SROVNÁNÍ VYBRANÝCH METOD DIGITÁLNÍ KLASIFIKACE … · Interpretace obrazových dat dálkového průzkumu země slouží již desítky let jako cenný pomocný nástroj v hospodářské

279

ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS

SBORNÍK MENDELOV Y ZEMĚDĚLSKÉ A LESNICKÉ UNIV ERZITY V BRNĚ

Ročník LVI 35 Číslo 5, 2008

SROVNÁNÍ VYBRANÝCH METOD DIGITÁLNÍ KLASIFIKACE DŘEVINNÉ

SKLADBY Z LETECKÝCH SNÍMKŮ

M. Gabzdyl

Došlo: 26. října 2007

Abstract

GABZDYL, M.: Comparison of the tree species select classifi cation methods from aerial photo. Acta univ. agric. et silvic. Mendel. Brun., 2008, LVI, No. 5, pp. 279–292

This article describes a comparison of various programs for the automatic supervised classifi cation used for identifi cation of forest tree species representation from the aerial photographs. These pro-grams were represented by American so� ware Erdas Imagine 8.4, Czech products LuciaG 4.0 and TopoL DMT 6.014. The study displays a minor production forest area with proportion of four most frequently occurring tree species – spruce, larch, oak and ash in the research area of the forest region around Bystřice pod Hostýnem, the Czech Republic. For the reason of lower quality of spectrozonal photographs it was necessary to use some corrections; such as highlighting pen techniques, namely Kernel Processor Low-Frequency and High-Frequency fi lters, belonging to space operations. Photo-graphs, modifi ed in this way, served for a construction of individual training sets, which were conse-quently used within individual classifi cation methods of directed classifi cation in each comparative so� ware. Self-classifi cation took place at the level of a particular tree species. Classifi cation accuracy was determined by comparison of results and reference data from the terrain research.The outcome is, that the best classifi cation for oak and ash was in combination with TopoL pro-gram, classifi cation according to gravity centre and combination of solation + insolation signature of the treetop parts with an aggressive shade.On the contrary, for spruce and larch was the best classifi cation in combination with so� ware Er-das Imagine, classifi cation roles of intervals mahalanobis with combination of solation signature of the treetop parts, along these tree edges with an aggressive shade.

aerial photo, supervised classifi cation, species composition, spruce, larch, oak, ash, Erdas, TopoL, Lu-ciaG, geographical information system (GIS), forest management

Interpretace obrazových dat dálkového průzkumu země slouží již desítky let jako cenný pomocný nástroj v hospodářské úpravě lesa. Využití zahrnuje zejména lesní inventarizace, tematické mapování, zjišťování stromových a porostních charakteristik, zdravot-ního stavu atd. Ale i přes tento značný význam není stále tato metoda plnohodnotná náhrada využitelná při tvorbě lesního hospodářského plánu, vzhledem k vysoké heterogenitě vlastních dat, tzn. leteckých snímků, což může být i do budoucna problematické.

Tato práce sice ještě popisuje tradiční metodu kla-sifi kace založenou pouze na analýze jednotlivých pixelů, které ignorují prostorové vztahy a texturu, přesto však je zajímavá možnost srovnání jednotli-vých so� warů, jejich příslušných klasifi kačních me-

tod, potažmo vliv velikosti výběru trénovacích ploch pro jednotlivé koruny příslušných dřevin.

V městské části Hyytiala v jižním Finsku bylo z di-gitálních leteckých snímků určováno prostorové rozšíření dřevin z digitálních leteckých snímků. Tato studie zkoumá možnosti interpretace při pou-žití digitálního leteckého snímku v určujícím pro-storovém rozšíření dřevin ve třech mapovaných po-rostech (osm zkusných ploch). Používaný letecký snímek byl snímán v červnu 1995 v měřítku 1:5000. Pro určení prostorového modelu ze stromů byly po-užity dva přístupy. První přístup byl založený na bo-dovém postupu; jednotlivé stromy v digitálním le-teckém snímku byly členěny pomocí silné metody segmentace, založené na poznání modelu koruny

280 M. Gabzdyl

stromu se sub-pixelovou přesností. Druhý přístup spočívá v tom, že pokrytí koruny bylo určeno z re-gio nál ní rostoucí segmentace složené z prezentace aktivního povrchu (UUTTERA et al., 1998).

Další studií byla předpověď množství zvýšeného přírůstu smrku černého (Picea mariana P. (Mill)) v se-verovýchodním Ontariu z leteckého snímku. V se-verovýchodním Ontariu, Kanada byly pro každý porost smrku černého vytvořeny černobílé letecké snímky v měřítku 1:20 000. Každý porost byl popsán podle šedého tónu snímku, porostního modelu, ve-likosti uzavřeného zápoje, velikosti otevřeného zá-poje, velikosti a čísla přímočarých odvodňovacích cest, postavení na svahu, svahové komplexnosti, stupně (svahové procento), složení druhů. Porosty tedy byly seskupeny do tří tříd založených na množ-ství zvýšeného šedého tónů snímků. Následně byl klíč stupně šedi ověřován a bylo dosaženo správné identifi kace třídy zakmenění pro 78 % porostů (AR-NUP, 1996).

V práci „Dvoufázový vzor design zaměstnáva-jící letecké fotografi e velkého měřítka“ byla použita pro určení stromů a bylinné struktury společenstva metoda, která nabídla významné zvýšení odhadu přesnosti (>35 %) nad samotným pozemním vzor-kováním, právě tak jako atraktivní snížení nákladů na vyhodnocení (0 do 40 %) (PITT et al., 1996).

Další metodou pro zjišťování typů lesa pomocí le-teckých snímků byla v Číně použita „Shannon’s in-formation formula“ s doloženou přesností více jak 90 % (ZHOU, 1986).

Použití geografi ckého informačního systému (GIS) v hospodářské úpravě lesa při aplikaci oblastní inventarizace lesa v Belgii bylo ověřeno na 200 km2 plochy lesa, která zahrnovala různé lesní typy. Mapa byla vytvořena použitím barevných infračervených leteckých snímků v měřítku 1:25 000 a GIS data byla zpracována s použitím so� waru ILWIS Chybovost interpretace druhů dřeviny nebo hospodářských typů porostu byla <6 % (LEJEUNE et al., 1993).

