007) w klasyfikacji nienadzorowanejstosując różne metody odnajduje się skupiska punktów, które w wielowymiarowejprzestrzeni odpowiedzi spektralnych reprezentują piksele. Przy klasyfikacjinienadzorowanej należy założyć, że piksele różnych klas obiektów mają zbliżonąwartość jasności piksela w poszczególnych kanałach. Odnajdywane skupiska pikselidokonuje się dzięki określonym procedurom. Osoba, która poddaje analizie dokonanąklasyfikację, może jednak za pomocą systemu zmienić parametry danego algorytmui mieć tym samym wpływ na ostateczny wynik klasyfikacji.Autorzy opisali procedurę klasyfikacji nadzorowanej w następujących punktach:o wybór kanałów obrazu cyfrowego;o wybór metody klasyfikacji nienadzorowanej;o określenie liczby klas wyróżnianych obiektów, liczby iteracji i innych parametrówsterujących;o wykonanie klasyfikacji i sprawdzenie jej rezultatów (ewentualnie zmianaparametrów i ponowna klasyfikacja);o nadanie wyróżnionym klasom nazw (identyfikacja obiektów terenowych).Adamczyk i Będkowski (2007) twierdzą również, iż „Istotą klasyfikacjinienadzorowanej jest określenie punktów reprezentujących poszczególne klasyobiektów. Zakłada się, że piksele odpowiadające różnym obiektom tworzą skupieniaw przestrzeni odpowiedzi spektralnych. Zastosowany algorytm musi samodzielnie„odnaleźć” te skupienia i odpowiednio je ponumerować. Wynik klasyfikacji jestprzedstawiany w postaci jednokanałowego obrazu, w którym każdy piksel zawieranumer klasy, do której został naliczony. Tworzenie grup (klas) pikseli w przestrzeniodpowiedzi spektralnych polega najczęściej na wyznaczeniu odległości między danympikselem, a punktami reprezentującymi poszczególne klasy obiektów. Piksel zaliczanyjest do najbliżej położonej klasy”.Do klasyfikacji nienadzorowanej wykorzystuje się wiele algorytmów.W literaturze można spotkać takie metody jak: statystyczna, sekwencyjna, klastrów,lokalnych pików w histogramach, ISODATA czy też wiele innych.Jednym z klasycznych procesów w klasyfikacji nienadzorowanej jestmetoda ISODATA (ang. Interative Self-Organizing Data Analysis Technique).27

Adamczyk i Będkowski (2007) w swojej pracy poświęcili metodom klasyfikacjinienadzorowanej więcej uwagi. Autorzy pokazują, iż obliczenia w tej metodzierealizowane są w sposób iteracyjny, tzn. pewne operacje są przetwarzane cyklicznie,aż do osiągnięcia zaplanowanego rezultatu lub wykonania określonej liczby iteracji.Parametrami charakteryzującymi tę metodę przede wszystkim są:o maksymalna liczba wyróżnionych klas;o maksymalna liczba pikseli, których przyporządkowanie do klas może pozostać bezzmian między kolejnymi iteracjami;o maksymalna liczba iteracji;o minimalna dopuszczalna liczba pikseli w klasie.Drugim z klasycznych podejść w klasyfikacji nienadzorowanej jestmetoda klastrów (ang. cluster). Aby w ogóle móc przystąpić do wykonania tej metodyw pierwszej kolejności należy przetworzyć analizowane dane. Oznacza to, że należyzbudować obraz, który będzie 8-bitową kompozycją barwną RGB. W pikselachzapisane zostają liczby z przedziału 0 – 255 i są one numerami kolorów w odpowiedniejpalecie barw przyporządkowanej analizowanemu obrazowi. W następnej kolejnościza pomocą histogramu określa się częstość występowania kolorów w granicachprzedstawionej sceny. Zakłada się również, iż lokalne maksima otrzymane przez nasw histogramie reprezentują prawdziwe klasy obiektów terenowych. Zatemdo użytkownika poddającego analizie dany obszar należy jedynie wyznaczeniei opisanie liczby wyróżnianych klas. Aby utworzyć kompozycję barwną możnaskorzystać jednorazowo z wyłącznie trzech kanałów spektralnych. Jest to uznawaneza duże ograniczenie metody klastrów, ponieważ w takim wypadku użytkownik niemoże skorzystać w pełni z wszystkich posiadanych informacji zarejestrowanychna obrazie wielospektralnym. W takim wypadku należy jednak brać pod uwagę,iż uzyskane odmienne wyniki powstają przy zastosowaniu różnych kombinacjikanałów. Kompozycje zatem powinny być tworzone z kanałów o dużym kontraście,natomiast w niedużym stopniu ze sobą skorelowanym (Adamczyk, Będkowski, 2007).Wiele czynników wpływa na wyniki klasyfikacji nienadzorowanej. Zależyto głównie od zastosowanej metody, doboru kanałów spektralnych, parametrówsterujących, jak również od rodzaju obiektów klasyfikowanych i zarejestrowanychna danej scenie (Mularz, 2004). Zauważyć można jeszcze, że analizując metodyklasyfikacji, w tym także nadzorowanej, istnieje często możliwość ustawienia28

parametrów sterujących tak, że piksele różniące się znacznie pod względem jasnościod pikseli pozostałych nie zostaną przypisane do żadnej z klas. W takiej sytuacji tworząsię grupy tak zwanych pikseli niesklasyfikowanych występujących na obraziekońcowym (wynikowym) (Bernasik, 2000) i są zaznaczone zazwyczaj koloremczarnym lub białym.Adamczyk i Będkowski (2007) widzą jeszcze jedno zastosowanie tegopodejścia, a mianowicie „klasyfikacja nienadzorowana, w zastosowaniu do wstępnejanalizy obrazów cyfrowych, może dostarczyć informacji na przykład o liczbierozróżnianych klas obiektów i ich rozmieszczeniu, które zostaną wykorzystanenastępnie w klasyfikacji nadzorowanej.” Autorzy w porównaniu do pracy Sitka (1997),zaliczają proces klasyfikacji nadzorowanej do metod dokładnych i efektywnych.1.2.4. Inne metody klasyfikacjiOmawiając metody klasyfikacji warto wspomnieć nie tylko o klasyfikacjinadzorowanej i nienadzorowanej (opisane w poprzednich rozdziałach), ale równieżo klasyfikacji obiektowej czy też klasyfikacji sieci neuronowych.Zaczynając od klasyfikacji obiektowej na samym wstępie trzeba zaznaczyć,iż jest to jedna z nowych metod klasyfikacyjnych. W porównaniu z innymi, klasyfikacjaobiektowa polega na analizowaniu obiektów uzyskanych na drodze segmentacji obrazu,a nie pojedynczych pikseli. Obiekty poddane interpretacji są sąsiadującymi grupamipikseli. Analizie poddane są nie tylko odbicia spektralne obiektów, ale także relacjemiędzy sąsiednimi obiektami, wielkość, kształt, tekstura, które nie jesteśmy w staniewykorzystać w przypadku pojedynczego piksela i jego analizy. Badania nadklasyfikacją obiektową wykazały, iż w bardzo dużym stopniu może ona wpływać orazwspomagać proces wizualnej interpretacji obrazów. Jest bardzo skuteczna i szczególnezastosowania znajdzie zarówno w analizowaniu krajobrazu, jak i ważnych dlakrajobrazu obiektów przyrodniczych (Badurska i in., 2009).Kubik (2008) w swojej pracy, która dotyczyła użycia sieci neuronowychdo klasyfikacji obrazów miejskich na zdjęciach satelitarnych stwierdził, iż od kilku latrośnie zainteresowanie związane z wykorzystaniem sztucznych sieci neuronowychdo klasyfikacji obrazów, w tym także obrazów satelitarnych oraz zdjęć lotniczych.Pomimo, iż nie jest to metoda rutynowa i stosowanie sieci neuronowych wymaga29

dopasowania w drodze prób szeregu elementów do rozwiązywanego zadania, to jednakzalety tej metody decydują o jej rosnącej popularności. Autor wymienił takie cechy jak:o niezależność od parametrów statystycznych charakteryzujących klasy;o możliwość łączenia różnego typu danych i wykorzystania ich jako informacjiwejściowych;o możliwość wyuczenia wzorców na podstawie przykładów;o przetwarzanie równoległe i rozproszone;o automatyczne uczenie się wzorców bez konieczności tworzenia reprezentacji,kryteriów zbieżności itd.;o tolerancję na niekompletne i obarczone błędami dane;o stopniowe obniżanie poprawności w przypadku niewystarczających danychi zdolność obliczania wyników częściowych;o szeroką dostępność symulatorów programowych.Z kolei Iwaniak (2002) w swojej pracy opisał metodę sieci neuronowych wnastępujący sposób: „W sieci neuronowej neutrony zorganizowane są w warstwach.Warstwa wejściowa służy do wstępnej obróbki danych wejściowych. Na wejściekażdego neuronu pierwszej warstwy trafiają sygnały wejściowe, podane przezużytkownika. Neurony przetwarzają sygnały wejściowe i przekazują je poprzez swojewyjścia na wejścia neuronów następnej warstwy. Aksony (wyjścia) neuronów warstwypoprzedniej łączą się z dendrytami (wejściami) neuronów warstwy następnej, i takkolejno następne warstwy. To co pojawi się na wyjściach neuronów warstwy ostatniej(wyjściowej), jest wynikiem działania sieci”.Autor uważał również, iż „kiedy chcemy wykorzystać sieć neuronową w jakimśzadaniu, musimy dokładnie przeanalizować jej strukturę. Im mniej warstw w sieci, tymszybciej i łatwiej zazwyczaj przebiega proces uczenia. Trzeba jednak wybrać taką sieć,która jest w stanie rozwiązać dany problem. Sieć trójwarstwowa może rozwiązać każdyrodzaj zadania, jednak czasem stosuje się sieci czterowarstwowe, aby uniknąćprzymusu umieszczania zbyt wielu neuronów w jednej warstwie. Zanadto rozbudowanastruktura sieci nie tylko wymaga więcej czasu w procesie uczenia, ale daje zazwyczajgorsze rezultaty” (Iwaniak, 2002).30

1.3. Produkty klasyfikacjiPodstawowym produktem klasyfikacji obrazów wielospektralnych są mapyprzedstawiające użytkowanie ziemi na danym obszarze oraz obrazujące pokrycie terenu(Ciołkosz i in., 2005). W literaturze można się już od dłuższego czasu spotkaćz dyskusją na temat rozróżnienia tych dwóch pojęć. Dyskusja ta wzmogła się w chwiliuruchamiania programu CORINE Land Cover (więcej patrz rozdział 1.3.2).1.3.1. Mapa pokrycia/użytkowania terenuWedług pioniera badań nad mapą użytkowania ziemi Stampa (1960), podhasłem użytkowanie ziemi powinno się pojmować „mapę obrazującą przestrzennerozmieszczenie form pokrycia powierzchni ziemi, użytkowanych lub nie użytkowanychprzez człowieka w ich związkach przestrzennych i wzajemnej współzależności.”Jest to jedna z pierwszych definicji tego pojęcia. W tym samym okresie Kostrowicki(1959) użytkowanie ziemi definiował jako: „teren najczęściej odnoszonydo funkcjonalnej charakterystyki i utożsamiany z opisem jego powierzchni w aspekciespołeczno-ekonomicznym.” Współczesne definicję niezbyt różnią się od tych sprzed50 lat. Ciołkosz (2005) w swojej pracy stwierdził, iż „użytkowanie ziemi możnarozumieć jako wynik pewnego świadomego, racjonalnego bądź nie, działania człowiekaodnoszącego się do danego obszaru z jego właściwościami.” Autor przedstawiałdefinicję w następujący sposób: „na teren charakteryzujący się określonymiwłaściwościami oddziałuje człowiek, a wynikiem tej działalności człowieka jestużytkowanie ziemi. Zatem użytkowanie ziemi jest wynikiem połączenia pokrycia terenuz wykorzystaniem terenu.”Z kolei określenie pokrycie terenu jest utożsamiane w literaturze „z cechamibiofizycznymi danego fragmentu powierzchni Ziemi i odnoszące się do fizycznegoopisu, czyli określenia jego fizycznych właściwości” (CORINE, 1993). Ciołkosz (2005)w swojej pracy tłumaczy to w ten sposób, że dany obszar przykładowo zajmują rośliny(m.in. drzewa), odkryte powierzchnie gleby np. piasek albo na obszarze występująwody np. rzeki czy jeziora. Na takim terenie mogą się również znajdować obiekty,które są efektem działalności człowieka np. budynki czy drogi.31

Zatem najczęstszym efektem klasyfikacji jest mapa pokrycia/użytkowania terenu(Rys. 1.14). Przedstawia ona wyszczególnione w metodzie klasyfikacji m.in. klasyobiektów takie jak: tereny zabudowane, roślinność, tereny rolne, wody czy też nieużytkiitp., czyli wszystkie obiekty, które posiadają wyróżnioną widmową charakterystykę(Mierzwa, 2004).Rys. 1.14. Mapa pokrycia terenu jako wynik klasyfikacji nienadzorowanejprzedstawiająca aglomerację Krakowa.Źródło: Opracowanie własne.1.3.2. Projekt CORINE Land CoverJednym z najbardziej znanym w Polsce produktem klasyfikacji w postaci mapypokrycia/użytkowania terenu (Rys. 1.15) jest projekt o nazwie CORINE.Projekt CORINE Land Cover 2006 (CLC2006) jest kontynuacją zrealizowanych przezEuropejską Agencję Środowiska (EEA) projektów CLC1990 i CLC200, a jegopodstawowym celem jest dalsze dokumentowanie zmian w pokryciu terenu, jak równieżgromadzenie i aktualizacja porównywalnych danych w Europie. Pokrycie terenuw programie CORINE jest przede wszystkim dostosowane do potrzeb UniiEuropejskiej, dzięki temu nomenklatura obejmuje wszystkie występujące formyna kontynencie europejskim (Ciołkosz i in., 2005). „Klasy pokrycia terenu wyróżnianew programie CORINE Land Cover (CLC) są zorganizowane hierarchicznie w trzechpoziomach. Pierwszy poziom obejmuje pięć głównych typów pokrycia globuziemskiego: tereny antropogeniczne, obszary rolnicze, tereny leśne i półpustynne,mokradła oraz wody. Na drugim poziomie zostało wyróżnionych 15 form pokryciaterenu, które można przedstawić na mapach w skalach od 1:500 000 do 1:1 000 000.32

