ROCZNIKI GEOMATYKI 2012 m T X m Z 5(55)
KONCEPCJA QUASI-OBIEKTOWEJ METODY ANALIZY
WIELOSPEKTRALNYCH ZDJÊÆ LOTNICZYCH
I JEJ ZASTOSOWANIA DO ANALIZY
SK£ADU GATUNKOWEGO DRZEWOSTANÓW
AN OUTLINE OF A QUASI-OBJECT-BASED ANALYSIS
OF MULTISPECTRAL AERIAL IMAGES AND ITS USE
TO DETERMINE SPECIES COMPOSITION
OF FOREST STANDS
Krzysztof Bêdkowski, Krzysztof Stereñczak
Katedra Urz¹dzania Lasu, Geomatyki i Ekonomiki Lenictwa, Wydzia³ Leny Szko³a G³ówna Gospodarstwa Wiejskiego w Warszawie
S³owa kluczowe: lenictwo, bezza³ogowy statek lataj¹cy ( BSL), klasyfikacja quasi-obiektowa, niemetryczne zdjêcia lotnicze
Keywords: forestry, unmanned aerial vehicle (UAV), quasi object-based classification, non-metric aerial images
Wstêp
Rozpoznanie obiektów na podstawie ich obrazów jest podstawowym zadaniem teledetek-cji. Jednym z etapów rozpoznania jest wspomagany metodami cyfrowymi proces klasyfika-cji treci obrazów, który wspó³czenie realizowany jest za pomoc¹ algorytmów klasyfikaklasyfika-cji wielospektralnej lub obiektowej. W klasyfikacji wielospektralnej analizowanymi obiektami s¹ pojedyncze piksele obrazu. Ich przynale¿noæ do danej klasy wynika z wartoci jasnoci piksela w poszczególnych kana³ach spektralnych obrazu. Nie ma znaczenia, z jakimi piksela-mi s¹siaduje dany piksel. Klasyfikacja wielospektralna (pikselowa) mo¿e byæ realizowana za pomoc¹ procedur klasyfikacji nadzorowanej lub nienadzorowanej. Pierwsze z nich wyma-gaj¹ wstêpnego wyboru obiektów wzorcowych, na podstawie których zostan¹ wyliczone charakterystyki spektralne dla ka¿dej z wyró¿nianych klas obiektów. Wymagana jest zatem wiedza a priori o treci analizowanych obrazów. W wariancie klasyfikacji nienadzorowanej algorytm poszukuje pikseli podobnych pod wzglêdem wartoci jasnoci i grupuje je (tworzy skupienia). Zadaniem operatora jest nadanie znaczenia wyró¿nionym grupom pikseli. Rozwi-jana od kilkunastu lat metoda klasyfikacji obiektowej opiera siê na analizie jasnoci pikseli
oraz ich wzajemnego przestrzennego uk³adu (Definiens, 2004). Wyró¿niane s¹ na tej podsta-wie segmenty obrazu. Wielkoæ wyznaczanych segmentów jest jednym z parametrów meto-dy. Na obszarach lasów segmentem mo¿e byæ drzewostan, jeli w wystarczaj¹cym stopniu odró¿nia siê od otaczaj¹cych go drzewostanów, grupy drzew, pojedyncze drzewa lub nawet fragmenty koron. Jak wynika z dowiadczeñ, podzia³ koron drzew na mniejsze jednostki powodowany jest niejednakowym (kierunkowym) owietleniem w ka¿dej koronie s¹ partie jasne, pozostaj¹ce w cieniu w³asnym lub w cieniu rzucanym przez inne drzewa. Zmiennoæ owietlenia koron jest czynnikiem bardzo utrudniaj¹cym zastosowanie w lenictwie metod cyfrowego przetwarzania obrazów o du¿ej rozdzielczoci.
Zdjêcia lotnicze wykonywane w ró¿nych zakresach spektralnych s¹ wykorzystywane w lenictwie miêdzy innymi do oceny stanu zdrowotnego lub sk³adu gatunkowego drzewosta-nów. Klasyfikacja treci obrazów opiera siê na wizualnej lub cyfrowej analizie widocznych na zdjêciach barw koron drzew.
Teledetekcja lasów zyska³a ostatnio nowe mo¿liwoci wykonywania obrazów poprzez za-stosowanie bezza³ogowych statków lataj¹cych (BSL). Podstawow¹ ich zalet¹ jest mo¿liwoæ wykonania obrazów w warunkach i na warunkach, jakich nie mog¹ spe³niæ klasyczne lotnicze systemy fotogrametryczne. Zdjêcia z BSL mog¹ byæ wykonane w bardzo krótkim czasie od zamówienia, z niskiej wysokoci, przy trudnych warunkach owietlenia (np. pod chmurami) i dotyczyæ niedu¿ego obszaru (aspekt ekonomiczny). Szczególnie wa¿na, jak wynika z naszych dotychczasowych analiz, jest mo¿liwoæ wykonywania zdjêæ bezcieniowych, na których ko-rony drzew s¹ owietlone równomiernie. Obrazy z BSL s¹ sk³adane do postaci ortomozaik, a wiêc obrazów, z których usuniête s¹ zniekszta³cenia wynikaj¹ce z nachylenia zdjêæ, ukszta³to-wania terenu i zró¿nicoukszta³to-wania wysokociowego odwzorowanych obiektów. Proces sk³adania zdjêæ wykorzystuje metody korelacji obrazów i jest w pe³ni zautomatyzowany.