V Německu v lesích v Ostholstein byly letecké snímky srovnány s venkovními daty. Hlavní druh dřeviny byl rozpoznán správně v 83 % porostů, správný věk a hustota porostu byly určeny v 60 % po-rostů (SCHNOKLAKE a AKCA, 1998). V podobné studii, ale o mnoho let dříve, byla v porostech při zjišťování druhu dřevin z leteckých snímků zazna-menána obdobná přesnost ve výši 88 % úspěšnosti (SPELLMANN, 1987).

Ve Finsku byla pro smrk ztepilý (Picea abies L. (Karst.)) a borovice lesní (Pinus sylvestris L.) přesnost digitálních leteckých snímků při hodnocení lesního stanoviště na úrovni ploch v rozmezí 57,7–85 % (HO-LOPAINEN a WANG-GUANGXING, 1998).

Z dosavadního literárního přehledu vyplývá, že při zjišťování druhové skladby dřevin z leteckých snímků byla zaznamenána poměrně vysoká přesnost.

Vzhledem ke skutečnosti, že v současné době od-borná literatura neobsahuje několik programů a je-jich klasifi kačních technik, může být takový pohled na uvedenou problematiku přínosem. V dostupných studiích se můžeme setkat s různými přístupy ke kla-

sifi kaci leteckých snímků, ať už pro zjišťování druhové skladby dřevin, či pro další stromové charakteristiky.

MATERIÁL A METODY

Materiál a terénní šetření(Site and fi eld data collection)

Letecké snímky zachycovaly katastrální území Mr-línek, Sovadina, Rychlov v okrese Bystřice pod Hos-týnem, Česká republika.

Ke zpracování předložené studie sloužily spek-trozonální (infračervené) letecké snímky v mě-řítku 1:10 500, které byly pořízeny 28. 9. 1999 ve 12.15–12.20 hod fi rmou Argus Geo system, s. r. o. ka-merou LMK 2015 s fi ltrem 490 nm na materiál Kodak 2443. Snímky byly předány k analýze 5. 11. 1999.

K získání digitální formy vstupů byly spektrozo-nální snímky naskanovány skanerem PHOTOSCAN TD INTERGRAPH v rozlišení 900 dpi.

Snímek byl pak použit jako základ pro zhotovení snímku ortofoto překresleného (formát Topol, veli-kost pixelu 0,3 m, bez úprav charakteristik obrazu). Byl vytvořen na základě DMT (digitální model te-rénu) pomocí vrstevnicového plánu (diference vrstev-nic 10 m), bez zaměřování vlícovacích (identických) bodů v terénu. Tento plošně vyrovnaný ortofotosní-mek sloužil jako základní vstupní materiál pro veš-keré další vyhodnocování dat s využitím SW TopoL DMT v. 6.008, LUCIA G v. 4.00. a Erdas Imagine 8.4. Střední polohová chyba snímku dosahuje 1,4 × 1,4 m.

V letních měsících r. 1999 byly na analyzovaném majetku vylišeny kalibrační plochy (trénovací mno-žiny). Jejich umístění je na obrázku 1. Smyslem tvorby těchto kalibračních ploch je popis objektů následně klasifi kovaných v procesu zpracování. K danému účelu byly zvoleny dva základní meto-dické postupy:

V téměř pravidelné síti (Obr. 1) označena ze-1. leně v kroužku) – zvolená výrazná místa, snadno identifi kovatelná v terénu (sedm ploch).V náhodném uspořádání (Obr. 1 – tady označeny 2. modře) zvoleno cca 40 ploch.

V dané oblasti byly zjišťovány klasifi kací tyto dře-viny: smrk ztepilý (Picea abies L. (Karst.)), modřín (La-rix decidua Mill.), dub (Quercus) a jasan ztepilý (Fraxi-nus excelsior).

Úprava snímku (Imagery preprocessing)Pro zvýraznění informačních schopností se na le-

teckých snímcích se používají postupy, při kte-rých se zvyšuje jejich vypovídací schopnost, čímž se i zlepšuje možnost jejich interpretace.

Vzhledem k potřebě následné klasifi kace bylo pro dané leteckém snímky zapotřebí jednotlivé ko-runy stromu rozostřit a naopak zvýraznit jejich hrany pro lepší oddělení jednotlivých korun. Proto byla zvolena metoda prostorového zvýraznění, a to konkrétně fi ltrace. Metoda je založena na principu pohybujícího se okna, pohyb zvaný „konvulace“, ja-kéhosi okolí pixelu, pro který se vypočte jeho nová hodnota v závislosti na hodnotách okolních pixelů

Srovnání vybraných metod digitální klasifi kace dřevinné skladby z leteckých snímků 281

v okně. V okně se provádí jednoduchý výpočet s ma-lým množstvím dat, aby nedocházelo ke zpomalení výpočtu, a opakováním operace po posunu okénka se mění hodnoty obrazové funkce v celém zvýrazňo-vaném obrazu. Nejčastěji se používá okolí 3x3 nebo 5×5 a nová hodnota se počítá pro středový pixel.

K tomu byly použity prostředky Kernel Procesoru Erdas Imagine, kde byl použit Low-Frequency Ker-nels a High-Frequency Kernels o rozměrech rotují-cího okna 3×3.

Výpočet fi ltrovaných hodnot se provádí na zá-kladě rovnice JENSENA (1996).

Tyto fi ltry Low-Frequency Kernels (fi ltr rozostřo-vací) a High-Frequency Kernels (fi ltr úpravy hran) umožnily takovou úpravu snímku, že výsledná ko-runa konkrétního stromu není rozčleněna do mnoha rozdílných tříd, stává se z ní téměř barevně jedno-litý povrch. I když tyto fi ltry nedosahují maximální účinnosti, mohly by být pro praxi dostačující.