Wreszcie na poziomie trzecim wyróżniono 44 klasy. Ten poziom szczegółowościwydzieleń został zastosowany w opracowaniu baz danych pokrycie terenu wewszystkich krajach Europy. W Polsce spośród 44 klas pokrycia terenu występuje 31.W bazach danych CLC są przechowywane tylko dane powierzchniowe, o minimalnejpowierzchni 25 ha i szerokości co najmniej 100 m” (http://clc.gios.gov.pl [1]).Kraje członkowskie Unii Europejskiej wraz z Europejską Agencją Środowiska(EEA) przyznały, iż informacje zbierane w bazach CLC wykazują bardzo postępującezmiany pokrycia oraz użytkowania terenu w Europie istniejących na rozległychobszarach. Aby móc udokumentować bieżące zmiany niezbędne jest „skrócenie okresuaktualizacji baz danych z dziesięciu do pięciu lat” (http://clc.gios.gov.pl [1]).Rys. 1.15. Mapa pokrycia terenu projektu CORINE przedstawiająca aglomeracjęKrakowa.Źródło: http://clc.gios.gov.pl1.4. Źródła danych„Pozyskiwanie informacji przestrzennych można dokonać stosując jednąz dwóch metod: wykorzystując dane zastane (wtórne) lub poprzez wykonanie pomiaru.Dane zastane to dane uprzednio zebrane do innych lub takich samych celów.Ich przydatność jest z jednej strony nieoceniona, gdyż dostęp do nich jest łatwy i niewymaga podejmowania wielu działań. Z drugiej strony dane wtórne nie zawsze33

są aktualne i pozwalają w takiej sytuacji wyłącznie na analizę stanów zaistniałychw przeszłości. W ograniczonym zakresie umożliwiają analizę zachodzących przemiani prognozy stanów przyszłych. Badanie dynamiki zmian oraz identyfikacja bieżącychzjawisk wymaga pozyskania danych pierwotnych poprzez wykonanie pomiarów”(Kmieć, 2010).Coraz powszechniejszym źródłem pierwotnych danych przestrzennychsą metody teledetekcyjne. Dostarczają one aktualnych i wielkoobszarowych danych.W niniejszej pracy oparto się w procesach klasyfikacyjnych na danychśredniorozdzielczych systemu LANDSAT oraz danych wysokorozdzielczych systemuIKONOS.Dodatkowymi materiałami weryfikacyjnymi były ortofotomapy wykonanew ramach projektu PHARE w roku 2002 dla obszaru Krakowa, w skali 1:5000(piksel terenowy 0,75cm).1.4.1. Zobrazowania satelitarne jako źródła danych„Zobrazowania satelitarne to obrazy powierzchni Ziemi uzyskane przezwykonanie zdjęcia z pokładu sztucznego satelity krążącego wokół Ziemi.Badania satelitarne powierzchni Ziemi stanowią uzupełnienie dla technik naziemnychi lotniczych. Sprawdzają się znacznie lepiej w przypadku analizy większego obszaruw jednym momencie oraz umożliwiają dużo szybsze przygotowanie pomiarui dostarczenie jego rezultatów” (Kmieć, 2010).Jedynym ograniczeniem dla zdjęć satelitarnych są warunki atmosferyczne.Czasami w wykonywaniu pomiarów skutecznie przeszkadzają chmury, a co za tymidzie interpretacja takiego zobrazowania satelitarnego jest uciążliwa.Pomimo wspomnianych przeszkód atmosferycznych coraz to większa gamaproduktów satelitarnych jest wykorzystywana przez fachowców z branży GIS.W zależności od stosowanych technologii satelitarnych jakość danych, któresą uzyskiwane jest zróżnicowana.Dostępne komercyjnie obrazy cechują się największą dokładnościąi są wykorzystywane w gospodarce przestrzennej. Przykładem są dane pochodzącez satelity IKONOS (szczegółowy opis parametrów tego systemu obrazowania –patrz rozdział 2.2.2). Dla porównania obrazy z tego satelity posiadają rozdzielczośćponiżej jednego metra dla każdego piksela, podczas gdy w przypadku oceny zjawisk34

meteorologicznych wystarczające do tego celu zdjęcia posiadają rozdzielczość jednegopiksela około 300 metrów.Szacuje się, że od 2004 do 2013 roku wzrośnie ilość nowych satelitówumieszczonych na orbicie do ok. 170. Co za tym idzie, spowoduje to większączęstotliwość pozyskiwania danych. Skróci to znacznie czas rewizyty satelitów orazzdecydowanie zmniejszy ceny pozyskiwanych danych.Kmieć (2010) uważa, iż istotnym czynnikiem także powodującym spadek cenydanych satelitarnych jest rozrastający się zasób wykonanych zdjęć satelitarnych.Procesowi temu sprzyjają międzynarodowe inicjatywy, takie jak GMES(Global Monitoring for Environment and Security), GEOSS (Global Earth ObservationSystem of Systems) oraz dyrektywa INSPIRE, ustanawiająca infrastrukturę informacjiprzestrzennej we Wspólnocie Europejskiej.Aktualnie największym komercyjnym „centrum” zainteresowania technikamisatelitarnymi jest projekt Google Earth. Projekt ten jest szeroko dostępny dlaużytkowników na całym świecie i każda osoba mająca dostęp do Internetu może dziękitemu skorzystać z udostępnianych danych satelitarnych.35

ROZDZIAŁ 2SATELITY TELEDETEKCYJNE2.1. Początki teledetekcji satelitarnejZa początki teledetekcji satelitarnej przyznaje się rakietę V-2, która w Marcu1946 roku w stanie Nowy Meksyk w USA została wystrzelona z doświadczalnegopoligonu White Sands na wysokość 120km. Posiadała ona kamerę fotograficzną,za której pomocą zostały wykonane pierwsze zdjęcia pokazujące powierzchnię Ziemi.Był to nie lada sukces, gdyż jako umownie przyjęty próg przestrzeni kosmicznejprzyjmowano wysokość 100km. Za kolejny krok w dziejach teledetekcji satelitarnejwskazuje się rok 1960. Uzyskano wtedy bowiem kolejne zdjęcia satelitarne powierzchniZiemi z kosmosu, a odpowiedzialne za to były dwa programy stworzone w tym celu.Pierwszy z nich pod nazwą CORONA, pozyskiwał dane satelitarne dostępne jedynie dlawojska, zaś drugi program o nazwie TIROS pozyskiwał dane w celach cywilnych.Po roku 1960 przestało się korzystać ze zdjęć lotniczych, a zaczęto ze zdjęćsatelitarnych. Tym samym niedługo później pierwszych zdjęć z przestrzeni kosmicznejdostarczył satelita Discovery XIV. Rozpoczął on przygotowania do tajnego programuCORONA. Celem programu było stworzenie satelitów rozpoznawczych orazumieszczenie ich na orbicie, potrafiących wykonywać zdjęcia satelitarne powierzchniZiemi, a zarazem posiadających szczegółowość identyczną jak zdjęcia lotniczepozyskiwane wcześniej z samolotów czy też balonów (Ciołkosz, Kesik, 1989).Satelity za czasów programu CORONA trwającego w latach 1960 do 1972,dostarczyły ponad 860 tysięcy zdjęć. Obrazy satelitarne głównie wykorzystywane byłydo rozpoznania terenów z krajów Europy Wschodniej, Chin oraz w szczególnościze Związku Radzieckiego. Drugi program stworzony przez USA o nazwie TIROSzapoczątkował zaś satelity przeznaczone do powtarzalnych oraz stałych obserwacjiwykonywanych z wysokości orbitalnych, a służących obserwacjom meteorologicznym(Bernasik, 2000).Rok 1972 był jednak największym przełomem w dziedzinie rozwoju teledetekcjisatelitarnej. Został wystrzelony wtedy pierwszy cywilny satelita ERTS(Earth Resources Technology Satellite) produkcji amerykańskiej przeznaczonydo badania powierzchni Ziemi i jej zasobów naturalnych. Zapoczątkował on misję36

satelitów LANDSAT, która trwa po dziś dzień. Dokładnie 23 Lipca 1972 roku zostałumieszczony na orbicie pierwszy satelita LANDSAT 1, który rozpoczął erę globalnegodostępu do zdjęć oraz zobrazowań satelitarnych przez praktycznie każdego obywatelakuli Ziemskiej (Sitek, 2000).2.2. Charakterystyka testowanych systemów obrazowaniaW niniejszej pracy skupiono się głównie na amerykańskich satelitach seriiLANDSAT oraz pierwszych wysokorozdzielczych IKONOS. Poniższe rozdziałyprzedstawiają charakterystykę od początków istnienia systemów do czasówdzisiejszych. Przedstawiono dokładne daty umieszczenia satelitów na orbicie, ichparametry techniczne, przykładowe zdjęcia, jak również opisano przebieg misji.2.2.1. System LANDSATDzięki satelitom serii LANDSAT rozpoczęła się nowa era badań i pozyskiwaniainformacji o zasobach naturalnych powierzchni Ziemi. Etap ten pomógł w rozwojugospodarczej teledetekcji satelitarnej. Misja satelitów LANDSAT jest programemkomercyjnym, który wykonuje swoje obserwacje najdłużej ze wszystkich do tej poryprogramów prowadzonych przez różne firmy na całym świecie. W ramach programudo tej pory zostały zgromadzone tysiące bogatych w informacje danych, które służądo badań zjawisk zachodzących na powierzchni Ziemi w czasie. Dane te sąprzechowywane i archiwizowane w USA (http://landsat.usgs.gov [2]).Pierwszy z satelitów serii LANDSAT, nazywany na początku ERTS-1(Rys. 2.1), jak wcześniej wspomniano został umieszczony na orbicie 23 Lipca 1972roku (Ciołkosz, Kęsik, 1989).37

Rys. 2.1. Pierwszy satelita serii Rys. 2.2. LANDSAT 5LANDSAT – ERTS-1;Źródło: http://landsat5.usgs.govŹródło: http://landsat.gsfc.nasa.gov„Satelita LANDSAT 1 wprowadzony na orbitę wokółbiegunową prawie kołową,nachyloną do równika pod kątem i = 99,1° o nominalnej wysokości od 910 do 932 km,mógł dostarczać obrazy Ziemi pomiędzy 81° szerokości geograficznej północnej,a 81° szerokości geograficznej południowej. Orbita była zsynchronizowana z ruchemZiemi po ekliptyce i pozostawała zawsze jednakowo zorientowana w stosunkudo Słońca. Słońce znajdowało się po stronie wschodniej średnio o 37,5° w stosunkudo długości geograficznej punktu podsatelitarnego – odpowiada to średniemu kątowigodzinnemu Słońca” (Sitek, 2000).Satelity serii LANDSAT były wyposażone zarówno w kamery telewizyjne RVB(Return Beam VIDICON), jak również w skaner wielospektralny MSS (Multi-SpectralScanner Subsytem). W nowszych modelach satelitów montowany był również skanerTM (Thematic Mapper) (http://landsat.gsfc.nasa.gov [3]).Kolejnym satelitą tej serii był LANDSAT 2. Wprowadzony na orbitę21 Stycznia 1975 roku posiadał podobne parametry co jego poprzednik LANDSAT 1.Obie te satelity były zaopatrzone w skaner MSS, który rejestrował wszelkie informacjew czterech pasmach spektralnych, stosując do tego pojedynczy układ optyczny.Niewiele różnił się od nich LANDSAT 3, który został umieszony na orbicie 5 Marca1978 roku. Posiadał on pięć pasm spektralnych, którymi rejestrował informację.Tym piątym pasmem była podczerwień termalna posiadająca długość fali w przedziale10,4 – 12,6µm (Ciołkosz, Kesik, 1989; Sitek, 2000).38

Wszystkie z trzech pierwszych satelitów serii LANDSAT zakończyły już swojądziałalność. Stało się to odpowiednio 6 Stycznia 1978r. – LANDSAT 1, 27 Czerwca1983r. – LANDSAT 2 oraz 7 Października 1989r. (http://landsat.usgs.gov [2]).Wszelkie dane otrzymane dzięki tym satelitom dotyczące informacje o Ziemi stanowiąw tym momencie bazę dydaktyczną, jak również bazę historyczną.Od 16 Lipca 1982 roku po orbicie krążył kolejny satelita LANDSAT czwartejgeneracji. Zamieszczony na wysokości około 700m wyposażony został w skaner MSSposiadający tak jak w poprzednich modelach cztery zakresy oraz nowe urządzeniestworzone przez amerykańskich badaczy o nazwie Thematic Mapper – TM. Skaner tenzostał opracowany w celu tworzenia map tematycznych o rozdzielczości 30 x 30m, zaśinformacje dostarczane przez to urządzenie pracuje w siedmiu kanałach spektralnych.Zakresy odpowiednio rejestrują promieniowanie widzialne i promieniowanie bliskiejpodczerwieni – po trzy kanały oraz jeden zakres termalny (Sitek, 2000).„Wraz z rozpoczęciem roku 1984 pojawił się na orbicie LANDSAT 5 (Rys. 2.2).Został on zbudowany, jak również posiadał on dokładnie takie same instrumentypomiarowe co LANDSAT 4, czyli skaner TM oraz MSS. Instrument MSS zostałwyłączony w sierpniu 1995 r. Dane z tej satelity były zbierane przez stacje w USAi Australii, jak również szereg międzynarodowych naziemnych stacji na cele lokalne.W listopadzie 2005 r. operacja LANDSAT 5 TM została zawieszona po problemachz prawidłowym ładowaniem baterii słonecznych. Współpraca USGS wraz z inżynieramiz NASA udało się opracować nową metodę operowania bateriami słonecznymi i tymsamym wznowiono prace satelity 30 stycznia 2006 r., by po kolejnych kilku latachzakończyć działalność satelity LANDSAT 5” (Tertelis, 2009, nieopublikowany skrypt).Koniec misji piątej generacji LANDSAT został zakończony 18 Listopada 2011. O tymfakcie poinformowało USGS, a powodem zakończenia misji była bardzo szybkadegradacja układów elektrycznych (http://www.kosmonauta.net [4]).Po nieudanym zamieszczeniu na orbicie satelity LANDSAT 6, które odbyło się5 Października 1993 roku, umieszczony został trzy lata później, tj. w kwietniu 1999roku ostatni z satelitów – LANDSAT 7 (Rys. 2.3). Jest on ostatnim z serii satelitówamerykańskiego programu LANDSAT, lecz jest tym samym najnowocześniejszym z tejserii. Porusza się na wysokości 705km, na orbicie okołobiegunowej,z czasem między kolejnymi przejściami nad tym samym obszarem wynoszącym 16 dni.Informacje archiwalne uzyskane z tego satelity są w tym momencie dostępne bezpłatnie39

na różnych portalach internetowych jak również można je nabyć na zasadachkomercyjnych (http://landsat.usgs.gov [5]).Satelitę LANDSAT 7 uznaje się za najlepiej skalibrowaną satelitę robiącązdjęcia powierzchni Ziemi, gdzie praca naukowców nad ustawieniem satelity byławykonywana z największą precyzją (Rys. 2.4) (http://landsat.usgs.gov [5]).Rys. 2.3. LANDSAT 7 w budowie. Rys. 2.4. LANDSAT 7.Źródło: http://landsat.gsfc.nasa.gov Źródło: http://landsat7.usgs.gov„Wysokość orbity dla satelity LANDSAT 5 jak i LANDSAT 7 jest jednakowai wynosi 705km. Każdy z satelitów obrazuje dany fragment powierzchni Ziemico 16 dni. Skaner TM (Thematic Mapper) satelity LANDSAT 5 obrazuje w trzechkanałach widzialnych (niebieskim: 0,45-0,52 μm; zielonym: 0,52-0,60 μm; czerwonym:0,63-0,69 μm),bliskiej podczerwieni (0,76-0,90 μm), dwóch kanałach z zakresu średniejpodczerwieni (1,55-1,75 oraz 2,08-2,35 μm) oraz w kanale termalnym (10,40-12,50μm). Kanał z zakresu podczerwieni termalnej posiada rozdzielczość przestrzenną120x120 m, natomiast pozostałe kanały rozdzielczość 30x30m” (Drzewiecki, 2004,nieopublikowany skrypt).„Satelita LANDSAT 7 posiada na pokładzie unowocześniony skaner ETM+(Enhaced Thematic Mapper Plus). Obrazuje on w tych samych zakresach spektralnych,co skaner TM LANDSAT 5, przy czym zwiększono rozdzielczość kanału termalnegodo 60 x 60m. Dodatkowo LANDSAT 7 rejestruje również obrazy panchromatyczne(0,52-0,90 μm) o rozdzielczości 15m. Obrazy rejestrowane przez satelity serii40

