hrvatski

Razvoj nove metodologije za klasifikaciju šumskoga pokrova primjenom satelitskih snimaka visoke rezolucije

Primjenom novih tehnologija i metoda daljinskih istraživanja, satelitske snimke visoke rezolucije pružaju učinkovito rješenje te smanjuju potrebe za radno intenzivnim i dugotrajnim terenskim istraživanjima, istovremeno povećavajući kvantitativnu i kvalitativnu vrijednost prostornih informacija dobivenih u geodeziji i šumarstvu. U doktorskom radu razvijena je nova metodologija upotrebe multispektralnih satelitskih snimaka WorldView-3 za klasifikaciju tri glavne vrste drveća (Quercus robur L., Carpinus betulus L. i Alnus glutinosa (L.) Geartn.) te je ispitan utjecaj fuzije satelitskih snimaka WorldView-3 na rezultate klasifikacije u nizinskoj mješovitoj listopadnoj šumi u središnjoj Hrvatskoj. Klasifikacija je provedena pomoću dva algoritma strojnog učenja: metode slučajnih šuma (engl. Random Forest – RF) i metode potpornih vektora (engl. Support Vector Machines – SVM). Relativno visoku ukupnu točnost (85% za algoritam RF) postigla je klasifikacija na temelju piksela zasnovana isključivo na spektralnim značajkama satelitskih snimaka WorldView-3. Poboljšanje točnosti klasifikacije postignuto je kombinacijom spektralnih i teksturalnih značajki te povećanjem prostorne rezolucije fuzioniranih snimki. Izrađeni su slojevi tekstura (engl. Gray Level Co-occurrence Matrix – GLCM) za svaki kanal snimke WorldView-3 prema Haralicku te je analizom PCA (Principal Component Analysis) utvrđeno da je GLCM varijanca najvažnija teksturalna značajka. Teksturalne značajke poboljšale su ukupnu točnost za 10% s algoritmom RF, odnosno za 7% s algoritmom SVM. Kako bi se povećala točnost klasifikacije vrsta drveća, provedena su tri različita algoritma fuzije: Local Mean and Variance Matching (LMVM), Ratio Component Substitution (RCS) i Bayesian algorithm (Bayes). Klasifikacija temeljena na pikselima kao i objektna klasifikacija primijenjene su na fuzionirane snimke pomoću algoritma RF. Rezultati su pokazali vrlo visoku ukupnu točnost (OA) za fuzionirane snimke LMVM: 92% za klasifikaciju temeljenu na pikselima, odnosno 96% za objektnu klasifikaciju. Objektna klasifikacija dala je bolje rezultate u odnosu na klasifikaciju zasnovanu na pikselima. Neovisno o metodama klasifikacije, fuzija satelitskih snimaka ima značajan utjecaj na kvalitetu klasifikacije složenih, prirodnih i mješovitih listopadnih šumskih područja.

daljinska istraživanja ; klasifikacija vrsta drveća ; WorldView-3 ; Random Forest (RF) ; Support Vector Machines (SVM) ; Gray Level Co-occurrence Matrix (GLCM) ; Principal Component Analysis (PCA) ; fuzija

nije evidentirano