Defi nice tříd (Class defi nition)Cílem této první fáze je určení tzv. trénovacích

ploch pro každou klasifi kovanou třídu, kterou chceme ze snímku získat. Výběr trénovacích ploch předpokládá shromáždění informací z terénního průzkumu. Data pro trénovaní musí být především komplexní a reprezentativní.

V této práci se při tvorbě trénovacích ploch vychá-zelo ze zásad jedinečnosti daných pixelů. Tréno-vaní plochy byly vybrány pro čtyři základní dřeviny (smrk, modřín, jasan, dub) nejčastěji se vyskytují-cích na zkoumaném území. Byly vybrány snímky JS_4 (DB_22-označení snímku), SM_3 (MD_37), JS_6 (JS_18), a SM_2 (SM_25) (Tab. I).

Pro trénovací množiny byly vybrány ty dřeviny, které byly zjištěny šetřením přímo v terénu.

Vzhledem k míře určité subjektivity, která souvisí s výběrem trénovacích množin, byly vybrány možné

1: Rozmístění kalibračních ploch (trénovacích množin) v zájmovém území. Zeleně jsou značeny pravidelné rozmístěné plochy na výrazných bodech, modře náhodně rozmístěné plochy

I: Základní charakteristiky zkusných ploch, (*) – údaj dle platného LHP

Označení plochy JS_4 SM_3 JS_6 SM_2

Porostní skupina 1E10/8x 2D11 2A7y/1 2A6

Převládající dřevina DB MD JS SM

Věk (*) 78 106 69

LT (*) 3D9 3O7 3D5

Zakmenění 10 8 10 10

282 M. Gabzdyl

kombinace signatur, to znamená vytvořené charak-teristiky popisující jednotlivé kategorie objektů (TU-ČEK, 1998). U korun stromu od nejsvětlejších částí korun (osluněná část, špička) přes tmavší část (zastí-něná) až po celé koruny s mezikorunními prostory. Obdobným způsobem bylo přistoupeno i k výběru signatur pro stín. Od nejtmavšího defi novaného jako stín, až po světlejší části stínu, který se vyskytuje pře-vážně na hranici s okraji korun. Těmto stínům byl přiřazen termín stín agresivní (Obr. 2).

Při následné řízené klasifi kaci byly pro nalezení vhodné kombinace trénovacích množin vytvářeny jednotlivé kombinace mezi signaturami vlastních korun jednotlivých dřevin a signaturami jednotli-vých typů stínů.

Jednotlivé signatury dle dřevin:JS_18 + DB_22

1. osluněná část koruny – světle zbarvený pixel2. neosluněná část koruny – tmavě zbarvený pixel3. mezikorunní prostory – tmavě šedý pixel4. okraje korun

1. stín

5. stín agresivní

7.

2: Tvorba trénovacích množin pro dřevinu smrk


5. kombinace signatur 1 + 26. kombinace signatur 1 + 2 + 37. kombinace signatur 1 + 2 + 3 + 4

MD_37 + SM_251. osluněná část koruny + vrchol – světle zbarvený

pixel2. neosluněná část koruny – tmavě zbarvený pixel3. (nevstupuje do signatury)

4. okraje korun5. kombinace signatur 1 + 26. (nevstupuje do signatury)7. kombinace signatur 1 + 2 + 4

Pozn. červená tučná čísla – vlastní signatury vstupu-jící do klasifi kace

černá čísla – signatury vstupující do jiné sig-natury

1stin 5stinag= osluněná část koruny + vrchol + stín = kombinace signatur 1 + 2 + stín agresivní

1stinag 7stin= osluněná část koruny + vrchol + stín agresivní kombinace signatur 1 + 2 + 4 + stín

5stin 7stinag= kombinace signatur 1 + 2 + stín kombinace signatur 1 + 2 + 4 + stín agres.

3: Histogramy pro dřevinu smrk dle kombinací trénovacích množin

284 M. Gabzdyl

Následně byly jednotlivé trénovací plochy a je-jich kombinace okulárně ověřeny v histogramech v programu TopoL. Jako nejvhodnější se jevila kom-binace signatur osluněné a neosluněné části korun spolu se stínem. Jednotlivé signatury byly jasně od-děleny a zároveň zaujímaly co největší spektrum DN hodnot (Obr. 3).

Klasifi kace (Classifi cation)Pro srovnání so� warů bylo použito řízené klasifi -

kace. V systému Erdas Imagine je řízená klasifi kace založena na typu rozhodovacího pravidla. Rozho-dovací pravidlo je matematický algoritmus, který na základě příslušných signatur přiřazuje pixely do jednotlivých tříd. Používány jsou dva typy (ER-DAS Field Guide 1994):

Parametrické – založeno na statistických para-1. metrech (např. průměr, kovarianční matice).Těmito zástupci jsou:

Maximum likelihood – metoda maximální a) pravděpodobnostiMinimum distance – metoda minimální b) vzdálenostiMahalanobis distance – metoda je založena c) na základě výpočtu rovnice s využitím kova-rianční matice.

Neparametrické – nejsou založeny na statis-2. tice, ale na diskrétních objektech (polygony a pravoúhelníků) v zobrazených prostorových snímcích.Těmito zástupci jsou:

Feature space – metoda podobná klasifi -a) kaci parallelepiped, ale pixely shlukuje do různých útvarů např. obdélník, elipsa, mnohoúhelníkParallelepiped – klasifi kátor pravoúhelníku b) ve vícerozměrném prostoru.

Ve vlastní práci byly použity v Erdas Imagine tyto kombinace rozhodovacích pravidel:

parallelepiped, parametric rule, maximum like-1. lihoodparallelepiped, parametric rule, mahalanobis 2. dis tan ceparallelepiped, parametric rule, minimum dis-3. tan ceparallelepiped, classify by order4. parallelepiped, unclassifi ed.5.

Obdobná rozhodovací pravidla používá i druhý so� ware TopoL. Zde byla pro klasifi kaci použita stejná rozhodovací pravidla jako v Erdas Imagine. Těmito rozhodovacími pravidly jsou:

Klasifi kace dle k-NN – metoda k-nejbližších 1. sousedů.Klasifi kace – hyperkvadry – metoda pravoúhel-2. níků. Shoda s funkcí parallelepiped v Erdas Imagine.Klasifi kace dle těžišť – metoda minimální vzdále-3. nosti. Ekvivalent funkce minimum distance v Er-das Imagine.