LANDSAT należą do najpowszechniej wykorzystywanych materiałówteledetekcyjnych. Kanały spektralne skanerów TM i ETM+ zostały zaprojektowane podkątem pozyskiwania informacji o środowisku. Kanał niebieski stosowany jestdo badania wód (promieniowanie z tego zakresu częściowo przenika przez czystą wodę)oraz analiz pokrycia terenu, gleb i wegetacji. Promieniowanie rejestrowane w kanalezielonym odpowiada zakresowi zwiększonej odbijalności dla zdrowej roślinności.Kanał czerwony pokrywa się z zakresem absorpcji promieniowania dla chlorofilu.Kanał ten używany jest również w kartografii gleb i geologii. Kanał bliskiejpodczerwieni umożliwia ocenę ilości biomasy. Wykorzystuje się go m.in.w monitorowaniu upraw. Promieniowanie rejestrowane w zakresie 1,55-1,75 μmpozwala m.in. na ocenę zawartości wody w roślinach (ważne np. w monitorowaniuupraw i ocenie zagrożenia suszami). Ponadto jest to jeden z niewielu zakresówpromieniowania, w którym możliwe jest rozróżnianie pomiędzy chmurami, śniegiemi lodem, co czyni go niezwykle ważnym w badaniach hydrologicznych.Drugi z zakresów średniej podczerwieni wykorzystywany jest dla rozpoznawaniautworów geologicznych. Kanał termalny umożliwia pomiar temperatury powierzchniZiemi. Znajduje on zastosowanie w lokalizowaniu i monitorowaniu obszarówaktywności geotermalnej, badaniach geologicznych, ocenie wilgotności gleby orazmonitorowaniu roślinności” (Drzewiecki, 2004, nieopublikowany skrypt).Wysoka jakość danych otrzymywana z LANDSAT 7, atrakcyjne cenyoscylujące w granicach 600 USD oraz z czasem bezpłatne zasoby danych doprowadziłydo dużego wzrostu liczby użytkowników chcących posiadać dane z tego satelity(http://landsat.gsfc.nasa.gov [5]).Misja satelity LANDSAT 7 przebiegała bez większych problemów,aż do Maja 2003 roku. Nastąpiła wtedy awaria sprzętu zwanego SLC (Scan LineCorrector), lecz kilka tygodni po utracie tego systemu wznowiono misję.Usterka w dużym stopniu wpłynęła na obrazy otrzymywane z satelity. Jednak pozostaław działaniu część sensora ETM+ wraz z zwierciadłem głównym, geometrycznym orazradiometrycznym. Działanie systemu jest na równie wysokim poziomie precyzji orazdokładności jak przed usterką, a pikselom otrzymywanego obrazu są przypisywanegeoreferencje jak również są one z jeszcze większą dokładnością kalibrowane(http://landsat.usgs.gov [6]).41

Dzięki satelicie LANDSAT 7 ciągłość misji tej serii została zachowana mimowystępujących usterek. Wielospektralne obrazowanie zasobów Ziemi liczy w tymmomencie 39 lat, gdzie rozpoczęcie systemu LANDSAT datuje się na rok 1972.Dane z satelity LANDSAT 7 można uzyskać z USGS Center EROS (Earth forResources Observation and Science), zaś gotowe produktu można znaleźć zarówno nazasadach komercyjnych jak i bezpłatnie. Obrazy z LANDSAT 7 zostały wykorzystanejako podstawowe podkłady w takich programach jak: Geocover 2000 i OnEarthw NASA World Wind, TerraColor w Windows Live Maps/Virtual Earth 3D orazw najbardziej znanym TruEarth w Google Earth i Maps.Tab. 2.1. Podstawowa charakterystyka satelitów serii LANDSAT.Źródło: http://www.eurimage.comSystemLandsat 1Landsat 2Landsat 3Landsat 4Landsat 5Landsat 6Landsat 7Wyniesieniena orbitę(koniecdziałania)23 VII 1972(6 I 1978)22 I 1975(25 II 1982)5 III 1978(31 III 1983)16 VII 1982(VIII 1993)1 III 1984(XI 2011)5 X 1993(5 X 1993)IV 1999(uszkodzony)SkaneryRozdzielczość[m]Wysokośćorbity[km]Okresrewizyty[dni]RBV, MSS 80, 80 917 18RBV, MSS 80, 80 917 18RBV, MSS 30, 80 917 18MSS, TM 80, 30 705 16MSS, TM 80, 30 705 16ETMETM+15 (pan),30 (ms)15 (pan),30 (ms)705 16705 16Kolejna inwestycja NASA w celu uzyskania ciągłości w pozyskiwaniu danychsatelitarnych niesie nazwę Landsat Data Continuity Mission (LCDM).Zastępca słynnego LANDSAT 7 jak zaplanowali naukowcy ma pojawić się na orbiciejuż w grudniu 2012 roku, zaś czas misji szacowany jest na minimum 5 lat(http://ldcm.nasa.gov [7]). Ważną wiadomością potwierdzającą ten fakt jestrozstrzygnięcie konkursu na najważniejsze narzędzie, które ma się znaleźć na pokładzienowego LANDSATA o nazwie OLI (Operational Land Imager) przedstawionego42

na rysunku 2.5., którego producentem wybrana została firma Ball Aerospace(http://www.nasa.gov [8]).Rys. 2.5. Wstępny projekt skanera OLI (Operational Land Imager).Źródło: http://landsat.gsfc.nasa.govSkaner ten będzie rejestrował dziewięć zakresów promieniowania.NASA podała, iż wielkość terenowa piksela dla wszystkich zakresów spektralnychwyniesie 28 – 30m z wyjątkiem trybu panchromatycznego, gdzie rozmiar pikselawyniesie 14 – 15m. Producentem skanera jest firma Ball Aerspace and Technologies,która między innymi wykonała kamerę dla sondy Mars Reconnaissance Orbiter.Podano też również, iż samego satelitę o nazwie „LANDSAT 8” skonstruuje firmaGeneral Dynamics, produkująca teleskopy kosmiczne Swift oraz Glast, a jej zadaniembędzie również umieszczenie skanera OLI na tej satelicie (http://landsat.gsfc.nasa.gov[7]).Rys. 2.6. Projekt satelity LANDSAT 8.Źródło: http://landsat.gsfc.nasa.gov/graphics/ldcm-spacecraft_lg.jpg43

Najnowszy satelita LANDSAT o numerze "8” (Rys. 2.6.), który zostanieprzypisany LDCM w momencie, gdy ten bez żadnych problemów zostanie umieszczonyna orbicie, będzie w dość dużym stopniu różnił się od swojego poprzednikao numerze „7”. Z najbardziej istotnych zmian jest wykluczenie kanału podczerwienitermalnej. Natomiast na jego miejscu pojawią się dwa nowe zakresy:kanał o 0.433 – 0.453 µm, który przeznaczony zostanie teledetekcji do szczegółowejobserwacji rejonów wybrzeży oraz kanał o 1.36 – 1.39 µm, wybrany z myśląo teledetekcji chmur wysokich (cirrus). Ten ostatni kanał będzie miał ogromneznaczenie praktyczne – pozwoli na "oczyszczenie" zdjęć z chmur wysokich, któreobecnie bardzo często uniemożliwiają poprawną interpretację zdjęć. Dane podane przezNASA przedstawiają również wielkość sceny, która ma wynosić 185 na 185 km,a pełne przedstawienie całego globu możliwe będzie w przeciągu zaledwie 16 dni.LANDSAT 8 będzie rejestrował 400 scen satelitarnych w ciągu jednego dnia, czylio 150 scen więcej niż LANDSAT 7, co ma poprawić szansę pozyskania danychbezchmurnych (http://landsat.gsfc.nasa.gov [9]).Z najnowszych informacji NASA wynika, iż pozytywnemu przeglądowi zostałpoddany instrument OLI, który będzie najnowszym urządzeniem zamontowanymw systemie LANDSAT 8. Przegląd, który wypadł znakomicie został przeprowadzonyprzez ponad sześćdziesięciu specjalistów z NASA, US Geological Survey, jak równieżprzez przedstawicieli przemysłu Ball Aerspace and Technologies (http://lcdm.nasa.gov[7]).2.2.2. System IKONOSSatelita IKONOS (Rys. 2.7) zapoczątkował nową erę w teledetekcji satelitarnej.Zaprojektowany i zbudowany został przez firmę amerykańską Lockheed Martin, którazajmuje się koncernem zbrojeniowym. Właścicielem satelity jest firma GeoEye.Umieszczony 30 września 1999 roku na orbicie stał się pierwszym komercyjnymsatelitą wysokorozdzielczym obrazującym powierzchnię Ziemi spośród wszystkichcywilnych satelitów krążących w przestrzeni kosmicznej (http://geoforum.pl [10]).IKONOS okrąża Ziemię 14 razy w ciągu doby, poruszając się po orbiciesynchronicznej z ruchem Słońca z prędkością 7 km/sek. Potrafi pozyskiwać obrazypanchromatyczne z przestrzenną rozdzielczością 1 metra jak również obrazy44

wielospektralne w czterech kanałach widzialnych – niebieskim, zielonym, czerwonymi podczerwonym – w odpowiednim zakresie długości rejestrowanych fal: 0,445-0,516;0,506-0,595; 0,632-0,698; 0,757-0,853 μm o rozdzielczości 4 metrów. Dokładnośćta jest główną cechą satelity IKONOS. Dzięki niej dane z obrazów wręcz idealnienadają się do tworzenia map topograficznych, jak również w fotogrametrycznymplanowaniu przestrzennym, które znajduje szereg zastosowań. Wysoka rozdzielczośćprzestrzenna satelity IKONOS, jak również innych satelitów wysokorozdzielczychdziała korzystnie na jakość obrazów i ma ogromny wpływ na obszary zarezerwowanedo tej pory dla zdjęć lotniczych. Pojedyncza scena obrazu ma wymiary 11km x 11km,a co za tym idzie obraz panchromatyczny o tych wymiarach będzie posiadał wymiary11 000 x 11 000 pikseli, o głębokości 11 bitów (2048 odcieni szarości)(Kaczyński i in., 2006).Wykonanie zdjęć przez satelitę tego samego obszaru jest możliwe w okresieod 3 do 5 dni, zaś pojawienie się dokładnie nad tym samym punktem jest możliwe dlasatelity IKONOS jedynie po 144 dniach. Całkowita zdolność IKONOS-a miesięczniewynosi dla obrazu panchromatycznego 750 000 km 2 , natomiast dla obrazuwielospektralnego 250 000 km 2 (http://www.gisplay.pl [11]).Rys. 2.7. Satelita IKONOS.Źródło: http://space.skyrocket.deZdjęcia wykonywane przez amerykańskiego satelitę IKONOS między innymiwykorzystywane są przez portal internetowy zumi.pl. Tam też można z dokładnością45

przyglądnąć się analizowanym obszarom i może z tego portalu skorzystać każda osobaposiadająca dostęp do Internetu na całym świecie.Rys. 2.8. Zdjęcie z satelity IKONOS obszaru Krakowa, odległość 5km.Źródło: http://www.zumi.pl„System IKONOS potrafi również wykonywać obrazy powierzchni Ziemiw nadirze oraz z wychyleniem sensora w dowolnym kierunku od trajektorii satelitydo przodu, do tyłu oraz na boki do 30 stopni od nadiru” (Kaczyński i in., 2006).Tab. 2.2. Zestawienie parametrów wybranych satelitów wysokorozdzielczych(Sitek, 2000).Parametr QuickBird IKONOS EROS A1Wysokość lotu na orbicie450 km680 km480 kmIFOV2,12°0,93°-GSD w nadirze Pan0,61 m0,81 m1,8 mKanały spektralnePan + 4 MSPan + 4 MSPanGSD dla kanałów MS2,44 m4 m-Szerokość pasa w nadirze16,5 km11 km12,5 kmCzas rewizyty5 dni3 dni2 dniRejestracja danych137 GB64 GB-Rejestracja stereoTakTakNieRozdzielczość radiometryczna [bit]2 112 11-Na orbicie od:X 2001IX 1999XII 200046

Rok uruchomieniapanchromatyczny(pan)wielospektralny(ms)podczerwieńtermalna (tir)Szerokość pasmzobrazowania (km)Wysokość orbity (km)Rozdzielczość czasowaDokładność oraz możliwość przeprowadzania różnorodnych analiz powoduje,że dane z obrazów IKONOSA są idealne do tworzenia map i analiz przestrzennych.2.3. Inne systemy obrazowania – krótki przegląd i porównanieNa orbicie okołoziemskiej znajdują się oczywiście nie tylko satelity seriiLANDSAT czy też IKONOS amerykańskiej produkcji, ale również wiele innych.Wśród nich „konkurenci” LANDSAT m.in. JERS, SPOT (Rys. 2.9), IRS, Rapid Eyedostarczające dane średniorozdzielcze. Z kolei do wysokorozdzielczych satelitówzaliczamy między innymi EROSa czy QuickBirda (Rys. 2.10) (dane satelitów patrz -Tab. 2.2), które są zbliżone swoimi parametrami do satelity IKONOS, a takżeWorldView. W czasach gdzie postęp techniki z dnia na dzień się zmienia, wiele państwpragnie mieć swoje własne systemy obrazowania powierzchni ziemi.Poniżej przedstawiono porównanie satelitów (Tab. 2.3), LANDSAT orazIKONOS, z których danych skorzystano w niniejszej pracy, na tle systemówprowadzonych przez takie kraje jak Francja, Indie czy Izrael (Sitek, 2000;Kaczyński i in. 2006).Tab. 2.3. Zestawienie ważniejszych teledetekcyjnych cywilnych satelitówistniejących i planowanych – dane z 1.07.2007 roku (Adamczyk, Będkowski, 2007).Rozdzielczość w metrach,liczba kanałów oraz zakrespromieniowaniaNazwasystemusatelitarnegoKrajSystemy optyczne wysokorozdzielczeEROS A1 2000 Izrael/USA 1,8 12,5 480EROS B1-5 2006 Izrael/USA 0,7 4 13,5 500 95 dniIKONOS 2 1999 USA 1 4 (4) 13IRS P5(Cartosat-1)2003-2004681 -70914 dniIndie 2,5 30 617 5 dniOrbView 3 2003 USA 1 4 (4) 8 470 1 dzieńQuickBird 2 2001 USA 0,61 2,4 (4) 16,5 450 5 dni47

