Naslov
Razvoj nove metodologije za klasifikaciju šumskoga pokrova primjenom satelitskih snimaka visoke rezolucije
(Development of new methodology for classification of forest cover using high resolution satellite imagery)

Autori
Deur, Martina

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, doktorska disertacija

Fakultet
Geodetski fakultet

Mjesto
Zagreb

Datum
26.07

Godina
2021

Stranica
111

Mentor
Gašparović, Mateo ; Balenović, Ivan

Ključne riječi
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
(remote sensing ; tree species classification ; WorldView-3 ; Random Forest (RF) ; Support Vector Machines (SVM) ; Gray Level Co-occurrence Matrix (GLCM) ; Principal Component Analysis (PCA) ; pansharpening)

Sažetak
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.

Izvorni jezik
Hrvatski

Znanstvena područja
Geodezija

POVEZANOST RADA