Třetím srovnávaným programem byla LuciaG. Ta na rozdíl od výše zmíněných programů nepracuje s řízenou klasifi kací, ale s metodou prahování, nebo-li tvorbou binárních obrazů korun dřevin. Zde byl barevný obraz interaktivním způsobem segmento-ván za vzniku jednobarevného obrazu binárního, tj. na základě údajů získaných při kalibraci (venkovním šetřením) byla označena místa na barevném obrazu o velikosti 1 až n pixelů, která odpovídala daným re-álným objektům (v tomto případě obrazům korun, identifi kovaným při venkovním šetření). Takto byly vylišeny vybrané druhy dřevin.

Při vlastním procesu řízené klasifi kace docházelo ke kombinaci jednotlivých signatur a klasifi kačních pravidel pro so� wary Erdas Imagine a TopoL. Ta-kovým postupem se hledala optimální kombinace klasifi kačního pravidla a signatury (Obr. 4) Tímto vznikl seznam procentického vyjádření zastoupení jednotlivých klasifi kačních tříd, který byl porovnán se zastoupením na ploše v terénu. Následně byla vy-brána vždy jedna nejvhodnější kombinace pro klasi-fi kační pravidlo, signatury a so� ware a zde pak bylo měřeno pro jednotlivé dřeviny procentické vyjád-ření úspěšnosti klasifi kace, a to tak, že pro každého jedince bylo získáno procento zaujaté plochy ve tří-dách: dominantní dřevina, ostatní dřeviny a stín. V systému LuciaG, který pracuje na systému praho-vání, byl nejprve zvolen subjektivní způsob zjištění RGB hodnot, který se v důsledku lišil od RGB hod-not v Erdas Imagine. Tím samozřejmě bylo procen-tické vyjádření klasifi kovaných tříd odlišné. Bohu-žel toto odporuje metodice, kdy do všech systému vstupují stejné trénovací množiny, aby byla zacho-vána objektivita. Proto byly následně získány RGB hodnoty jednotlivých signatur z Erdasu a ty byly na-prahovány. Výsledkem bylo, že LuciaG vykazovala stejné výsledky procentického vyjádření zastoupení dřevin jako Erdas Imagine při použití klasifi kač-ního pravidla parallelepiped, parametric rule. Proto se dále s vyhodnocením úspěšnosti klasifi kace u Lu-ciaG nesetkáme.

Vzhledem k dosažení jednotnosti vyhodnocení klasifi kací byl zvolen postup, kdy bylo zjištěno nej-prve pro všechny signatury a klasifi kační pravi-dla procentické zastoupení za celou zkusnou plo-chu a následně byly vybrány ty zkusné plochy, které odpovídaly zastoupení dřevin zjištěných na ploše v terénu. S vybranými plochami se dále pracovalo způsobem, kdy pro každý strom bylo určeno pro-centické zařazení do tří signatur (dominantní dře-vina, ostatní dřevina, stin). Ty se získaly poměrem mezi počtem pixelů každé ze tří signatur a velikosti masky celé koruny jednotlivých dřevin.

Pro zjišťování úspěšnosti přesnosti klasifi kace byla naměřená data srovnána s referenčními daty naměřenými v terénu a určena pro každou dřevinu správná kombinace signatury, klasifi kačního pravi-dla a so� waru, která se nejvíce blíží procentickému zastoupení dřevin přímo na zkusné ploše. Proto byl pro statistické vyhodnocení vybrán párový T-test (MS Excel 2000). Za doplňující statisticky test byl vy-brán korelační koefi cient (MS Excel 2000).


SM stin

ost. stin agresivni

4: Výsledná klasifikace pro dřevinu smrk dle kombinací trénovacích množin

VÝSLEDKY A DISKUSEPro dřevinu jasan bylo v so� waru Erdas Imagine

jako nejlepší klasifi kační pravidlo vyhodnocena mi-nimální vzdálenosti. V oblasti trénovacích množin to byla kombinace signatur osluněné části koruny a neosluněné části včetně mezikorunních prostorů a agresivního stínu (F = 0,77; p < 0,01) (Obr. 5). V pro-gramu TopoL byla jako nejúspěšnější klasifi kace vy-hodnocena klasifi kace dle těžišť (F = 0,98; p < 0,01) (Obr. 5), ať už pro signaturu stín nebo stín agresivní, která dopadla nejlépe. Jako signatury byly vyhodno-ceny stejné signatury, jako u Erdas Imagine. Celkově nejlepší klasifi kace pro jasan bez ohledu na klasifi -kační pravidlo a signatuty byl vyhodnocen TopoL, klasifi kace dle těžišť, signatury koruny osluněné + neosluněné + mezikorunní prostory a stín agresivní. Index korelace tento výsledek jen potvrdil (Obr. 6).

U dřeviny dubu lze v programu Erdas jako nejlepší pravidlo klasifi kace považovat taktéž minimální vzdálenosti (F = 0,71; p < 0,01) (Obr. 7). Trénovací množiny obsahovaly tyto signatury: osluněná a ne-osluněná část koruny spolu s neagresivním stínem. Naopak TopoL se zachoval stejně jako v případě ja-

sanu, kde nejlepší klasifi kace bylo dosaženo klasifi -kací dle těžišť se signaturami osluněná + neosluněná část koruny a mezikorunní prostory se stínem agre-sivním (F = 0,93; p < 0,01) (Obr. 7). Taktéž tato kom-binace bez ohledu na testovací program, druh klasi-fi kace a typ trénovací množiny byla nejúspěšnější. U korelačního koefi cientu pro Erdas byly zazname-nány stejné úspěšnosti. Jen pro TopoL byla za nejú-spěšnější klasifi kací bez ohledu na její typ považo-vána signatura stejná jako pro Erdas. To znamená kombinace osluněné části koruny spolu s části neo-sluněnou a se stínem agresivním (K = 0,57; α = 0,01) (Obr. 8).