SPOT 5 2002 USA 2,5/5 10 (4) 2,6 832 26 dniIRS P4(Oceansat)IRS P6(Resourcesat1)Systemy optyczne średnio i niskorozdzielcze1999 Indie 350 (8) 1420 720 2 dni2003 Indie 5,85,8 (3)/23,5 (4)70/23,9/1408175 / 24dniLANDSAT 7 1999 USA 15 30 (7) 60 (2) 180 705 16 dniLANDSAT 4,5NOAA-16AVHRR1982-1984USA 30 (7) 120 180 705 16 dni2000 USA 1100 (4) 1100 (2) 2400 833 1 dzieńRapidEye 2007 Niemcy 6,5 (4) 70 630 1 dzieńSPOT 2, 41990-1998Francja 10 20 (3/4) 260 832 26 dniRys. 2.9. Średnio-rozdzielczy SPOT. Rys. 2.10. Wysokorozdzielczy Quickbird.Źródło: http://skyscrapercity.com [12] Źródło: http://spaceandtech.com [13]48

ROZDZIAŁ 3OBSZAR TESTOWY I DANE WYKORZYSTANEDO ANALIZY3.1. Charakterystyka terenuKompozycja barwna składająca się z kanałów 123 (Rys. 3.1) utworzona zostałaz danych satelity LANDSAT. Przedstawia aglomerację krakowską, obejmuje obszar30 x 15km (współrzędne w układzie 1992: Y MIN = 5539500, X MIN = 4410000;Y MAX = 5554500, X MAX = 4440000).Rys. 3.1. Analizowany obszar - kompozycja barwna 123.Źródło: Opracowanie własne.Obszar charakteryzuje się dużym zróżnicowaniem terenu. Na Rys. 3.1.zauważyć można tereny zabudowy zwartej (ścisłe centrum Krakowa), zabudowęrozproszoną (podkrakowskie miejscowości), tereny przemysłowe czy komunikacyjne,a także obszary leśne. Zaobserwować można również charakterystyczne terenym.in. lotnisko, zbiorniki wodne (np. Kryspinów, Zakrzówek), rzekę Wisłę, BłoniaKrakowskie czy też pola uprawne (odkryte i zakryte).Przedstawiony obszar pokazuje w sposób obszerny tereny reprezentatywne dlaelementów i struktur pojawiających się w podmiejskim i miejskim środowisku.49

3.2. Dane satelitarne i lotniczeW pracy zostały wykorzystane satelitarne i lotnicze dane obrazowe,które udostępniła Katedra Geoinformacji, Fotogrametrii i Teledetekcji ŚrodowiskaAGH, Wydziału Geodezji Górniczej i Inżynierii Środowiska, Akademii Górniczo-Hutniczej w Krakowie.Dane wielospektralne pochodzące z LANDSAT 5 zarejestrowane zostaływ sierpniu 2000 roku i posiadają piksel wielkości 30m. Natomiast dane pochodzącez satelity IKONOS zostały zarejestrowane w 2001 roku z pikselem 4m. Oba zestawydanych zostały wcześniej, w ramach innych prac przetworzone do postaci ortofotomapi w takiej postaci otrzymane do niniejszych analiz.W pracy wykorzystano również 6 fragmentów ortofotomapy utworzonejze zdjęć lotniczych, które posłużyły jako obszary testowe do interpretacji punktówcharakterystycznych dla poszczególnych klas pokrycia terenu. Zdjęcia te pochodząz projektu Phare z lat 90-tych i przedstawiają różne fragmenty obszaru Krakowa,na którym widać m.in. zabudowę zwartą, rozproszoną, wody, łąki, lasy itp. Scenyzostały wykonane specjalnie w takich miejscach, aby pokazać zróżnicowanie terenujakie występuje na obszarze aglomeracji krakowskiej. Zdjęcia lotnicze, które pomogływ analizie mają zdecydowanie lepszą rozdzielczość od danych LANDSAT oraz ichwykonanie zostało zrobione w zbliżonym okresie. Dzięki temu okazały się bardzoprzydatne podczas interpretacji. Zdjęcia mają wymiary 2667 kolumn, na 2667 wierszy.A. B.Rys. 3.2. Kwadraty testowe przedstawiające zróżnicowanie terenu na obszarzeaglomeracji krakowskiej. A) Wola Justowska i las Wolski, B) Centrum miasta.50

3.3. Oprogramowanie – IDRISI 32, IDRISI AndesW celu przetwarzania analizowanych danych teledetekcyjnych wykorzystanooprogramowanie IDRISI 32 oraz nowszą wersję IDRISI Andes. System ten powstałw Clark University w USA i należy do grupy pakietów GIS (Systemów InformacjiGeograficznej). Istotne elementy w takim programowaniu stanowią modułypozwalające na wprowadzanie, wyświetlanie i przetwarzanie danych w postaci danychobrazowych.W części praktycznej pracy wykorzystano przede wszystkim funkcje pakietuIdrisi pozwalające na tworzenie kompozycji barwnych oraz przeprowadzanie procedurklasyfikacyjnych i ocenę ich dokładności.3.4. Materiały wykorzystane do interpretacji wynikówW celu prawidłowej interpretacji otrzymanych wyników w pracy skorzystanoz szeroko dostępnych źródeł takich jak:o Google Earth – program komputerowy, który został wyprodukowany przezamerykańską firmę Keyhole Inc. Właścicielem obecnie jest firma Google. Programprzedstawia wiele ciekawych funkcji takich jak: trójwymiarowy model kuliziemskiej zdjęć satelitarnych oraz lotniczych, zdjęcia robione z poziomu ulicy,jak również wiele informacji geograficznych i turystycznych. Obrazy wyświetlaneprzez program pochodzą z satelity Geo Eye i zostały zarejestrowane ostatnio w 2011roku. Zdjęcia wielospektralne z satelity mają rozdzielczość 165cm, zaś szerokośćfotografowanego obszaru wynosi 15,2km. Program Google Earth oferuje w tymmomencie te same zdjęcia co Google Maps (Pazdro, 2006).o Zumi – jest to lokalizator internetowy, którego właścicielem jest Onet.pl.Jest pierwszym tego typu lokalizatorem w Polsce i funkcjonuje od 2007 roku.Zumi.pl przedstawia mapę Polski i jest również informatorem. Przedstawia bazę firmi usług, atrakcji turystycznych itp. Serwis pozwala oglądać oddzielnie mapędrogową, jak również zdjęcia satelitarne oraz lotnicze. Wysoka rozdzielczość zdjęćpomaga w rozpoznawaniu domów i samochodów. Wielkość piksela terenowego51

w największych miastach Polski wynosi 10cm. Najnowsze zdjęcia lotniczezamieszczone na Zumi.pl pochodzą z sierpnia 2009 roku, co czynije jednymi z najbardziej aktualnych, ogólnodostępnych zobrazowań tego typuw Polsce. Dane dla Krakowa pochodzą z kwietnia 2009 roku (Pazdro, 2006).o Wrota Małopolski - mapy obrazujące gminy Województwa Małopolskiego.Prezentowane materiały pochodzą z zasobu Wojewódzkiego Ośrodka DokumentacjiGeodezyjnej i Kartograficznej w Krakowie. Za pomocą serwisu można zobaczyćortofotomapy z lat 1996-2002, 2003 oraz 2009. Serwis posiada m.in. bazę danychobiektów topograficznych, mapę akustyczną, pomniki przyrody oraz mapy:topograficzną w skali 1:100 000, sozologiczną i hydrograficzną w skali 1:50 000(źródło: http://malopolska.pl/).52

ROZDZIAŁ 4KLASYFIKACJA PIKSELOWA OBRAZÓWWIELOSPEKTRALNYCH LANDSAT I IKONOS4.1. Wstępne przygotowanie danychObraz wielospektralny LANDSAT składa się z 6 kanałów spektralnych: TM 1,TM 2, TM 3, TM 4, TM 5 oraz TM 7 co umożliwia wygenerowanie na ich podstawie 2kompozycji barwnych. Do interpretacji wybrano dwie kompozycje barwne.Pierwsza z nich składa się z kanałów TM 3, TM 5 i TM 4 (KB 354) (Rys. 4.1).Ułatwiając analizę pokrycia terenu, przede wszystkim roślinności. Drugą kompozycjąjest kompozycja z kanałów TM 2, TM 4 i TM 7 (KB 247) (Rys. 4.2). Są to kanałynajmniej skorelowane, a zatem teoretycznie kompozycja ta powinna zwierać największąmożliwą ilość informacji z wszystkich możliwych trypletów kanałów. Kompozycja tapozwala na dokładną analizę terenów pozbawionych roślinności. Wykorzystywana jestw geologii, gdzie jest przydatna do rozróżnienia typów skał. Kompozycje barwnewykonano za pomocą opcji COMPOSITE, gdzie jako składowe RGB wybranoodpowiednie kanały spektralne.Rys. 4.1. Kompozycja barwna składająca się z kanałów: tm3, tm5, tm4.53

Rys. 4.2. Kompozycja barwna składająca się z kanałów: tm2, tm4, tm7.Przygotowanie danych do klasyfikacji odbyło się za pomocą dwóch głównychnarzędzi: digitalizacji (DIGITIZE) oraz obliczaniu sygnatur (MAKESIG). Kompozycjebarwne posłużyły do wyznaczenia pól treningowych, które przedstawiają główne typyzagospodarowania i pokrycia terenu. Za pomocą funkcji DIGITIZE zaznaczono naobrazie sygnatury klas, które planowano otrzymać w wyniku klasyfikacji, tj.: wody,zabudowa zwarta, zabudowa rozproszona, las liściasty, las iglasty, tereny pozbawioneroślinności oraz łąki i użytki zielone (Tab. 4.1). Za ósmą klasę przyjęto terenyniezaklasyfikowane do żadnej z wyżej wymienionych klas. Klasa ta powstała zapomocą funkcji RECLASS, a operacje tą opisano w dalszym etapie pracy.Przy pomocy narzędzia MAKESIG obliczono sygnatury wcześniejzwektoryzowanych pól treningowych oraz nadano poszczególnym klasom pokryciaterenu odpowiednie nazwy.W przypadku danych wysokorozdzielczych z satelity IKONOS stworzeniekompozycji barwnych z czterech kanałów blu_byte, gre_byte, nir_byte i red_byte, jakrównież proces digitalizacji oraz obliczania sygnatur odbył się w późniejszym etapie.Proces digitalizacji i obliczania sygnatur wyglądał podobnie jak w przypadku danychśredniorozdzielczych LANDSAT. Z tym, że początkowo dane musiały zostać poddanekalibracji, aby wpasować je we wzorcowe danych LANDSAT (układ 1992).Dokładny proces kalibracji został opisany w Rozdziale 4.1.1.54

Tab. 4.1. Charakterystyka klas pokrycia terenu.Nazwa klasyWODYZABUDOWA ZWARTAZABUDOWA ROZPROSZONALASY LIŚCIASTELASY IGLASTECharakterystyka klasyDo tej klasy zaliczamy przede wszystkimwody płynące (rzeka Wisła) oraz stojące(zbiorniki retencyjne, stawy np. Kryspinów,Bagry czy Zakrzówek). Klasa ta jestcharakterystyczna – bardzo ciemny kolor (KB354). W porównaniu z resztą klas wykazujemałą zmienność.Klasa ta podobnie jak wody ma bardzociemny kolor (KB 354), ale wykazuje większązmienność. W jej skład wchodzi wprzeważającej części ścisłe centrum Krakowa.Przede wszystkim do tej klasy zaliczamyzabudowę występującą na obrzeżachKrakowa, jak również ogródki działkowe,zabudowę występującą wzdłuż dróg orazcmentarze. Charakterystyczna dla tej klasyjest duża zmienność przez występowanieblisko siebie terenów zabudowanychpomieszanych z terenami zielonymi.Klasa, w której występują głównie lasyliściaste np. Las Wolski, jak równieżzadrzewione tereny miejskie (np. parki,Planty czy też tereny wzdłuż Błoń).Do tej klasy zaliczamy jedynie drzewa iglaste.Klasa łatwa w wyodrębnieniu, gdyżcharakteryzuje ją mała zmienność. Daneinterpretacyjne (Zumi.pl), gdzie na drzewachliściastych nie występowały liście pozwoliłyna wyodrębnienie tej klasy.TERENY POZBAWIONEROŚLINNOŚCIDo tej klasy zaliczamy przede wszystkimtereny, na których nie znajdziemy roślinności,czyli np. zaorane pola uprawne, składowiskapiasku, place budowy.55

ŁĄKI I UŻYTKI ZIELONETERENY NIESKLASYFIKOWANEKlasa, w której skład wchodzą przedewszystkim łąki (np. Błonia Krakowskie,tereny wzdłuż rzeki Wisły), grunty rolnepokryte uprawami, tereny rolneniezagospodarowane, stadiony. Niektóre ztych terenów mają regularny kształt (polauprawne). Zauważyć tą klasę można wpobliżu gruntów rolnych, które są zaorane.Tereny, dla których oczekuje się, że programich nie sklasyfikuje (są zbyt odmienne odzdefiniowanych wyżej klas). Do tej klasyzaliczamy przykładowo lotnisko Balice (terenhomogeniczny), jak też tereny, gdziewystępuje duże zróżnicowanie pokryciaterenu na małych obszarach (miksele). Terenytakie są przez to trudne do zinterpretowaniaprzez interpretatora, jak też trudno jesklasyfikować to jednej z przyjętych kategoriipokrycia terenu.4.1.1. Kalibracja danych z satelity IKONOSAby skutecznie porównać obrazy z dwóch różnych źródeł należy je w pierwszejkolejności doprowadzić do wspólnego układu współrzędnych, „wpasować je w siebie”.W przypadku posiadanych zestawów danych obraz wielospektralny LANDSAT byłskalibrowany w układzie 1992 i traktowany jako referencyjny, a co za tym idzie należypoddać obrazy IKONOS tzw. przepróbkowaniu (RESAMPLING). Resampling służystworzeniu nowego obrazu wyjściowego i polega na „interpolacji wartości przypisanympikselom do obrazu wynikowego na podstawie wartości obrazu wejściowego”(Adamczyk, Będkowski, 2007). Tworzona jest dzięki temu nowa macierz pikseli.Wyróżnić można trzy metody przeprowadzenia resamplingu: najbliższego sąsiedztwa,transformacji bilinearnej i splotu sześciennego. W celu wykonania klasyfikacji obrazówwielospektralnych zalecaną metodą do wykonania przepróbkowania jest metodanajbliższego sąsiedztwa (ang. nearest neighbor). Metoda ta polega na przypisaniupikselowi nowej wartości na podstawie najbliższego mu piksela w obrazie wejściowym.W celu przeprowadzenia prawidłowej kalibracji obrazów wysokorozdzielczych,w pierwszej kolejności wybrano pięć punktów, które zidentyfikowano zarówno nakompozycji barwnej LANDSAT (KB 354) jak i w pierwszej kolejności na kanaleniebieskim satelity IKONOS. W pliku tekstowym, w odpowiedniej kolejności56

wymaganej przez program Idrisi, wpisano dokładne współrzędne tych punktów(Rys. 4.5.).Rys. 4.5. Plik tekstowy ze współrzędnymi punktów.Następnie skorzystano z opcji: IMAGE PROCESSING RESTORATION RESAMPLE (Rys. 4.6), gdzie wybrano prawidłowe dla kalibracji opcje. Czynność tąwykonano czterokrotnie, dla każdego z czterech kanałów spektralnych: niebieskiego,zielonego, czerwonego i bliskiej podczerwieni. Wybrano funkcję liniową oraz metodęnajbliższego sąsiedztwa.Rys. 4.6. Funkcja RESAMPLE z wybranymi parametrami.Za parametry odniesienia, tj. zakres sceny wybrano obraz LANDSAT. W opcjiOUTPUT REFERENCE PARAMETERS wpisano odpowiednią ilość kolumn i wierszy,jak również maksymalne i minimalne współrzędne danych średniorozdzielczych(Rys. 4.7).57

