Praca Dyplomowa - AGH

More documents

Recommendations

Info

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
Page 2 and 3:
Podziękowania2
Page 6 and 7:
4.2. Klasyfikacja nadzorowana......
Page 9:
ROZDZIAŁ 1OBRAZY SATELITARNE JAKO
Page 14 and 15:
Pierwszą z ważnych cech obrazu je
Page 16 and 17:
„Wyrównanie histogramu (ang. his
Page 18 and 19:
odróżnienia wraz z rozpoznaniem o
Page 20 and 21:
wielospektralnych jako wyodrębnien
Page 23 and 24:
Rys. 1.10. Wykres przedstawiający
Page 25 and 26:
prawdopodobną wartość dla danej
Page 27 and 28:
(Adamczyk, Będkowski, 2007), a jej
Page 29 and 30:
parametrów sterujących tak, że p
Page 31 and 32:
1.3. Produkty klasyfikacjiPodstawow
Page 33 and 34: Wreszcie na poziomie trzecim wyró
Page 35 and 36: meteorologicznych wystarczające do
Page 37 and 38: satelitów LANDSAT, która trwa po
Page 39 and 40: Wszystkie z trzech pierwszych satel
Page 41 and 42: LANDSAT należą do najpowszechniej
Page 43 and 44: na rysunku 2.5., którego producent
Page 45 and 46: wielospektralne w czterech kanałac
Page 47 and 48: Rok uruchomieniapanchromatyczny(pan
Page 49 and 50: ROZDZIAŁ 3OBSZAR TESTOWY I DANE WY
Page 51 and 52: 3.3. Oprogramowanie - IDRISI 32, ID
Page 53 and 54: ROZDZIAŁ 4KLASYFIKACJA PIKSELOWA O
Page 55 and 56: Tab. 4.1. Charakterystyka klas pokr
Page 57 and 58: wymaganej przez program Idrisi, wpi
Page 59 and 60: Rys. 4.9. Obraz z satelity IKONOS s
Page 61 and 62: W kolejnym etapie tworzenia punktó
Page 63 and 64: Rys. 4.11. Obszary testowe (zdj. lo
Page 65 and 66: Rys. 4.13. Próbka weryfikacyjna LA
Page 67 and 68: 1.7, 1.8, 1.9, 2.0, 2.1, 2.2, 2.3,
Page 69 and 70: Bazując na ośmiu kategoriach moż
Page 71 and 72: Wykres. 4.1. Ocena dokładności kl
Page 73 and 74: w klasyfikacji nadzorowanej obrazó
Page 75 and 76: tabel, jak również pokazano najle
Page 77 and 78: Rys. 4.22. Scena z satelity IKONOS.
Page 79 and 80: A. B. C.Rys. 4.24. A) IKONOS, B) LA
Page 81 and 82: A.Widoczne na zdjęciuoddzielone pa
Page 83: ROZDZIAŁ 5PODSUMOWANIE I WNIOSKIPo
Page 87 and 88: Rys. 5.1. Mapa pokrycia/użytkowani
Page 89 and 90: Kmieć B., 2010, „Techniki telede
Page 91 and 92: NETOGRAFIA[1] http://clc.gios.gov.p
Page 93 and 94: Załącznik 2.Rys. 2.1. Sygnatury k
Page 95 and 96: Wykres 3.2. Zestawienie wszystkich
Page 97 and 98: Rys. 3.2. Mapa pokrycia terenu po m
Page 99 and 100: Wykres 4.2. Zestawienie wszystkich
Page 101 and 102: Rys. 4.2. Mapa pokrycia terenu po m
show all

Praca Dyplomowa - AGH

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?