Klasyfikacja pikselowa

Quickbird

Klasyfikację pikselową przeprowadzono w podejściu nadzorowanym, przy wykorzystaniu następujących parametrycznych reguł decyzyjnych:

• największego prawdopodobieństwa,

• odległości Mahalanobisa

• minimalnej odległości

Otrzymano następujące wartości wskaźników dokładności przeprowadzonej klasyfikacji (tab. 3.1.)

największe prawdopodobieństwo

odległość Mahalanobisa

minimalna odległość

współczynnik Kappa 0,93 0,92 0,88

dokładność klasyfikacji 93% 93% 90%

Tab. 3.1. Wskaźniki dokładności klasyfikacji pikselowej zdjęcia Quickbird.

Pozostałe wskaźniki dokładności przeprowadzonych klasyfikacji (tab.3.2.) oraz obrazy wynikowe przedstawiono poniżej (rys. 3.3.).

24

Klasa pokrycia terenu dokładność użytkownika

gleba odkryta bardzo

wilgotna 0,71 0,29 0,92 0,08 gleba odkryta lekko

wilgotna 0,96 0,04 0,98 0,02 Tab. 3.2. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody

największego prawdopodobieństwa zdjęcia Quickbird

Rys. 3.3. Wynik klasyfikacji zdjęcia Quickbird metodą największego prawdopodobieństwa.

Po przeanalizowaniu macierzy błędów (zał. 1), okazuje się, że największy problem podczas klasyfikacji sprawiło wyróżnienie cieków wodnych. Ani jeden piksel nie został sklasyfikowany poprawnie. Ta klasa została całkowicie „pochłonięta” przez klasy drzew iglastych oraz gleby bardzo wilgotnej z racji na zbliżoną bądź taką samą barwę. Mogło to być

26

również spowodowane bardzo małą powierzchnią jaką zajmują, przez co wybór jednorodnych próbek nie był łatwy.

W celu ustalenia przyczyny błędnej klasyfikacji cieków wodnych porównano wartości spektralne poszczególnych klas – sygnatury klasy cieki wodne oraz cieni pokrywają się.

Powoduje to brak możliwości rozróżnienia tych klas podczas procesu klasyfikacji.

Z uwagi na dużą rozdzielczość badanego zdjęcia oraz rolniczy charakter obszaru, sklasyfikowanie obszarów zabudowanych nie sprawiło tak dużego problemu jak zakładano na początku. Możliwe było wskazanie pojedynczych typów pokryć dachów jako wzorców klas.

Luźna zabudowa również sprawiła tę kwestię łatwiejszą. Udało się uzyskać zarówno wysoką dokładność użytkownika jak i producenta. Wskazanie wielu klastrów definiujących tę klasę przyniosło zadowalający efekt.

Wskaźniki uzyskane przy wykorzystaniu algorytmu odległości Mahalanobisa (tab.3.3.)

Klasa pokrycia terenu dokładność użytkownika

gleba odkryta bardzo

wilgotna 0,71 0,29 0,92 0,080

gleba odkryta lekko

wilgotna 0,96 0,04 0,98 0,019

Tab. 3.3. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Quickbird.

Macierz błędów klasyfikacji – załącznik 2.

Rys. 3.4. Wynik klasyfikacji zdjęcia Quickbird metodą odległości Mahalanobisa.

Porównanie wizualne klasyfikacji przeprowadzonej metodą odległości Mahalanobisa i maksymalnego prawdopodobieństwa nie pozwala zauważyć większych różnic. Również szczegółowa analiza macierzy błędów (zał. 1, 2) obydwu metod wskazuje na znaczące podobieństwo wyników. Nasuwa się wniosek, iż metody te można stosować wymiennie.

28

Wskaźniki uzyskane przy użyciu reguły minimalnej odległości (tab. 3.4)

Klasa pokrycia

gleba odkryta bardzo

wilgotna 0,69 0,31 0,71 0,29

gleba odkryta lekko

wilgotna 0,87 0,13 0,92 0,08

Tab. 3.4. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody najmniejszej odległości zdjęcia Quickbird.

Macierz błędów klasyfikacji – załącznik 3.

Rys. 3.5. Wynik klasyfikacji zdjęcia Quickbird metodą minimalnej odległości.

Rezultat wykorzystania metody minimalnej odległości przedstawia rysunek 3.5.

Uzyskano dokładność klasyfikacji równą 89% oraz współczynnik Kappa 0,88. Z większą dokładnością zostały sklasyfikowane drzewa iglaste, natomiast klasy: drzewa liściaste oraz zabudowa uzyskały zaledwie 72-76% poprawnie sklasyfikowanych pikseli.