Rys. 4.7. Parametry odniesienia w opcji RESAMPLE.Dzięki przeprowadzonej kalibracji otrzymano zdjęcia wysokorozdzielczez satelity IKONOS w układzie 1992 (Załącznik 1) ze szczątkowym błędem punktów3,73 piksela obrazu wejściowego (Total RMS error = 3.734878), czyli około 15m.Mieści się to w granicy błędu – połowy rozmiaru piksela obrazu referencyjnego(LANDSAT, 30m).W części końcowej procesu przygotowania danych za pomocą modułuREFORMAT WINDOW, każde ze skalibrowanych zdjęć przycięto w taki sposób,aby otrzymać jedynie zakres, w którym jest pokrycie zarówno dla danych LANDSATjak i IKONOS. W procesie tym dodatkowo wyeliminowano część obszaru o wspólnympokryciu, z powodu zarejestrowanych na obrazie IKONOS chmur i ich cieniutrudniających interpretację oraz proces klasyfikacji. W efekcie ze sceny źródłowej(Rys. 4.8) uzyskano skalibrowany jej fragment (Rys. 4.9).Rys. 4.8. Obraz z satelity IKONOS przed procesem kalibracji.58

Rys. 4.9. Obraz z satelity IKONOS skalibrowany oraz przycięty za pomocą funkcjiWINDOW.Po procesie przygotowania zdjęć wysokorozdzielczych dopiero można byłoprzystąpić do stworzenia kompozycji barwnych, digitalizacji oraz obliczaniu sygnatur.Proces ten odbył się tak samo jak w przypadku danych średniorozdzielczych,za pomocą opcji COMPOSITE, DIGITIZE oraz MAKESIGN. Pierwszą z nichstworzono kompozycje barwne z trzech kanałów na której pracowano: blu_byte,gre_byte, nir_byte (KB123). Z powodu, że wysokorozdzielczy obraz był bardziejczytelny od średniorozdzielczego, wspierano się tylko kompozycją gre_byte, nir_byte,red_byte (KB 234). Drugą opcję wykorzystano do zaznaczenia na mapie sygnatur klas(Załącznik 2), natomiast za pomocą trzeciej przypisano poszczególne sygnaturyodpowiednim klasom pokrycia terenu.59

4.1.2. Ocena dokładności klasyfikacjiOcena dokładności klasyfikacji pomaga w wyznaczeniu stopnia przydatnościmapy pokrycia terenu do kolejnych zastosowań. Dokładność określa się za pomocądanych odniesienia porównując te dane z próbkami pikseli na mapie tematycznej.Danymi odniesienia mogą być m.in. zdjęcia lotnicze, dane terenowe czy teżkompozycje barwne (Adamczyk, Będkowski, 2007).„Dane terenowe oraz utworzona mapa tematyczna mogą być odniesieniem dookreślenia ilości prawidłowo sklasyfikowanych pikseli. Prawidłowo sklasyfikowanaliczba pikseli w poszczególnej klasie dzielona przez ilość wszystkich pikseli tej klasynazywana jest dokładnością producenta. Jednak w analizie ważniejsza jest dokładnośćużytkownika, czyli prawdopodobieństwo czy piksel znajdujący się na mapie odpowiadadanym terenowym. Dokładność tą oblicza się dzieląc liczbę prawidłowosklasyfikowanych pikseli w danej klasie przez całkowitą liczbę pikseli w tej klasie namapie tematycznej” (Adamczyk, Będkowski, 2007).Dokładność klasyfikacji oszacowana w oparciu o macierz błędówproporcjonalnych zawiera się w pewnym przedziale ufności „e” zależnym od ilościużytych punktów kontrolnych. Według Drzewieckiego (2009) przedział ten przedstawiasię wzorem:z – zmienna standardowego rozkładu normalnego (1,96 dla poziomu ufności 95%),p – błąd proporcjonalny,n – liczba punktów kontrolnych.Przekształcając ten wzór, oszacowano poniżej liczbę punktów niezbędną dooceny dokładności z zakładanym przedziałem ufności. Do obliczeń założono, iż realnypoziom klasyfikacji można otrzymać na poziomie 75%.60

W kolejnym etapie tworzenia punktów weryfikacyjnych obliczono, iż na obrazieLANDSAT o wymiarach 30 000m x 15 000m powinno znajdować się ok. 5419punktów kontrolnych, zaś przy takiej ilości punktów występujących na całymanalizowany obszarze statystycznie w kwadratach testowych powinno znajdować się289 punktów.A.B.Rys. 4.10. Losowo rozmieszczone punkty kontrolne – dane LANDSAT. A) Obrazze wszystkimi punktami (5419 pkt.), B) Obraz z punktami w kwadratachtestowych (289 pkt.).61

Korzystając z opcji IMAGE PROCESSING ACCURACY ASSESSMENT SAMPLE wczytano kompozycję barwną oraz wpisano liczbę punktów, dzięki czemuotrzymano obraz wektorowy przedstawiający losowo rozmieszczone punkty(Rys. 4.10a). Następnie za pomocą opcji DATA ENTRY INITIAL stworzono pustyobraz w formacie wektorowym. W kolejnym etapie przy użyciu funkcji UPDATEwczytano do pustego obrazu sześć obszarów składających się z kwadratów testowych,zaś w kolejnym etapie przerobiono za pomocą funkcji REFORMAT RASTER/VECTOR CONVERSION POINTRAS obraz wektorowy wraz z punktamitestowymi na obraz rastrowy, po czym za pomocą IMAGE CALCULATOR połączonoze sobą obraz rastrowy z obrazem, na którym znajdowały się kwadraty testowe.Dzięki temu w efekcie końcowym otrzymano obraz przedstawiający punkty kontrolneznajdujące się w obszarach testowych (Rys. 4.10b).W przypadku danych średniorozdzielczych do zinterpretowania punktówtestowych (punkty kontrolne) użyto sześć ortofotomap ze zdjęć lotniczych. Zdjęcia teposłużyły do przypisania poszczególnym punktom kontrolnym odpowiednie klasypokrycia terenu. W celu weryfikacji wszystkich utworzonych klas dodano kilkadziesiątpunktów znajdujących się poza obszarami testowymi, dzięki czemu otrzymano bardziejdokładną próbkę weryfikacyjną. Za pomocą funkcji EDIT przypisano w sumie471 punktom poszczególne klasy nadając im odpowiednie wartości: wody – 1,zabudowa zwarta – 2, zabudowa rozproszona – 3, las liściasty – 4, las iglasty – 5, terenypozbawione roślinności – 6, łąki i użytki zielone – 7, tereny niesklasyfikowane – 8(Rys. 4.11). W przypadku terenów niesklasyfikowanych posiadających wartość 8 zapomocą funkcji RECLASS zamieniono tą wartość na równą 0. Operacja ta miała nacelu pozbycie się terenów nie należących do żadnej z wymienionych klas i stworzeniejednej klasy o nazwie „tereny niesklasyfikowane”.62

Rys. 4.11. Obszary testowe (zdj. lotnicze) wraz z punktami kontrolnymi na danychz satelity LANDSAT.W przypadku danych wysokorozdzielczych IKONOS przygotowując próbkęweryfikacyjną (punkty kontrolne) postąpiono w taki sam sposób, nie wczytując jedyniekwadratów testowych do analizy obszaru. Obrazy wysokorozdzielcze nie wymagajątakich czynności, gdyż są czytelniejsze, a co za tym idzie, łatwiej można je poddaćinterpretacji. Obliczono, iż na skalibrowanym i przyciętym obrazie o wymiarach10 800m x 7 200m powinno znajdować się ok. 936 punktów. Natomiast w przypadkupunktów kontrolnych znajdujących się na tym obszarze nie scharakteryzowano taksamo jak w przypadku danych LANDSAT wszystkich występujących na tym obszarzepunktów. Za pomocą funkcji EDIT scharakteryzowano 313 dowolnie wybranychpunktów występujących na obrazie.W celu przypisania każdemu z punktów odpowiedniej klasy pokrycia terenu nadanych LANDSAT głównie posłużyły kwadraty testowe. W przypadku danychśredniorozdzielczych ciężko jest zinterpretować co występuje na danym obszarze(Rys. 4.12a), natomiast kwadraty testowe są na tyle dokładne i wyraźne (Rys. 4.12b),że z łatwością można zinterpretować co na danym obszarze występuje i przypisaćkażdemu z punktów kontrolnych występujących na ich obszarze poszczególną klasępokrycia terenu. Dane średniorozdzielcze LANDSAT posiadają w przypadkuprzypisania punktom kontrolnym jeszcze jedną wadę. Przy przypisywaniu doposzczególnych punktów odpowiedniej kategorii trzeba uwzględniać wielkość pikselaLANDSATA. Czasami zdarza się tak, że dany punkt trafia pomiędzy dwa różne piksele,63

wtedy pojawia się problem i trzeba wybrać do której kategorii przypisać analizowanypunkt.A. B.Rys. 4.12. Fragment z obrazu satelity LANDSAT wraz z punktami kontrolnymi.A) Kompozycja barwna 354; B) Zdjęcie lotnicze w postaci kwadratu testowego.W niniejszej pracy przy interpretacji danych skorzystano nie tylko z kwadratówtestowych, ale również z kompozycji barwnych oraz z wysokorozdzielczych obrazówsatelitarnych udostępnianych przez takie programy jak Google Earth czy Zumi.pl.Natomiast w przypadku danych wysokorozdzielczych IKONOS możnastwierdzić, iż są na tyle dokładne i wyraźne, że nie ma większych problemów z ichinterpretacją. Przypisanie punktów kontrolnych na tych danych odbyło się bezkonieczności wczytywania kwadratów testowych na analizowanym obszarze.Ostatecznie dzięki ocenie dokładności, a co za tym idzie dzięki stworzeniupróbki weryfikacyjnej składającej się z 471 punktów kontrolnych w przypadku danychLANDSAT oraz 313 punktów kontrolnych danych IKONOS w wyniku klasyfikacjiobliczono odsetek pikseli należący do każdej klasy. Wykazało to czy piksele tesklasyfikowane zostały poprawnie czy błędnie, jak również przedstawiono ogólnądokładność klasyfikacji – patrz rozdział 4.3 i 4.4.Poniżej przedstawiono próbki weryfikacyjne dla danych średniorozdzielczychLANDSAT (Rys. 4.13) oraz dla danych wysokorozdzielczych IKONOS (Rys. 4.14).64

Rys. 4.13. Próbka weryfikacyjna LANDSAT, na której znajduje się 471 punktów.Rys. 4.14. Próbka weryfikacyjna IKONOS, na której znajduje się 313 punktów.65

4.2. Klasyfikacja nadzorowanaW kolejnym kroku przeprowadzono klasyfikację pikselową oraz jej szczegółowąanalizę wiarygodności. Prace wykonano na danych średniorozdzielczych satelityLANDSAT oraz danych wysokorozdzielczych satelity IKONOS.W programie IDRISI, z którego skorzystano w analizie danych satelitarnych dotworzenia mapy pokrycia/użytkowania terenu, klasyfikację nadzorowaną realizowanokorzystając z trzech tzw. klasyfikatorów twardych, opisanych w części teoretycznejpracy:o MAXLIKE – metoda największego prawdopodobieństwa.o PIPED – metoda równoległościanów;o MINDIST – metoda najmniejszej odległości.Metody te wybrano, ponieważ są one jednymi z podstawowych procedurklasyfikacji nadzorowanej obrazów teledetekcyjnych. Opisano je w dalszej częścipracy, zaś wyniki przedstawiono w kolejnym rozdziale.Otrzymane dzięki wyżej wymienionym metodom klasyfikacji mapy pokryciaterenu zostały przeanalizowane i ocenione poprzez porównanie wyników dokładnościklasyfikacji.W metodzie równoległościanów – PIPED użyto modułu: IMAGEPROCESSING HARD CLASSIFIERS PIPED (Rys. 4.14.). Również wczytanosygnatury wszystkich klas oraz określono granice klas. W pierwszej kolejnościstworzono mapę za pomocą wyznaczenia minimalnych i maksymalnych (min/max)wartości jasności pikseli występujących w obiektach wzorcowych. Skorzystano równieżz drugiej opcji i wzięto pod uwagę granice określone przez miarę statystyczną –odchylenie standardowe jasności (Z – Score). Za pomocą tej opcji wyznaczono dladanych średniorozdzielczych 11 map pokrycia terenu określając różne odchylenie dlakażdej z nich. Odchylenie wynosiło odpowiednio: 1.5, 1.6, 1.7, 1.8, 1.9, 2.0, 2.1, 2.2,2.3, 2.4, 2.5. Standardowo za odchylenie przyjmuje się wartość 2.0, natomiastw niniejszej pracy sprawdzono czy rzeczywiście tak jest, dlatego dla danych z satelityLANDSAT sprawdzono również inne wartości.W przypadku danych wysokorozdzielczych metodzie równoległościanówpoświęcono więcej czasu. Procedura wymagała wygenerowania większej ilości mappokrycia terenu dla odchylenia standardowego. Przygotowano w sumie 15 mappokrycia terenu dla odchylenia wynoszącego odpowiednio: 1.1, 1.2, 1.3, 1.4, 1.5, 1.6,66

1.7, 1.8, 1.9, 2.0, 2.1, 2.2, 2.3, 2.4, 2.5. Klasyfikacja dla danych z satelity IKONOSmetodą równoległościanów okazała się bardziej pracochłonna, ponieważ podczas ocenydokładności klasyfikacji wychodziły zupełnie inne wyniki jak zakładano. Bazując nawynikach jakie otrzymano podczas klasyfikacji tą metodą danych LANDSATspodziewano się, iż standardowo najlepszy wynik otrzymano dla odchylenia 2.0.Natomiast w przypadku danych IKONOS sprawdzono wyniki dla większej liczbywartości, ponieważ jak się później okazało najlepszy wynik uzyskano dla wartości 1.3.W metodzie minimalnego dystansu – MINDIST wykorzystano moduł:IMAGE PROCESSING HARD CLASSIFIERS MINDIST (Rys. 4.15).Wczytano sygnatury klas oraz w pierwszej kolejności wybrano opcję, aby odległość odskupiska pikseli była nieograniczona (INFINITE). Dzięki temu procesowi powstałjeden obraz. Następnie ograniczono odległość od skupiska pikseli, aby część z terenówwystępujących na obrazie program mógł nie zaklasyfikować do żadnej z klas pokryciaterenu. Doświadczenie to ma pokazać czy warto klasyfikować 100% pikseli obrazu, jakrównież wykaże to czy odbiegające od klas piksele można trafnie wskazać na próbceweryfikacyjnej jako tereny niesklasyfikowane. Odpowiednio odległość dla zdjęćśredniorozdzielczych wyniosła: 20, 30, 40, 50, 60, 70, 80, 90 oraz 100 jednostek.Proces w metodzie minimalnego dystansu dla obrazów wysokorozdzielczychz satelity IKONOS wyglądał podobnie. Skorzystano z modułu MINDIST, wczytanosygnatury klas pokrycia terenu oraz jako pierwszy obraz wygenerowano mapę, gdzieodległość od skupiska pikseli była nieograniczona. Następnie również jak w przypadkudanych średniorozdzielczych ograniczono odległość od skupiska pikseli i w przypadkuzdjęć wysokorozdzielczych odległość ta wyniosła odpowiednio: 10, 11, 12, 13, 14, 15,16, 17, 18, 19, 20, 30, 40, 50 oraz 60 jednostek.Rys. 4.14. Metoda PIPED.Rys. 4.15. Metoda MINDIST.67