Z toho všeho vyplývá, že pro uvedené listnáče měla nejlepší výsledky klasifi kace v kombinaci: pro-gram TopoL s klasifi kací dle těžišť a kombinací sig-natury osluněné + neosluněné části korun se stínem agresivním.

Dřevina modřín byla v programu Erdas Imagine nejlépe určena při použití klasifi kace minimální vzdálenosti s kombinací signatur osluněná a neoslu-něná část korun spolu s okraji korun a se stínem agre-sivním (F = 0,28; p < 0,01) (Obr. 9). Tato kombinace signatur byla nejlepší také pro so� ware TopoL, ale

286 M. Gabzdyl

0,00000,00000,00000,00000,00000,0000

0,65910,6591

0,76510,7651

0,04770,04830,04830,04830,04830,04880,0483

0,24930,0477

0,27570,01030,01030,00570,00570,01030,0103

0,24560,2436

0,03230,0327

0,00000,0000

0,24560,2059

0,06020,0602

0,57440,9764

0,29260,4481

0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000 0,9000 1,0000

Erdas - 18koruny-1stin1Erdas - 18koruny-1stinag1



Erdas - 18koruny-6stin1Erdas - 18koruny-6stinag1Erdas - 18koruny-6stinag3Erdas - 18koruny-6stinag5

Erdas - 18koruny-7stin1Erdas - 18koruny-7stin2Erdas - 18koruny-7stin3Erdas - 18koruny-7stin4Erdas - 18koruny-7stin5

Erdas - 18koruny-7stinag1Erdas - 18koruny-7stinag2Erdas - 18koruny-7stinag3Erdas - 18koruny-7stinag4Erdas - 18koruny-7stinag5

TopoL - 18koruny-k-NN1stinTopoL - 18koruny-k-NN1stinagr





TopoL - 18koruny-teziste1stinTopoL - 18koruny-teziste1stinagr





3737

3939

3535

44

22

2318

1818

1817

1810

239

2727

3131

2727

1113

2625

3333

1214

1515

61

87

softw

are,

kla

sifik

ační

pra

vidl

o, tr

énov

ací m

noži

na

F; p < 0,01

5: Výsledky T-testu pro software, trénovací množiny, klasifikační pravidla a dřevinu JS

0,18410,1841

0,17080,1708

0,18880,1888

0,27960,2796

0,27040,2704

0,08670,08510,08510,08510,08510,08340,0851

0,23190,0867

0,23010,28130,2813

0,29580,2958

0,28130,28130,28360,2842

0,13160,1286

0,21100,2110

0,25400,3079

0,28500,2850

0,30200,3387

0,22530,2695

0,0000 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000 0,3500 0,4000




Erdas - 18koruny-6stin1Erdas - 18koruny-6stinag1Erdas - 18koruny-6stinag3Erdas - 18koruny-6stinag5













2727

2929

2525

1414

1616

3335

3535

3540

3520

3321

1010

44

1010

98

3132

2323

192

66

31

2218

softw

are,

kla

sifik

ační

pra

vidl

o, tr

énov

ací m

noži

na

K; α = 0,01

6: Výsledky korelace pro software, trénovací množiny, klasifikační pravidla a dřev. JS


0,00000,00000,00020,0002

0,70800,7109

0,01520,01540,01540,01540,0154

0,12140,11830,12140,12140,12140,12140,12140,12140,11830,1218

0,02580,0229

0,08060,00030,0007

0,36100,3645

0,00110,0011

0,92670,9267

0,17340,4580

0,00590,0217

0,70640,7320

0,53860,5386

0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000 0,9000 1,0000



Erdas - 22koruny-5stin1Erdas - 22koruny-5stinag

Erdas - 22koruny-6stin1Erdas - 22koruny-6stinag1Erdas - 22koruny-6stinag3Erdas - 22koruny-6stinag4Erdas - 22koruny-6stinag5



TopoL - 22koruny-k-NN1stinTopoL - 22koruny-k-NN2stin

TopoL - 22koruny-k-NN2stinagrTopoL - 22koruny-k-NN5stin



TopoL - 22koruny-k-NN7stinagrTopoL - 22koruny-teziste1stin

TopoL - 22koruny-teziste1stinagrTopoL - 22koruny-teziste2stin




TopoL - 22koruny-teziste7stinagr39

3937

375

431

2727

2727

1421

1414

1414

1414

2113

2425

2336

3511

1033

341

112

932

266

37

7

softw

are,

kla

sifik

ační

pra

vidl

o, tr

énov

ací m

noži

na

F; p < 0,01

7: Výsledky T-testu pro software, trénovací množiny, klasifikační pravidla a dřev. DB

0,53860,53860,53860,5386

0,67860,6786

0,29900,29820,29820,29820,2982

0,25230,25630,25230,25230,25230,25230,25230,25230,25630,2535

0,41490,3552

0,31510,4816

0,50380,12700,1256

0,30070,3026

0,39100,3910

0,40630,4381

0,53750,5689

0,13360,1292

0,08800,0880

0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000




Erdas - 22koruny-6stin1Erdas - 22koruny-6stinag1Erdas - 22koruny-6stinag3Erdas - 22koruny-6stinag4Erdas - 22koruny-6stinag5



TopoL - 22koruny-k-NN1stinTopoL - 22koruny-k-NN2stin




TopoL - 22koruny-k-NN7stinagrTopoL - 22koruny-teziste1stin





TopoL - 22koruny-teziste7stinagr

66

44

12

2021

2121

2128

2528

2828

2828

2825

2712

1617

109

3738

1918

1414

1311

83

3536

3939

softw

are,

kla

sifik

ační

pra

vidl

o, tr

énov

ací m

noži

na

K; α = 0,01

8: Výsledky korelace pro software, trénovací množiny, klasifikační pravidla a dřev. DB