Algorytm najmniejszej odległości okazał się dużo gorszy niż poprzednie dwie metody z racji na duże uogólnienie oraz przeklasyfikowanie poszczególnych klas.

30

Landsat ETM+

Klasyfikację, tak jak na zdjęciu poprzednim, przeprowadzono przy użyciu następujących reguł decyzyjnych: największego prawdopodobieństwa, odległości Mahalanobisa oraz minimalnej odległości. Otrzymano następujące wartości wskaźników dokładności przeprowadzonej klasyfikacji (tab. 3.5.).

Tab. 3.5. Ocena dokładności klasyfikacja zdjęcia Landsat ETM+

Klasa pokrycia

gleba odkryta sucha

(1) 1,00 0,00 0,98 0,02

gleba odkryta sucha

(2) 0,91 0,09 0,82 0,18

drzewa iglaste 0,99 0,01 1,00 0,01

gleba odkryta sucha

(3) 0,62 0,38 0,80 0,20

Tab.3.6. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody największego prawdopodobieństwa zdjęcia Landsat ETM+.

Macierz błędów klasyfikacji – załącznik 4.

Rys. 3.6. Wynik klasyfikacji zdjęcia Landsat ETM+ metoda największego prawdopodobieństwa

32

Klasa pokrycia terenu

dokładność użytkownika

błąd pominięcia

dokładność producenta

błąd nadmiaru

woda 0,81 0,19 1,00 0,00

gleba odkryta sucha

(1) 1,00 0,00 0,98 0,02

gleba odkryta sucha

(2) 0,91 0,09 0,82 0,18

drzewa iglaste 0,99 0,01 1,00 0,01

gleba odkryta sucha

(3) 0,64 0,36 0,81 0,19

roślinność bardzo

niska 0,91 0,09 1,00 0,00

roślinność wysoka 1,00 0,00 0,80 0,20

drzewa liściaste (1) 0,70 0,30 0,58 0,42 drzewa liściaste (2) 0,40 0,60 0,97 0,03

zabudowa 1,00 0,00 0,63 0,37

Tab. 3.7. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody odległości Mahalanobisa zdjęcia Landsat ETM+

Macierz błędów klasyfikacji – załącznik 5.

Rys. 3.7. Wynik klasyfikacji zdjęcia Landsat ETM+ metodą odległości Mahalanobisa.

34

Klasa pokrycia terenu

dokładność użytkownika

błąd pominięcia

dokładność producenta

błąd nadmiaru

woda 1,00 0,00 0,99 0,01

gleba odkryta sucha

(1) 1,00 0,00 1,00 0,00

gleba odkryta sucha

(2) 0,94 0,06 0,80 0,20

drzewa iglaste 1,00 0,00 0,95 0,01

gleba odkryta sucha

(3) 0,64 0,36 0,89 0,11

roślinność bardzo

niska 1,00 0,00 1,00 0,00

roślinność wysoka 1,00 0,00 1,00 0,00

drzewa liściaste (1) 0,94 0,06 0,71 0,29 drzewa liściaste (2) 0,56 0,44 0,89 0,11

zabudowa 0,88 0,12 1,00 0,00

Tab. 3.8. Wskaźniki dokładności klas pokrycia terenu uzyskane przy użyciu metody minimalnej odległości zdjęcia Landsat ETM+

Macierz błędów klasyfikacji – załącznik 6.

Rys. 3.8. Wynik klasyfikacji zdjęcia Landsat ETM+ metodą minimalnej odległości.

Po przeprowadzeniu klasyfikacji zdjęcia Landsat ETM+ uzyskano dokładności klasyfikacji zawarte w przedziale 88-94%. Najlepszą dokładność klasyfikacji otrzymano przy użyciu algorytmu minimalnej odległości. Cztery z siedmiu klas zostały sklasyfikowane w 100% poprawnie. Jedynie klasa zabudowa wypadła słabiej, z dokładnością 88%, jednak klasyfikacja cieków wodnych w tej metodzie okazała się najbardziej dokładna.

Uzyskanie zadowalających wyników klasyfikacji jest zależne zarówno od wybrania poprawnych zestawów pól treningowych, jak również od wyboru odpowiedniego algorytmu klasyfikującego, który w znacznej mierze zależy od rodzaju zdjęcia poddawanego klasyfikacji, przede wszystkim jego rozdzielczości przestrzennej.

36