W programie IDRISI dokonano klasyfikacji metodą największegoprawdopodobieństwa – MAXLIKE. Użyto do tego opcji IMAGE PROCESSING HARD CLASSIFIERS MAXLIKE (Rys. 4.16). Wczytano sygnatury wszystkichutworzonych klas. W wyniku klasyfikacji tą metodą powstało 11 obrazówprzedstawiających pokrycie terenu. W jednym z obrazów nie wykluczono pikseli i nawszystkie piksele biorące udział w klasyfikacje, program wszystkie brał pod uwagę.Ilość pikseli odrzucanych, dla których stwierdzono najmniejszą przynależność dojakiejkolwiek z klas wynosiła odpowiednio: (Proportion of pixels to exclude):0,01 – 1%; 0,02 – 2%; 0,03 – 3%; 0,04 – 4%; 0,05 – 5%; 0,06 – 6%; 0,07 – 7%;0,08 – 8%; 0,09 – 9%, 0,10 – 10% pikseli z obrazu. W taki sam sposób jak wyżejopisano postąpiono z danymi wysokorozdzielczymi z satelity IKONOS, a wyniki tejmetody przedstawiono w kolejnym rozdziale (Rozdział 4.3).Rys. 4.16. Okno dialogowe – metoda MAXLINE.W każdej z wyżej wymienionych metod w końcowym etapie procesu za pomocąopcji RECLASS (Rys. 4.17) z powstałych na mapie terenów niezaklasyfikowanych dożadnych z klas stworzono klasę o nazwie tereny niesklasyfikowane. Proces ten polegałna zamienieniu wartości 0 (kolor na mapie: czarny), przyporządkowanej tym terenom,na wartość 8 (kolor na mapie: fioletowy) jako nowej wartości klasy, terenyniesklasyfikowane. Otrzymano mapę, która przedstawiała wszystkie kategorie pokryciaterenu (Rys. 4.18). Dzięki temu zabiegowi można było porównać otrzymane obrazyw wyniku klasyfikacji z plikiem prawdy terenowej oraz przedstawić ocenę dokładnościklasyfikacji w procentach, w tym uwzględnić kategorię „niesklasyfikowanych” pikselijako równorzędną kategorię jak pozostałe.68

Bazując na ośmiu kategoriach można było przedstawić ocenę dokładnościklasyfikacji w procentach. Wyniki przedstawiono w kolejnym rozdziale(Rozdział 4.3).Rys. 4.17. Parametry modułu RECLASS.Rys. 4.18. Mapa po procesie RECLASS ze wszystkimi kategoriami klas pokryciaterenu.69

4.3. Generalizacja i przedstawienie wyników klasyfikacjiW celu otrzymania końcowych wyników skorzystano z modułu programuIDRISI, IMAGE PROCESSING ACCURACY ASSESSEMENT ERRMAT.Za pomocą tej opcji porównano powstałe w wyniku klasyfikacji obrazy (mapy)z plikiem prawdy terenowej, który posłużył do oceny dokładności klasyfikacji.Dzięki temu otrzymano tabelaryczne zastawienia wyników, które określają dokładnośćproducenta, dokładność użytkownika oraz całkowitą dokładność klasyfikacji. Wyniki teokreślają również dokładność, jaka została otrzymana dla każdej z poszczególnych klaspokrycia/użytkowania terenu. Poniżej przedstawiono najlepsze uzyskane wynikipodczas klasyfikacji nadzorowanej korzystając z trzech metod dla obu zestawówdanych: LANDSAT oraz IKONOS.Analizując otrzymane wyniki można zauważyć, iż najlepszą z metodklasyfikacji nadzorowanej w obu rodzajach danych jest metoda największegoprawdopodobieństwa – MAXLIKE. Według teorii, dzięki metodzie największegoprawdopodobieństwa uzyskuję się zazwyczaj zdecydowanie lepsze wyniki niżw przypadku metody najmniejszej odległości czy metody równoległościanów.Pomimo różnych zastrzeżeń to w większości przypadków można się spodziewaćwysokiej dokładności. Powodem tak dobrych wyników jest przede wszystkimuwzględnienie w procesie klasyfikacji rozbudowanych miar statystycznych wzorców.Oceniając otrzymane wyniki można zauważyć, iż teoria potwierdziła się w praktyce.Odpowiednio wyniki klasyfikacji wyniosły: 62% całkowitej dokładności dla danychz satelity LANDSAT oraz 67% dla danych z satelity IKONOS. Wyniki różniąsię od siebie na co miała wpływ wyższa dokładność geometryczna danychwysokorozdzielczych. Przekłada się to na wyższą dokładność klasyfikacji. Dzieje siętak dlatego, iż w przypadku IKONOSA występuje mniej pikseli o mieszanym pokryciuterenu, przez co program lepiej radzi sobie z ich klasyfikacją.Poniżej przedstawiono szczegółowe wyniki dla obu zestawów danychsatelitarnych. Pokazano za pomocą wykresów wszystkie otrzymane warianty wynikóww zależności od ilości pikseli odrzucanych podczas klasyfikacji oraz przedstawionow tabelach dokładne najlepsze otrzymane w wyniku klasyfikacji wyniki dla różnychzestawów danych.70

Wykres. 4.1. Ocena dokładności klasyfikacji w metodzie największegoprawdopodobieństwa – MAXLIKE. Zestawienie wyników LANDSAT.Tab. 4.2. Najlepszy otrzymany wynik klasyfikacji nadzorowanej metodąMAXLIKE. Dane z satelity LANDSAT.1 2 3 4 5 6 7 8 ƩDokładnośćużytkownika1 35 0 0 0 0 0 0 1 31 97%2 4 38 6 1 1 0 1 16 58 57%3 2 25 51 25 0 4 10 4 119 43%4 0 2 5 32 7 0 3 3 26 62%5 0 0 0 1 24 0 0 0 23 96%6 0 0 3 0 0 34 2 3 43 81%7 0 1 13 6 0 0 53 5 87 67%8 0 2 8 3 0 1 6 26 56 55%Ʃ 41 68 86 70 32 39 77 58 471Dokładnośćproducenta85% 56% 51% 46% 75% 88% 69% 45% 62%Analizując powyższe wyniki można zauważyć, iż najlepszy wynik w metodzienajwiększego prawdopodobieństwa otrzymano w przypadku gdy program sklasyfikował99% wszystkich pikseli. Wykres 4.1 przedstawia wszystkie otrzymane wartościw wyniku klasyfikacji. Otrzymane w wyniku klasyfikacji obrazy rozpatrzono napodstawie różnej ilości pikseli biorących udział w procesie. Wnioskować można, iż imwięcej pikseli nie klasyfikujemy do jednej z przyjętych klas tym słabszy wynik.Dla 99% analizowanych pikseli wynik klasyfikacji wyniósł 62%. Natomiastw przypadku klasyfikacji wszystkich pikseli otrzymano dokładność na poziomie 59%(Wyk. 4.1). Gorszy wynik dla wszystkich pikseli wiąże się z tym, iż nie brano poduwagę terenów niesklasyfikowanych, ponieważ program w wyniku procesu71

zaklasyfikował wszystkie piksele do klas posiadających wcześniej wyznaczonesygnatury. Klasa „tereny niesklasyfikowane” nie mająca przypisanych sygnatur niebrała w takim wypadku udziału w procesie.Dane otrzymane w tabeli (Tab. 4.2) przedstawiają liczbę zaklasyfikowanychpikseli do poszczególnych klas pokrycia terenu. W przypadku lasów liściastych (4) –48%, jak również terenów niesklasyfikowanych (8) – 45%, wyniki różnią sięzdecydowanie od pozostałych. Dużą ilość pikseli dla lasów liściastych programprzypisał zabudowie rozproszonej. Podobna sytuacja miała miejsce w przypadkuterenów niesklasyfikowanych, gdyż część pikseli zostało przypisanych do zabudowyzwartej. Wiąże się to z tym, iż własności pikseli dla tych klas pokrycia terenu sąpodobne, jak również ciężko było prawidłowo scharakteryzować ich sygnatury.Poniżej przedstawiono mapę pokrycia terenu (Rys. 4.19) dla danychśredniorozdzielczych z satelity LANDSAT, która przedstawia obszar Krakowa i terenyscharakteryzowane w wyniku klasyfikacji nadzorowanej metodą największegoprawdopodobieństwa.Rys. 4.19. Mapa pokrycia terenu po procesie klasyfikacji metodą MAXLIKE.Dane średniorozdzielcze z satelity LANDSAT.W przypadku danych wysokorozdzielczych z satelity IKONOS schemat procesuporównania otrzymanych map w wyniku klasyfikacji wraz z plikiem prawdy terenowejbył analogiczny jak w przypadku danych średniorozdzielczych LANDSAT.Potwierdzono, analizując wyniki, iż metoda MAXLIKE daje najlepsze rezultaty72

w klasyfikacji nadzorowanej obrazów. Otrzymane wyniki tą metodą dla różnegoodchylenia standardowego przedstawiono na wykresie poniżej (Wyk. 4.2), oraz w tabeli(Tab. 4.3) przedstawiono wyniki przynależności pikseli do każdej klasy.Najlepszy wynik uzyskano na poziomie 67%, a co za tym idzie możnazauważyć, iż jest on o 5% lepszy od wyniku jaki uzyskano na danych z satelityLANDSAT.Wykres. 4.2. Ocena dokładności klasyfikacji w metodzie największegoprawdopodobieństwa – MAXLIKE. Zestawienie wyników IKONOS.Tab. 4.3. Najlepszy otrzymany wynik klasyfikacji nadzorowanej metodąMAXLIKE. Dane z satelity IKONOS.1 2 3 4 5 6 7 8 ƩDokładnośćużytkownika1 28 22 0 0 0 0 0 0 50 56%2 2 28 3 0 1 0 0 1 35 80%3 0 4 17 2 3 6 3 3 38 45%4 1 1 0 26 1 2 0 0 31 84%5 0 0 0 5 26 0 1 0 32 81%6 0 0 2 0 0 30 1 0 33 91%7 3 7 4 5 1 5 31 3 59 53%8 2 1 6 2 3 2 1 18 35 51%Ʃ 36 63 32 40 35 45 37 25 313Dokładnośćproducenta78% 72% 53% 65% 74% 67% 84% 72% 67%73

Analizując otrzymane wyniki potwierdziło się tak samo jak w przypadku danychśredniorozdzielczych LANDSAT, iż klasyfikacja przeprowadzona na danychwysokorozdzielczych IKONOS metodą największego prawdopodobieństwa jestnajbardziej dokładna. Podobnie jak w przypadku danych średniorozdzielczychnajlepszy wynik uzyskano, gdy brano pod uwagę 99% pikseli istniejących na obrazie.Widoczna różnica pomiędzy danymi z satelity LANDSAT oraz IKONOS jest główniezwiązana z tym, iż dane wysokorozdzielcze IKONOS są bardziej dokładne (piksel 4metry), dzięki temu otrzymano lepszy wynik klasyfikacji jak również łatwiej możnabyło zinterpretować dane.Rys. 4.20. Mapa pokrycia po procesie klasyfikacji metodą MAXLIKE. Danewysokorozdzielcze z satelity IKONOS.W pozostałych metodach najlepszy wynik klasyfikacji dla danych z satelityLANDSAT wyniósł odpowiednio 58% dla metody najmniejszej odległości i 57% dlametody równoległościanów. Porównanie wyników otrzymanych na danych z satelityLANDSAT przedstawiono na wykresie poniżej (Wyk. 4.3). Natomiast najlepsze wynikidla danych średniorozdzielczych uzyskane podczas pozostałych metod klasyfikacjinadzorowanej przedstawiono w załączniku (Załącznik 3) w formie wykresów oraz74

tabel, jak również pokazano najlepsze mapy pokrycia terenu powstałe podczas procesuklasyfikacji.W przypadku danych wysokorozdzielczych z satelity IKONOS w metodzienajmniejszej odległości wynik wyszedł 51%, zaś w metodzie równoległościanów 50%.Dokładne wyniki z obu metod klasyfikacji przedstawiono w załączniku (Załącznik 4).Wyniki pokazano w formie wykresów, tabel oraz map pokrycia terenu. Porównaniewyników ze wszystkich trzech metod klasyfikacji przedstawiono na wykresie poniżej(Wyk. 4.4).Wykres. 4.3. Najlepsze wyniki otrzymane podczas klasyfikacji nadzorowanejróżnymi metodami – dane z satelity LANDSAT.Wykres. 4.4. Najlepsze wyniki otrzymane podczas klasyfikacji nadzorowanejróżnymi metodami – dane z satelity IKONOS.75

4.4. Porównanie wyników i tworzenie mapy końcowejSzczegółowe porównanie wyników uzyskanych z satelity LANDSAT jaki IKONOS wymagało odpowiedniego przygotowania danych średniorozdzielczych.Zanim przystąpiono do porównywania obu zestawów danych należało sprawić, abyobrazy miały wspólne pokrycie, ponieważ do tej pory dane nie pokrywały się ze sobą.Dane średniorozdzielcze różnią się od danych wysokorozdzielczych wielkością pikselai dlatego musiało się odbyć wcześniejsze przygotowanie danych LANDSAT. W celuprawidłowego porównania obrazów niezbędna jest zgodność wielkości pikseli do tzw.algebry map.Za pomocą funkcji REFORMAT EXPAND oraz CONTRACT zmienionopiksele 30m na 4m zgodnie z wielkością i położeniem z obrazem IKONOS (Rys. 4.21).Następnie, po użyciu opcji WINDOW, przycięto obraz z satelity LANDSAT w takisposób, aby miał taki sam obszar jak obraz z satelity IKONOS (Rys. 4.22).Rys. 4.21. Fragment sceny LANDSAT o wspólnym pokryciu z obrazem z satelityIKONOS.76

Rys. 4.22. Scena z satelity IKONOS.Otrzymane obrazy w wyniku klasyfikacji nadzorowanej metodą MAXLIKEporównano ze sobą za pomocą funkcji GIS ANALYSIS DATABASE QUERY CROSSTAB. Opcja ta pozwoliła na wygenerowanie obrazu, dzięki któremu możnabyło porównać ze sobą w dokładny sposób mapy pokrycia terenu otrzymanez obydwóch satelitów i zauważyć, które klasy pokrycia terenu odbiegają od siebie,a które nakładają się. Zauważono również, iż prawdopodobnie niektóre klasy pokryciaterenu z danych LANDSAT można wykorzystać i połączyć z klasami z danychIKONOS.Podczas analizowania obrazów zauważono na danych IKONOS, iż w wynikuklasyfikacji na mapie użytkowania terenu duża ilość pikseli występujących w centrummiasta została zaklasyfikowana jako wody oraz zabudowę rozproszoną. Jest to błędnainterpretacja, gdyż w centrum Krakowa jest znikome występowanie wody, oraz bardzomało jest zabudowy rozproszonej. Stało się tak ponieważ widać w centrum głębokiecienie, które program zaklasyfikował jako tereny, na których występuje woda(Rys. 4.23). Dzięki porównaniu tych wyników z danymi z satelity LANDSATzauważono, iż program lepiej w tym przypadku zaklasyfikował dane z tego właśniesatelity. Spróbowano połączyć oba zestawy danych i wyodrębnić jedną poprawnąmapę.77