288 M. Gabzdyl

0,00000,0000

0,82580,3137

0,41810,0025

0,82580,0004

0,27870,2619

0,57970,2619

0,74840,6007

0,97910,1778

0,26190,00040,00030,0003

0,18360,47380,4758

0,00000,00000,00120,0002

0,25700,0883

0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000 0,9000 1,0000


Erdas - 25koruny-5stin1Erdas - 25koruny-5stinag1Erdas - 25koruny-5stinag2Erdas - 25koruny-5stinag3Erdas - 25koruny-5stinag4Erdas - 25koruny-5stinag5



TopoL - 25koruny-k-NN1stinTopoL - 25koruny-k-NN1stinagrTopoL - 25koruny-k-NN5stinagr





2828

210

919

321

1112

612

45

117

1221

2323

168

726

2720

2515

18

softw

are,

kla

sifik

ační

pra

vidl

o, tr

énov

ací m

noži

na

F; p < 0,01

9: Výsledky T-testu pro software, trénovací množiny, klasifikační pravidla a dřev. SM

0,48680,37290,3851

0,24030,4868

0,18700,79660,8067

0,62450,8067

0,60040,4082

0,51640,3420

0,80670,1870

0,02000,0200

0,31700,30720,3086

0,07580,0284

0,40650,2700

-0,0306-0,0306

-0,1116-0,1018

-0,2000 -0,1000 0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000 0,9000 1,0000


Erdas - 25koruny-5stin1Erdas - 25koruny-5stinag1Erdas - 25koruny-5stinag2Erdas - 25koruny-5stinag3Erdas - 25koruny-5stinag4Erdas - 25koruny-5stinag5



TopoL - 25koruny-k-NN1stinTopoL - 25koruny-k-NN1stinagrTopoL - 25koruny-k-NN5stinagr





2626

813

1219

820

41

51

610

714

120

2424

1517

1627

2822

2311

18

softw

are,

kla

sifik

ační

pra

vidl

o, tr

énov

ací m

noži

na

K; α = 0,01

10: Výsledky korelace pro software, trénovací množiny, klasifikační pravidla a dřev. SM


0,00000,00280,00240,00280,00240,0028

0,00000,00000,0000

0,01180,0030

0,27790,00240,00030,00000,00000,00020,00000,00000,00000,00000,0027

0,01660,00000,00000,0005

0,0000 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000

Erdas - 18koruny-5stin1Erdas - 18koruny-7stin1Erdas - 18koruny-7stin2Erdas - 18koruny-7stin3Erdas - 18koruny-7stin4Erdas - 18koruny-7stin5Erdas - 37koruny-1stin1

Erdas - 37koruny-1stinag1Erdas - 37koruny-5stinag1Erdas - 37koruny-7stinag1Erdas - 37koruny-7stinag2Erdas - 37koruny-7stinag3Erdas - 37koruny-7stinag4Erdas - 37koruny-7stinag5

TopoL - 18koruny-teziste1stinagrTopoL - 18koruny-teziste5stinagrTopoL - 18koruny-teziste7stinagr




TopoL - 37koruny-teziste1stinTopoL - 37koruny-teziste5stinTopoL - 37koruny-teziste7stin

175

95

105

2525

173

41

1113

2319

1422

2116

158

224

2012

softw

are,

kla

sifik

ační

pra

vidl

o, tr

énov

ací m

noži

na

F; p < 0,01

11: Výsledky T-testu pro software, trénovací množiny, klasifikační pravidla a dřev. MD

0,56420,2478

0,15400,2478

0,13470,2478

0,41000,4100

0,56420,5657

0,27840,5743

0,10950,5129

0,46910,5112

0,44800,47950,4947

0,52600,4270

0,11360,5391

0,46870,5100

0,4384

0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000 0,9000 1,0000

Erdas - 18koruny-5stin1Erdas - 18koruny-7stin1Erdas - 18koruny-7stin2Erdas - 18koruny-7stin3Erdas - 18koruny-7stin4Erdas - 18koruny-7stin5Erdas - 37koruny-1stin1

Erdas - 37koruny-1stinag1Erdas - 37koruny-5stinag1Erdas - 37koruny-7stinag1Erdas - 37koruny-7stinag2Erdas - 37koruny-7stinag3Erdas - 37koruny-7stinag4Erdas - 37koruny-7stinag5

TopoL - 18koruny-teziste1stinagrTopoL - 18koruny-teziste5stinagrTopoL - 18koruny-teziste7stinagr




TopoL - 37koruny-teziste1stinTopoL - 37koruny-teziste5stinTopoL - 37koruny-teziste7stin

320

2320

2420

1717

32

191

267

128

1411

106

1625

513

915

softw

are,

kla

sifik

ační

pra

vidl

o, tr

énov

ací m

noži

na

K; α = 0,01

12: Výsledky korelace pro software, trénovací množiny, klasifikační pravidla a dřev. MD

290 M. Gabzdyl

na rozdíl od listnáčů se zde jako nejlepší klasifi kační pravidlo projevila klasifi kace dle k-NN (F = 0,02; p < 0,01) (Obr. 9). Index korelace, jako doplňující statis-tický test, tento výsledek jen potvrdil (Obr. 10).

Jako nejlepší trénovací množiny pro smrk byly u Erdas Imagine potvrzeny stejné kombinace jako u modřínu, ale tentokrát byl nejlepším klasifi kač-ním typem vzdálenost mahalanobis (F = 0,98; p < 0,01) (Obr. 11). Úspěšnost v TopoLu byla stejna jako u modřínu (F = 0,47; p < 0,01) (Obr. 11). Korelační ko-efi cient vyšel nejlépe pro program Erdas v klasifi -kaci classify by order (K = 0,81; α = 0,01) a pro TopoL v kombinaci osluněné spolu s neosluněnou části korun i s okraji se stínem s klasifi kací dle těžišť (K = 0,41; α = 0,01) (Obr. 12).

Pro jehličnany byla jako nejlepší klasifi kace vy-hodnocena kombinace so� waru Erdas Imagine s klasifi kačním pravidlem vzdálenosti mahalanobis s kombinací signatur osluněná část koruny včetně jeho vrcholu s neosluněnou části spolu s okraji těchto korun s agresivním stínem.