Obszary w centrum miasta,które program zaklasyfikowałjako wody, a nie zabudowęzwartą.Rys. 4.23. Obraz z satelity IKONOS z widocznymi w centrum terenamizaklasyfikowanymi jako wody (kolor niebieski).W pierwszej kolejności za pomocą funkcji RECLASS tereny występujące naobrazie z satelity IKONOS jako wody przypisano jako ‘zabudowa zwarta’ występującana danych LANDSAT. Następnie za pomocą funkcji IMAGE CALCULATORpołączono ze sobą, wykorzystując funkcję MAX, obraz z satelity IKONOS wrazz obrazem z wcześniej poprawioną kategorią „zabudowa zwarta”. Poniżejzaprezentowano różnicę pomiędzy danymi LANDSAT i IKONOS (Rys. 4.24a i b).Na fragmencie obrazu z satelity IKONOS widać wyraźnie występowanie wodyw centrum miast, czego nie widać albo widać, ale w bardzo małym stopniu, na danychLANDSAT. W końcowym efekcie (Rys. 4.24c) otrzymano obraz, na którymzauważono nie tylko poprawę wizualną, gdzie w bardzo małym stopniu występuje wodaw centrum miasta, ale również zauważono różnicę w wynikach procentowychklasyfikacji. Potwierdza to analiza oparta o macierz błędów proporcjonalnych i plikprawdy terenowej. Wynik klasyfikacji dzięki pomocy danych z satelity LANDSATpoprawiono z 67% do 73%. Otrzymaną mapę pokrycia terenu wraz z dokładnymiwynikami klasyfikacji przedstawiono w załączniku (Załącznik 5).78

A. B. C.Rys. 4.24. A) IKONOS, B) LANDSAT, C) IKONOS + LANDSATMożna zatem stwierdzić, iż zintegrowanie wyników klasyfikacji obrazuz satelity IKONOS wraz z LANDSATEM poprawiło rezultaty uzyskane naposzczególnych zestawach danych, a co za tym idzie otrzymano mapępokrycia/użytkowania terenu o wyższej wiarygodności. Warto zauważyć, że dziękizaprezentowanej wyżej metodzie, potwierdza się fakt, że obrazy wysokorozdzielcze niesą danymi doskonałymi, a nawet nie zawsze „eliminują” przydatność obrazówśredniorozdzielczych, takich jak LANDSAT.Kolejnym testem możliwości poprawy uzyskanej mapy pokrycia/użytkowaniaterenu była próba zwiększenia ilości klasyfikowanych kategorii. Po przeanalizowaniuprzyjętego schematu klasyfikacyjnego podjęto próbę wydzielenia kategorii„tory kolejowe”. Wykorzystano w tym celu zarówno dane z satelity LANDSAT jaki IKONOS. W obu przypadkach użyto wcześniej zaznaczone pola treningowe orazpunkty kontrolne, do których dodano pola i punkty dla nowej klasy (tory kolejowe).W końcowym etapie za pomocą funkcji ERRMAT porównano pliki prawdy terenowejz otrzymanymi obrazami, które zostały wygenerowane podczas klasyfikacjinadzorowanej metodą MAXLIKE dla 99% pikseli na obrazie.Zauważono, iż w przypadku danych wysokorozdzielczych IKONOS wynikklasyfikacji wzrósł w porównaniu z wcześniejszym wynikiem o 7% i wyniósł 74%.W przypadku danych średniorozdzielczych zanotowano nieznaczne pogorszenie -z 62% wynik klasyfikacji spadł do 60% (Wykres 4.5).79

Wykres. 4.5. Porównanie wyników klasyfikacji przed i po dodaniu 9-tej kategorii.W tym przypadku widać wyraźną przewagę danych wysokorozdzielczych naddanymi średniorozdzielczymi. Wysokorozdzielcze dane satelitarne są bardziej dokładnedzięki czemu potencjalnie możliwe jest wyznaczenie większej ilości klas pokryciaterenu oraz można z większą wiarygodnością przygotować próbkę weryfikacyjną.Na poniższych zdjęciach widać wyraźnie, iż program bez większych problemówporadził sobie z oddzieleniem kategorii jaką są tory kolejowe dla danych z satelityIKONOS (Rys. 4.25a). Dla porównania, w przypadku danych średniorozdzielczych,program napotkał problem z dokładnym oddzieleniem klasy „tory kolejowe”(Rys. 4.25b). Widać nie tylko brak w niektórych miejscach rozpoznania pikselii przypisania ich do odpowiedniej klasy pokrycia terenu, ale również widać, iż programtereny na których występują tory kolejowe zaklasyfikował do innych klas.Dla porównania na zdjęciu z portalu Google Maps widać wyraźnie, iż na analizowanymfragmencie obrazu występują dwie osobne trakcje kolejowe oddzielone peronem(Rys. 4.26).80

A.Widoczne na zdjęciuoddzielone pasemzieleni trakcjekolejoweB.Błędne przypisaniepikseli do klasy„tory kolejowe”Brak możliwościzauważenia dwóchosobnych trakcjikolejowychRys. 4.25. A) IKONOS, B) LANDSAT.Rys. 4.26. Zdjęcie z portalu Google Maps przedstawiające analizowany fragment.81

W przypadku danych wysokorozdzielczych IKONOS po dodaniu 9-tej kategoriikontynuowano doświadczenie i próbowano poprawić wynik klasyfikacji, który poprzeprowadzonej próbie wyniósł 74%.Otrzymany obraz w wyniku klasyfikacji nadzorowanej metodą największegoprawdopodobieństwa (MAXLIKE) poprawiono danymi średniorozdzielczymiLANDSAT, gdyż tak jak wcześniej testowano dzięki takiemu zabiegowi wynikklasyfikacji również można było poprawić o kilka procent. Próba ta również w tymprzypadku powiodła się i wynik klasyfikacji z 74% wzrósł do 81%, zaś dokładny wynikprzedstawiono w tabeli (Tab. 4.4), gdzie pokazano przynależność pikseli do wszystkichklas pokrycia terenu.Tab. 4.4. Wynik klasyfikacji metodą MAXLIKE – najlepszy uzyskany wynik.1 2 3 4 5 6 7 8 9 ƩDokładnośćużytkownika1 27 1 0 0 0 0 0 0 0 28 95%2 2 47 3 0 0 0 0 0 0 52 90%3 0 3 16 1 0 5 0 6 2 33 50%4 0 0 0 24 1 0 0 0 0 25 95%5 0 0 0 4 26 0 1 0 0 31 84%6 0 0 2 0 0 28 0 0 0 30 93%7 0 2 2 3 0 2 27 0 3 39 70%8 0 0 0 0 0 0 0 24 0 24 95%9 2 1 5 0 3 1 0 2 18 32 58%Ʃ 31 54 28 32 30 45 37 25 23 294Dokładnośćproducenta87% 87% 57% 75% 87% 67% 84% 72% 78% 81%Tabele, wykresy oraz obrazy, które przedstawiono pokazują wyraźnie nie tylkoprzewagę zdjęć o lepszej rozdzielczości, ale również pokazano w jaki sposób możnapołączyć oba zestawy analizowanych w niniejszej pracy danych. Pomimo różnicpomiędzy analizowanymi danymi można stwierdzić, iż warto poddać nawet te samedane dalszym doświadczeniom związanym chociaż z wyodrębnieniem większej ilościklas pokrycia terenu. Ponieważ jak widać na przeprowadzonych doświadczeniachwynik klasyfikacji obrazów wzrastał przy dodawaniu do obrazu wysokorozdzielczegoIKONOS dodatkowej kategorii, a poprawiając dodatkowo otrzymany wynik danymiśredniorozdzielczymi LANDSAT uzyskano jeszcze lepszy wynik.82

ROZDZIAŁ 5PODSUMOWANIE I WNIOSKIPodsumowując niniejszą pracę, w której badano możliwości wykorzystaniadanych satelitarnych – średniorozdzielczych LANDSAT oraz wysokorozdzielczychIKONOS – do opracowania mapy pokrycia/użytkowania terenu stosując do tego trzymetody klasyfikacji nadzorowanej można stwierdzić, iż otrzymane wyniki okazały sięzgodne z teorią i studiami literaturowymi, jak również pokryły się z założeniami.W części pierwszej pracy według literatury założono, iż najlepszy wynik klasyfikacjinadzorowanej, biorąc pod uwagę trzy najczęściej stosowane metody, można otrzymaćdzięki metodzie największego prawdopodobieństwa. Przetestowano dokładniewszystkie trzy metody biorąc pod uwagę różne parametry. Pomimo wielu próbnajlepszy uzyskany wynik należał do wyżej wymienionej metody.W części teoretycznej pracy opisano również systemy obrazowania, bez którychnie byłoby dostępu do danych satelitarnych, które wykorzystano w analizach.Porównano ze sobą dane średniorozdzielcze LANDSAT oraz wysokorozdzielczeIKONOS, gdzie opierając się na literaturze zakładano, iż lepsze wyniki klasyfikacjipowinno otrzymać się dzięki klasyfikacji obrazów wysokorozdzielczych.Potwierdziło się to, ponieważ lepszy wynik w ramach niniejszych prac uzyskano dladanych IKONOS. Warto jednak zaznaczyć, iż LANDSAT niewiele odbiega od swojego„konkurenta” i różnica pomiędzy satelitami wyniosła około 5%. Zauważono, analizującwyniki klasyfikacji, iż niektóre z kategorii w przypadku danych średniorozdzielczych –z racji tego, że odzwierciedlają bardziej zgeneralizowane formy pokrycia terenu –prezentują się lepiej niż w przypadku danych wysokorozdzielczych. Zatem istotnymwnioskiem z prowadzonych testów jest fakt, iż dzięki integracji danych LANDSATz danymi IKONOS poprawiono o 6% wynik klasyfikacji bazujący tylko na danychwysokorozdzielczych, a w przypadku dodania kategorii tory kolejowe o 7%.Przed przystąpieniem do analizowania wyników i porównywania ze sobąobrazów otrzymanych w wyniku klasyfikacji nadzorowanej, dane należało poddaćprzygotowaniu. Dane nie nakładały się na siebie i należało doprowadzić je dowspólnego układu współrzędnych, gdzie jako obraz referencyjny posłużył obrazLANDSAT, ponieważ był on skalibrowany w układzie 1992. Kalibracja danych83

IKONOS była niezbędna, a przy okazji kalibracji pozbyto się problemu jaki stanowiływystępujące na analizowanym obszarze chmury. Przycięto również po zabiegukalibracji danych fragment obrazu, na którym występowały „zanieczyszczenia”spowodowane występowaniem chmur.W końcowym etapie analizy otrzymanych wyników w przypadkuszczegółowego porównania obu zestawów danych oraz próby ich komplementarnegowykorzystania pojawił się problem ze zgodnością wielkości piksela, ponieważ danez satelity LANDSAT (piksel 30m) różnią się od danych IKONOS (piksel 4m). Z tegopowodu zmieniono dla danych średniorozdzielczych wielkość piksela i dzięki temumożna było – bazując na algebrze map – dokładnie porównać oba zestawy danychnakładając je na siebie.Zauważono, iż otrzymane wyniki danych IKONOS nie są idealne ponieważczęść pikseli występujących np. w centrum miasta zostało błędnie zaklasyfikowanychdo poszczególnych klas. Zamiast klasy pokrycia terenu „zabudowa zwarta” dużo pikselinależało klasy o nazwie „wody”. Spróbowano zatem wyodrębnić z danych LANDSATjedną z klas pokrycia terenu i poprawić błędy otrzymane przez wysokorozdzielcze dane.Otrzymany rezultat po tej operacji nie był zaskoczeniem, gdyż otrzymano jeszczelepszy wynik klasyfikacji. Można zatem stwierdzić, iż zintegrowanie obu wynikówklasyfikacji poprawiło rezultaty uzyskane na poszczególnych zestawach danych.Otrzymano dzięki temu mapę pokrycia/użytkowania terenu o wyższej wiarygodności.Warto w tym przypadku zauważyć, że obrazy wysokorozdzielcze nie są danymi na tyle„doskonałymi”, aby zawsze „eliminować” przydatność obrazów średniorozdzielczych,takich jak LANDSAT.Kolejnym etapem niniejszej pracy była próba wyodrębnienia większej ilości klaspokrycia terenu poprzez stworzenie dodatkowej klasy, jak również zintegrowanieanalizowanych danych w celu poprawy otrzymanych wyników. W przypadku danychwysokorozdzielczych zauważono zdecydowaną poprawę wyniku po dodaniu klasyo nazwie „tory kolejowe”. Poprawa wyniku wiąże się z tym, iż dane z satelity IKONOSsą bardziej dokładne niż LANDSAT, a co za tym idzie, można próbować wyodrębnićwięcej klas pokrycia terenu nie tracąc tym samym na dokładności klasyfikacji.Inaczej w tym doświadczeniu zachowały się dane średniorozdzielcze, które w związkuz mniejszą dokładnością niż dane wysokorozdzielcze, przyczyniają się do pogorszeniawyniku w przypadku próby wyodrębnienia dodatkowej klasy. Przeprowadzone wstępne84

testy potwierdzają więc kolejną przewagę zdjęć satelitarnych IKONOS nad zdjęciamiz satelity LANDSAT.Poniżej zaprezentowano podsumowanie wszystkich otrzymanych rezultatóww wyniku klasyfikacji nadzorowanej obrazów wielospektralnych metodą największegoprawdopodobieństwa w konfrontacji danych średniorozdzielczych LANDSAT z danymiwysokorozdzielczymi IKONOS w formie wykresu (Wyk. 5.1). Wykres przedstawiawyniki jakie otrzymano podczas przeprowadzonych doświadczeń. Na wykresie widaćrównież wyraźną przewagę danych IKONOS nad danymi LANDSAT.Wykres 5.1. Porównanie wyników klasyfikacji – dodanie nowej kategorii orazzintegrowanie danych IKONOS z danymi LANDSAT.Dzięki powyższym doświadczeniom wykazano zarówno różnice uzyskiwanepodczas klasyfikacji nadzorowanej trzema metodami pomiędzy danymiśredniorozdzielczymi LANDSAT oraz wysokorozdzielczymi IKONOS, jak równieżpotencjał ich integracji na drodze reguł decyzyjnych.Poniżej na rysunku (Rys. 5.1) przedstawiono mapę pokrycia terenu fragmentuaglomeracji krakowskiej, którą udało się uzyskać dzięki klasyfikacji nadzorowanejmetodą największego prawdopodobieństwa oraz dzięki zabiegom wyodrębnienia85

nowych klas pokrycia terenu wraz z integracją danych wysokorozdzielczych z satelityIKONOS z danymi średniorozdzielczymi z satelity LANDSAT.Podsumowując wszystkie przeprowadzone analizy widać przewagę zdjęćwysokorozdzielczych z satelity IKONOS nad zdjęciami LANDSAT, natomiast wartopodkreślić, iż IKONOS nie jest doskonały. Przeprowadzone doświadczenia pokazałyrównież, iż dane średniorozdzielcze LANDSAT także są przydatne. Widać tonajdokładniej po rezultatach jakie otrzymano podczas doświadczeń, gdykomplementarnie wykorzystano oba analizowane zestawy danych.Zagadnienie klasyfikacji nadzorowanej, a także innych metod automatycznegorozpoznawania treści obrazów, w analizie różnych zestawów danych satelitarnychstwarza nowe możliwości opracowywania map pokrycia terenu. Wydaje się celoweprzeprowadzenie dalszych badań w tym kierunku, w celu dogłębnej analizyi zrozumienia zagadnienia.Zdobyta przez autora pracy wiedza teoretyczna oraz aktywność na polubadawczym przyczyniła się do lepszego zrozumienia tematyki związanejz opracowaniem mapy pokrycia/użytkowania terenu w oparciu o klasyfikację danychwielospektralnych LANDSAT i IKONOS. Zawarte w pracy uwagi i spostrzeżeniaw dużym stopniu opierają się na przytoczonej wiedzy teoretycznej i wynikachprzeprowadzonych badań, które dotyczyły poruszonego tematu.Autor pracy wyraża nadzieję, że choć w małym stopniu przybliżył problematykęporuszonego tematu i zobrazował różnicę pomiędzy analizowanymi danymiśredniorozdzielczymi z satelity LANDSAT oraz danymi wysokorozdzielczymiz satelity IKONOS.86

Rys. 5.1. Mapa pokrycia/użytkowania terenu uzyskana w drodze klasyfikacji nadzorowanej obrazów oraz połączenia ze sobą danychIKONOS i LANDSAT wraz z wyodrębnioną nową kategorią tory kolejowe.87

LITERATURAAdamczyk J., Będkowski K., 2007, „Metody cyfrowe w teledetekcji”, Warszawa;Badurska M., Drzewiecki W., Tokarczyk P., 2009, „Mapy podstawowych form pokryciai użytkowania terenu zlewni Raby powyżej Zbiornika Dobczyckiego – porównaniedokładności klasyfikacji pikselowej i obiektowej obrazów LANDSAT TM”, TeledetekcjaŚrodowiska Nr.42, Warszawa;Bernasik J., 2000, „Elementy fotogrametrii i teledetekcji”, Kraków;Bujakiewicz A., Jachimski J., 2001, „Fotogrametria i teledetekcja, a geoinformatyka”,Ogólnopolskie Sympozjum Geoinformacji: Geoinformacja zintegrowanym narzędziembadań przestrzennych, Wysowa 2001;Ciołkosz A., Kęsik A., 1989, „Teledetekcja satelitarna”, Warszawa;Ciołkosz A., Bielecka E., 2005, „Pokrycie terenu w Polsce. Bazy danych CORINE LandCover”, Warszawa;CORINE Land Cover Technical Guide, 1993, „Office for Official Publications ofEuropean Communities”, Brussels, Luxembourg;Hejmanowska B., 1997, „Metody klasyfikacji obrazu. Mapy pokrycia/użytkowaniaterenu. Pomiary właściwości spektralnych obiektu”, Archiwum Fotogrametrii,Kartografii i Teledetekcji Nr.7, Kraków;Iwaniak A., Krówczyńska M., Paluszyński W., 2002, „Użycie sieci neuronowych doklasyfikacji obszarów miejskich na zdjęciach satelitarnych”, Czasopismo Naukowe,Acta Scientiarum Polonorum, s. Geodesia et Descriptio Terrarum, Vol. 1 No. 1-2,Wrocław;Jędrychowski J., Pyka K., Sokołowski J., 1998, „Wykorzystanie danychteledetekcyjnych i kartograficznych dla potrzeb opracowania mapy użytkowania wkomputerowym atlasie województwa krakowskiego”, Archiwum Fotogrametrii,Kartografii i Teledetekcji Nr.8, Kraków;Kaczyński R., Klewski A., Przyborski M., Sacha P., Sanecki J., Sędziak G., 2006,„Teledetekcja: pozyskiwanie danych”, Warszawa;88

Kmieć B., 2010, „Techniki teledetekcji w gospodarce przestrzennej”; GórnośląskieStudia Regionalne Nr.2, Katowice;Kostrowicki J., 1959, „Badania nad użytkowaniem ziemi w Polsce”, PrzeglądGeograficzny Nr.31;Kubik T., Paluszyński W., Iwaniak A., Tymków P., 2008, „Klasyfikacja obrazówrastrowych z wykorzystaniem sztucznych sieci neuronowych i statystycznych metodklasyfikacji”, Wydawnictwo Uniwersytetu Przyrodniczego we Wrocławiu, Wrocław;Kurczyński Z., 2006, „Lotnicze i satelitarne obrazowanie Ziemi”, Warszawa;Mahesh P., Mather P. M., 2006, „Some issues in the classification of DAIShyperspectral data”, International Journal of Remote Sensing, Nr.27;Mather P.M., 2004, „Computer Processing of Remotely-Sensed Images AnIntroduction”, Wiley;Mierzwa W., 2003, „Fotogrametryczne skanery i obrazy cyfrowe”, w: Elementyfotogrametrii i teledetekcji (autor: Bernasik J.), wyd. 2 uzup., Kraków;Mierzwa W., 2003, „Klasyfikacja treści cyfrowych obrazów satelitarnych”, w:Elementy fotogrametrii i teledetekcji (autor: Bernasik J.), wyd. 2 uzup., Kraków;Mierzwa W., 2003, „Przetwarzanie teledetekcyjnych obrazów cyfrowych”, w: Elementyfotogrametrii i teledetekcji (autor: Bernasik J.), wyd. 2 uzup., Kraków;Mularz S., Rutkowski J., 1995, „Zastosowanie teledetekcji w ochronie środowiska”,Ochrona środowiska przyrodniczego i zasobów naturalnych, CPPGSMiE PAN,Kraków;Mularz S., 1998, „Charakterystyka zdjęć lotniczych i obrazów satelitarnych podwzględem ich treści informacyjnej oraz ich charakterystyka kartometryczna”, Skryptprzygotowany na zamówienie Głównego Geodety Kraju w ramach projektu PHAREPL.92-02-04/II przez Zakład Fotogrametrii i Informatyki Teledetekcyjnej AGH orazWojewódzki Ośrodek Dokumentacji Geodezyjno-Kartograficznej, Kraków-Sieradz,Mularz S., 2004, „Podstawy teledetekcji. Wprowadzenie do GIS.”, Kraków;Olesiuk D., Zagajewski B., 2008, „Wykorzystanie obrazów hiperspektralnychdo klasyfikacji pokrycia terenu zlewni Bystrzanki”, Teledetekcja Środowiska Nr.40,Warszawa;89

Pazdro A., 2006, „Wykrywanie zmian w aglomeracji krakowskiej na podstawiewieloczasowych obrazów satelitarnych”, praca dyplomowa AGH, niepublikowana,Kraków;Richards J., 2006, „Remote Sensing Digital Image Analysis An Introduction”,Birkhäuser;Sitek Z., 1997, „Obrazy z komercyjnych satelitarnych systemów obserwacyjnych Ziemi iGIS w fotogrametrii cyfrowej”, Kraków;Sitek Z., Mierzwa W., 1998, „Przegląd rodzajów zdjęć lotniczych i satelitarnych”,Skrypt przygotowany na zamówienie Głównego Geodety Kraju w ramach projektuPHARE PL.92-02-04/II przez Zakład Fotogrametrii i Informatyki Teledetekcyjnej AGHoraz Wojewódzki Ośrodek Dokumentacji Geodezyjno-Kartograficznej, Kraków-Sieradz,Sitek Z., 2000, Wprowadzenie do teledetekcji lotniczej i satelitarnej”, Kraków;Stamp L.D., 1960, „Commission on a World Land Use Survey”, IGU Bulletin XI,London;Stelmaszczuk M., Wołk-Musiał E., 2008, „Metodyka przetwarzania oraz ocenaprzydatności zdjęć termalnych wykonanych przez satelitę Landsat w badaniachgeologicznych”, Teledetekcja Środowiska Nr.39, Warszawa;Szczasiuk G., 2011, „Przetwarzanie obrazów wielospektralnych po mergingu: Ocenamożliwości stosowania standardowych procedur wzmacniania i pozyskiwaniainformacji”, praca dyplomowa AGH, niepublikowana, Kraków;Szporak S., Chormański J., 2004, „Zastosowanie normalizacji obrazu i transformacjiskładowych głównych PCA do wyznaczenia typu pokrycia terenu na zobrazowaniachsatelitarnych LANDSAT 7 ETM+ podczas wezbrań w Basenie Dolnym Biebrzy”,Przegląd Naukowy, Inżynieria i Kształtowanie Środowiska, Warszawa;Zagajewski B., 2007, „Satelitarne obserwacje Ziemi w badaniach naukowych”, Katalogzastosowań technik satelitarnych w Polsce, Warszawa;90

NETOGRAFIA[1] http://clc.gios.gov.pl/index.php?IdCss=0&IdStr=1228813526, dostęp 18.12.2011;[2] http://landsat.usgs.gov, dostęp 4.06.2011;[3] http://landsat.gsfc.nasa.gov/about/history.html, dostęp 4.06.2011;[4] http://www.kosmonauta.net/index.php/Misje-bezzalogowe/Orbitalne/landsat-5-zagrozony.html; dostęp 18.12.2011[5] http://landsat.gsfc.nasa.gov/about/landsat7.html, dostęp 4.06.2011;[6] http://landsat.usgs.gov/about_landsat7.php, dostęp 10.06.2011;[7] http://ldcm.nasa.gov/mission_details.html, dostęp 10.06.2011;[8] http://www.nasa.gov/mission_pages/landsat/overview/index.html, dostęp10.06.2011;[9] http://landsat.gsfc.nasa.gov/about/ldcm.html, dostęp 10.06.2011;[10] http://geoforum.pl/archiwum/1999/55text2.htm, dostęp 8.06.2011;[11] http://www.gisplay.pl/nawigacja-satelitarna/nawigacja-satelitarna-nowosci/185-ikonos.html, dostęp 8.06.2011;[12] http://www.skyscrapercity.com/showthread.php?t=519638&page=; dostęp28.01.21012;[13] http://www.spaceandtech.com/spacedata/logs/2001/2001-047a_quickbird-2_sumpub.shtml, dostęp 28.01.2012;91

ZAŁĄCZNIKI:Załącznik 1.Rys. 1.1. Skalibrowany obraz z satelity IKONOS (kanał niebieski) wraz z obszarem zdjęć satelity LANDSAT.92

Załącznik 2.Rys. 2.1. Sygnatury klas na kompozycji barwnej 123 z satelity IKONOS – po opcji DIGITIZE.93

Załącznik 3. Wyniki klasyfikacji nadzorowanej w metodzie PIPEDoraz MINDIST – dane z satelity LANDSAT.Wykres 3.1. Zestawienie wszystkich wyników klasyfikacji w metodzierównoległościanów - PIPED.Tab. 3.1. Najlepszy otrzymany wynik klasyfikacji nadzorowanej metodą PIPED.1 2 3 4 5 6 7 8 ƩDokładnośćproducenta1 30 0 0 0 0 0 0 1 31 97%2 7 31 3 2 1 4 0 10 58 54%3 0 30 41 23 0 4 8 4 110 38%4 0 1 2 23 5 0 0 0 31 75%5 0 0 0 0 23 0 0 0 23 100%6 0 3 5 1 0 31 3 2 45 69%7 1 1 21 11 0 0 49 5 88 55%8 3 2 14 10 3 0 17 36 85 43%Ʃ 41 68 86 70 32 39 77 58 471Dokładnośćużytkownika74% 46% 48% 33% 74% 80% 63% 64% 57%94

Wykres 3.2. Zestawienie wszystkich wyników klasyfikacji w metodzie najmniejszejodległości - MINDIST.Tab. 3.2. Najlepszy otrzymany wynik klasyfikacji nadzorowanej metodą MINDIST.1 2 3 4 5 6 7 8 ƩDokładnośćproducenta1 37 1 0 0 0 0 0 4 42 89%2 1 37 4 0 1 0 1 7 51 73%3 0 19 40 15 0 9 10 1 94 43%4 1 0 15 34 5 0 18 9 82 42%5 2 8 9 8 26 0 0 2 55 48%6 0 0 2 0 0 24 2 3 31 78%7 0 0 13 12 0 1 45 4 75 60%8 0 3 3 1 0 5 1 28 41 69%Ʃ 41 68 86 70 32 39 77 58 471Dokładnośćużytkownika90% 55% 47% 49% 81% 62% 59% 49% 58%95

Rys. 3.1. Mapa pokrycia terenu po metodzie równoległościanów – PIPED. Dane LANDSAT.96

Rys. 3.2. Mapa pokrycia terenu po metodzie najmniejszej odległości – MINDIST. Dane LANDSAT.97

Załącznik 4. Wyniki klasyfikacji nadzorowanej w metodzie PIPEDoraz MINDIST – dane z satelity IKONOS.Wykres 4.1. Zestawienie wszystkich wyników klasyfikacji w metodzierównoległościanów - PIPED.Tab. 4.1. Najlepszy otrzymany wynik klasyfikacji nadzorowanej metodą PIPED.1 2 3 4 5 6 7 8 ƩDokładnośćproducenta1 23 1 0 0 0 0 0 0 24 96%2 7 21 4 3 2 1 1 5 44 48%3 1 7 10 0 2 7 3 1 31 32%4 0 0 0 3 0 0 0 0 3 100%5 0 0 0 2 24 0 1 0 27 89%6 0 1 5 0 0 23 0 0 29 79%7 3 5 6 25 1 7 28 7 82 34%8 2 4 7 7 6 7 4 12 49 24%Ʃ 36 39 32 40 35 45 37 25 289Dokładnośćużytkownika64% 54% 31% 8% 69% 51% 76% 48% 50%98

Wykres 4.2. Zestawienie wszystkich wyników klasyfikacji w metodzie najmniejszejodległości - MINDIST.Tab. 4.2. Najlepszy otrzymany wynik klasyfikacji nadzorowanej metodą MINDIST.1 2 3 4 5 6 7 8 ƩDokładnośćproducenta1 31 7 0 2 3 0 0 0 43 72%2 1 16 8 0 0 1 1 1 28 57%3 0 5 5 1 3 9 2 0 25 20%4 1 1 0 21 0 1 5 0 29 73%5 0 0 0 7 29 1 1 0 38 76%6 0 2 10 0 0 28 1 1 42 67%7 3 1 4 4 0 4 4 11 31 13%8 0 7 5 5 0 1 23 12 53 23%Ʃ 36 39 32 40 35 45 37 25 289Dokładnośćużytkownika86% 41% 16% 53% 83% 62% 11% 48% 51%99

Rys. 4.1. Mapa pokrycia terenu po metodzie równoległościanów – PIPED. Dane IKONOS.100

Rys. 4.2. Mapa pokrycia terenu po metodzie najmniejszej odległości – MINDIST. Dane IKONOS.101

Załącznik 5. Mapa pokrycia/użytkowania terenu podczas połączenia wyniku klasyfikacji danych IKONOS zkategorią zabudowa zwarta satelity LANDSAT.102