Vzhledem ke skutečnosti, že „digital numer“ hodnoty listnáčů a jehličnanů jsou různé, nehledě na jiný výběr trénovacích množin, nelze pro listnáče a jehličnany vyhodnotit univerzální metodu klasi-fi kace spolu s programem a příslušnou kombinace signatur.

Předcházející studie z literární rešerše ukázaly (ZHOU, 1986; LEJEUNE et al., 1993), že úspěšnost bodové klasifi kace přesahuje padesát procent. Zís-kané výsledky to dokládají bez rozdílu so� waru, klasifi kačních pravidel, či druhu dřeviny. Přesto je již v dnešní době znát trend odklonu od klasifi kace na úrovni jednotlivých bodů, které ignorují texturu a prostorové vztahy v obraze, ke klasifi kací objektové (HÁJEK, 2006), tzn. přiřazování bodů na základě vztahů (spektrální, geometrické, texturální a kon-textuální) s okolními body. I tak dosažené výsledky mají svojí váhu a s určitou přesností je to i v dnešní době nadále schůdná cesta při použití těchto so� -waru, pro dosažení kvalitních výsledků klasifi kace.

SOUHRNPrincipy letecké fotogrammetrie a dálkového prů-

zkumu země slouží již po mnoho let jako účinný nástroj hospodářské úpravy lesa. Využití zahrnuje zejména lesní inventarizace, lesní tematické mapo-vání, zjišťováni stromových a porostních charak-teristik, zdravotního stavu apod. V minulosti byla v praxi uplatněna především vizuální interpretace leteckých snímků, které sloužily k zakreslování zá-kladních jednotek rozdělení lesa do hospodářských map. Aplikací postupů geografi ckých informač-

ních systémů lze dále odečítat mnohé atributy, jako např. druhová skladba, střední porostní výška, atd. V České republice se principy lesnického dálkového průzkumu země začaly prosazovat počátkem 80. let u státního Ústavu pro hospodářskou úpravu lesů v Brandýse nad Labem. Později se však od leteckých snímků upustilo, hlavně z důvodů problematického uplatnění v technologii zpracování LHP.

Přes všechny zmíněné výhody však při tvorbě au-tomatické metody stále vyvstává problém s vysokou různorodostí snímků s velmi vysokým rozlišením. Plochy představující jednu tematickou třídu (např. koruna stromu) jsou ve skutečnosti tvořeny sku-pinou většího počtu pixelů se značným rozsahem hodnot stupňů šedi. Tradiční metody automatické klasifi kace (řízené či neřízené) navíc porovnávají pouze digitální hodnoty obsažené v jednotlivých pi-xelech snímku. Tyto problémy lze v zásadě řešit vy-hlazením obrazu pomocí různých fi ltrů.

Tato práce popisuje srovnání automatické řízené klasifi kace při zjišťování zastoupení lesních dřevin z leteckých snímků mezi jednotlivými programy použitými pro klasifi kaci. Tyto programy byly za-stoupeny americkým so� warem Erdas Imagine 8.4, a českými produkty LuciaG 4.0 a TopoL DMT 6.014. Studie zobrazuje menší oblast hospodářského lesa s podílem čtyř nečastěji se vyskytujících dřevin – smrk, modřín, dub a jasan, na zkoumaném území lesní oblasti v okolí Bystřice pod Hostýnem, Česká republika. Z důvodu méně kvalitně pořízených spektrozonálních snímků bylo nutné před vlastní klasifi kaci provést jisté korekce v podobě zvýraz-ňovacích technik, a to Kernel Procesoru fi ltru Low-Frequency a High-Frequency, které patří mezi pro-storové operace. Takto upravené letecké snímky sloužily pro vytvoření jednotlivých trénovacích množin, které byly následně použity v rámci jednot-livých klasifi kačních metod řízené klasifi kace u jed-notlivých srovnávacích so� warů. Vlastní klasifi kace probíhala až na úroveň jedinců stromového druhu. Přesnost klasifi kace byla stanovena porovnáním vý-sledků s referenčními údaji z terénních šetření.

Výsledkem je, že pro dřeviny dub a jasan měla nejlepší výsledky klasifi kace v kombinaci s progra-mem TopoL s klasifi kací dle těžišť a kombinací sig-natury osluněné + neosluněné části korun se stínem agresivním.

Naopak pro dřeviny smrk a modřín byla jako nej-vhodnější klasifi kace zjištěna kombinace so� waru Erdas Imagine s klasifi kačním pravidlem vzdálenosti mahalanobis s kombinací signatur osluněná část ko-runy včetně jeho vrcholu s neosluněnou části spolu s okraji těchto korun s agresivním stínem.

SUMMARYPrinciples of aerial photogrammetry and remote sensing serve as an eff ective instrument for the for-est management planning for many years. Its utilization particularly includes forest inventories, for-est thematic cartography, tree and stand characteristics survey, health status estimation etc. In the past was mainly used a visual interpretation of the aerial photographs which served for charting of basic


forest units into the management maps. With geographic-information system applications it is possi-ble to read many atributes as species compostition, mean stand height etc. Principles of the forest re-mote sensing started to be promoted at the state Forest management institute in Brandys nad Labem, Czech Republic in the early 80‘s. But the usage of aerial photographs was abondened later, mainly from the reason of the problematic application to processing technology of the forest management planning.Despite all mentioned advantages, a problem concerning photograph high variability with a very high resolution still persists. Areas, which shape one thematic class (for example a tree crown), are in fact composed of a higher pixel number with a considerable range of grey scale values. Morover, tradi-tional methods of the automatic classifi cation (controlled or uncontrolled) compare only digital val-ues contained in each pixel of the photograph. These problems can be basically solved with a picture smoothing by the means of diff erent fi lters.This study describes a comparison of various programs for the automatic controlled classifi cation used for identifi cation of tree species representation from the aerial photographs. Following pro-grams were selected for the analysis; american so� ware Erdas Imagine 8.4 and czech products Lu-ciaG 4.0 and TopoL DMT 6.014. The study presents a smaller locality of commercial forest with four, most frequently occuring tree species – spruce, larch, oak and ash in the studied forest region nearby Bystřice pod Hostýnem, Czech Republic. Because the spectrozonal photographs were taken in a low-er quality it was neccessary to perform certain corrections with higlighting techniques such as Kernel Processor Low-Frequency and High-Frequency fi lters, belonging to space operations. So corrected aerial photographs served for a creation of separate training sets which were consequently analysed with individual classifi cation methods of the controlled classifi cation in each comparative so� ware. Self classifi cation was proceeded up to the level of tree speciemen. Classifi cation accuracy was de-fi ned by the comparison of results with reference data from the fi eld surveys.In conclusion, the best classifi cation results for oak and ash trees showed TopoL so� ware in a combi-nation with classifi cation based on focal points and in a combination with a signature of sun exposed and non-exposed tree crown parts with an agressive shadow.On the contrary, as the best classifi cation for spruce and larch trees was identifi ed combination of Er-das Imagine so� ware with a classifi cation rule of the mahalanobis distance and with a signature com-bination of sun exposed tree crown part including its top with non-exposed part together with crown edges with an agressive shadow.

SOUHRNTento článek popisuje srovnání automatické řízené klasifi kace zastoupení lesních dřevin z leteckých snímků mezi jednotlivými programy, použitými pro klasifi kaci. Tyto programy byly zastoupeny ame-rickým so� warem Erdas Imagine 8.4, a českými produkty LuciaG 4.0 a TopoL DMT 6.014. Studie zob-razuje menší oblast hospodářského lesa s podílem čtyř nečastěji se vyskytujících dřevin – smrk, mod-řín, dub a jasan na zkoumaném území lesní oblasti v okolí Bystřice pod Hostýnem, Česká republika. Z důvodu méně kvalitně pořízených spektrozonálních snímků bylo nutné před vlastní klasifi kaci provést jisté korekce v podobě zvýrazňovacích technik, a to Kernel Procesoru fi ltru Low-Frequency a High-Frequency, které patří mezi prostorové operace. Takto upravené letecké snímky sloužily pro vytvoření jednotlivých trénovacích množin, které byly následně použity v rámci jednotlivých klasifi -kačních metod řízené klasifi kace u jednotlivých srovnávacích so� warů. Vlastní klasifi kace probíhala až na úroveň jedinců stromového druhu. Přesnost klasifi kace byla stanovena porovnáním výsledků s referenčními údaji z terénních šetření.Výsledkem je, že pro dřeviny dubu a jasanu měla nejlepší výsledky klasifi kace v kombinaci s progra-mem TopoL s klasifi kací dle těžišť a kombinací signatury osluněné + neosluněné části korun se stí-nem agresivním.Naopak pro dřeviny smrku a modřínu byla jako nejvhodnější klasifi kace zjištěna kombinace so� -waru Erdas Imagine s klasifi kačním pravidlem vzdálenosti mahalanobis s kombinací signatur oslu-něná část koruny včetně jeho vrcholu s neosluněnou části spolu s okraji těchto korun s agresivním stínem.

letecké snímky, řízená klasifi kace, dřevinná skladba, smrk, modřín, dub, jasan, Erdas, TopoL, LuciaG, geografi cké informační systémy, hospodářská úprava lesa

LITERATURAARNUP, R., 1996: Predicting the abundance of ad-

vance growth in black spruce forests in north-eastern Ontario: an aerial photograph interpre-

tive key, NODA Notes. No. 23, 4 pp. ERDAS Field Guide. Erdas, Inc., 1994, Atlanta

HÁJEK, F., 2006: Object-oriented classifi cation of Ikonos satellite data for the identifi cation of tree

292 M. Gabzdyl

species composition, Journal of Forest Science, 52, 2006 (4): 181–187, Prag

HOLOPAINEN, M., WANG-GUANGXING, 1998: Accuracy of digitized aerial photographs for as-sessing forest habitats at plot level, Scandinavian-Journal-of-Forest-Research., 13: 4, 499–508

JENSEN, J. R., 1996: Introductory Digital Image Processing. A remote sensing perspective. Pren-tice Hall, London, Sydney, Toronto

LEJEUNE, P., LECOMTE, H., PREVOT, H., 1993: Use of GIS in forest resources management: applica-tion to a regional forest inventory. Bulletin-des-Recherches-Agronomiques-de-Gembloux., 28, 2–3, 275–286

PITT, D. G., GLOVER, G. R., JONES, R. H., 1996: Two-phase sampling of woody and herbaceous plant communities using large-scale aerial photo-graphs, Canadian Journal of Forest Research. 26: 4, 509–524

SCHNOKLAKE, S., AKCA, A., 1998: Possibilities and constraints of a simple analysis of aerial pho-tographs, AFZ-Der-Wald,-Allgemeine-Forst-Zeit-schri� -fur-Waldwirtscha� -und-Umweltvorsorge. 53: 24, 1452–1453

SPELLMANN, H., 1987: Forest classifi cation, di gi-tal stand mapping and computation of area with the aid of aerial photography. Plant-Research-and-Development. 25: 69–84; ORS. Transl. from For-starchiv, 56(5) 186–190

TUČEK, J., 1998: GIS Geografi cké informační systé-my, Principy a praxe, Computer Press, Brno

UUTTERA, J., HAARA, A., TOKOLA, T., MALTA-MO, M., 1998: Determination of the spatial distri-bution of trees from digital aerial photographs, Fo-rest Ecology and Management. 110: 1–3, 275–282

ZHOU, H. Z., 1986: Application of information the-ory to aerial-photograph interpretation. Journal of North East Forestry University. China. 14:4, 36–41

Adresa

Ing. Martin Gabzdyl, Ústav pro hospodářskou úpravu lesů Brandýs nad Labem, pobočka Frýdek-Místek, Nádražní 2811, 738 25 Frýdek-Místek, Česká republika, e-mail: [email protected]

Documents

SROVNÁNÍ VYBRANÝCH METOD DIGITÁLNÍ KLASIFIKACE … · Interpretace obrazových dat dálkového průzkumu země slouží již desítky let jako cenný pomocný nástroj v hospodářské