Koncepcja metody klasyfikacji
W niniejszym artykule autorzy przedstawiaj¹ koncepcjê metody klasyfikacji treci zdjêæ wielospektralnych, która mo¿e byæ zastosowana do analizy sk³adu gatunkowego drzewosta-nów. Metoda w za³o¿eniach podobna jest do rozwi¹zania zastosowanego wczeniej przez autorów do analizy struktury drzewostanów na podstawie wartoci modeli terenu (Stereñ-czak, Bêdkowski, 2011). Obiektami podlegaj¹cymi klasyfikacji s¹ poszczególne drzewa, a nie piksele obrazu. Metoda, ³¹cz¹ca w sobie cechy klasyfikacji wielospektralnej i obiektowej, sk³ada siê z nastêpuj¹cych etapów:
1) wykonanie wielospektralnych zdjêæ lotniczych,
2) segmentacja obrazu w celu identyfikacji koron drzew i wskazania ich zasiêgów (obrysów), 3) wybór drzew reprezentuj¹cych poszczególne gatunki,
4) obliczenie charakterystyk opisuj¹cych jasnoæ obrazów koron drzew poszczególnych gatunków,
5) obliczenie charakterystyk opisuj¹cych jasnoæ obrazów poszczególnych koron drzew, 6) klasyfikacja koron drzew (wskazanie przynale¿noci do gatunku),
7) ustalenie sk³adu gatunkowego.
Przedstawiony tok postêpowania pozwoli na wyeliminowanie z procesu klasyfikacji tych czêci obrazu, które nie dotycz¹ koron drzew. Ponadto, poniewa¿ klasyfikowane s¹ ca³e korony, mo¿na unikn¹æ sytuacji niejednoznacznych, wystêpuj¹cych w pikselowej
klasyfika-cji wielospektralnej, gdy po zakoñczeniu klasyfikaklasyfika-cji w obrêbie korony danego drzewa znaj-duj¹ siê piksele zaliczone do ró¿nych gatunków. Jest to efekt przestrzennego zró¿nicowania koron drzew, gdzie, w zale¿noci od wielkoci piksela, na jego powierzchni znajduj¹ siê partie koron o ró¿nym uigleniu/ulistnieniu i ró¿nie owietlone. Im piksele s¹ mniejsze tym zmiennoæ wartoci charakterystyk spektralnych reprezentowanych przez nie fragmentów powierzchni koron jest wiêksza.
Wa¿nym etapem metody jest segmentacja obrazu, która mo¿e byæ wykonana na podsta-wie danych obrazowych, skanowania laserowego lub poprzez kombinacjê ró¿nych zbiorów danych w sposób manualny lub automatyczny. Na etapie opracowywania koncepcji metody, dokonano segmentacji manualnej, poprzez digitalizacjê ekranow¹ obrysów koron drzew.
Jak w ka¿dej metodzie klasyfikacji nadzorowanej, niezbêdne jest wskazanie obiektów (tutaj drzew) typowych dla poszczególnych gatunków. S¹ to tzw. pola wzorcowe lub trenin-gowe, na podstawie których wyliczane s¹ charakterystyki opisuj¹ce jasnoæ obrazu po-szczególnych gatunków drzew, we wszystkich kana³ach obrazu wielospektralnego. Sama klasyfikacja koron drzew mo¿e byæ zrealizowana za pomoc¹ znanych algorytmów, na przy-k³ad najmniejszej odleg³oci lub najwiêkszego prawdopodobieñstwa.
Ustalenie sk³adu gatunkowego polega na obliczeniu powierzchni rzutów koron drzew sklasyfikowanych do poszczególnych gatunków.
Materia³y i metodyka
W pracy autorzy wykorzystali ortomozaiki (rys. 1) utworzone ze zdjêæ drzewostanów uroczyska G³uchów w Lenym Zak³adzie Dowiadczalnym SGGW, wykonanych za po-moc¹ cyfrowych kamer niemetrycznych Sigma DP2, które rejestrowa³y obrazy w czterech zakresach spektralnych: niebieskim, zielonym, czerwonym oraz podczerwonym. Mo¿liwoæ rejestracji podczerwieni uzyskano poprzez ingerencjê w konstrukcjê jednego z aparatów usuniêcie fabrycznie zainstalowanego filtra podczerwieni (Zmarz, 2011). Platform¹ przeno-sz¹c¹ kamery by³ bezza³ogowy statek lataj¹cy AVI-1 firmy Taxus SI z Warszawy (Taxus, 2010; Zmarz, 2011), zaprojektowany specjalnie do wykonywania lotów fotogrametrycz-nych. Zdjêcia wykonano w padzierniku, czyli w koñcowej fazie sezonu wegetacyjnego, kiedy widoczne s¹ du¿e zmiany w barwach aparatu asymilacyjnego drzew. W momencie nalotu chmury by³y stosunkowo nisko, przez co brak by³o bezporedniego owietlenia s³o-necznego i otrzymano zdjêcia by³y ma³o kontrastowe, czyli o ma³ych ró¿nicach tonalnych miêdzy owietlonymi i zacienionymi czêciami koron drzew.
Przydatnoæ zdjêæ uzyskanych za pomoc¹ opisanego systemu BSL potwierdzono do-wiadczalnie. Zmarz i in. (2012) badali za ich pomoc¹ stan zdrowotny drzewostanu wierka pospolitego (Picea abies (Karst.) L.). Bêdkowski i Stereñczak (2012) podjêli natomiast pró-bê odró¿niania na zdjêciach obcego dla naszych lasów gatunku, jakim jest d¹b czerwony (Quercus rubra L.).
Na wydrukach zdjêæ zlokalizowano poszczególne egzemplarze drzew, a nastêpnie odna-leziono je w terenie i sprawdzono przynale¿noæ gatunkow¹. Kolejnym etapem by³a digitali-zacja na ortomozaikach zasiêgów koron drzew zidentyfikowanych w terenie.
W niniejszej pracy skoncentrowano siê wy³¹cznie na etapie doboru obiektów wzorco-wych dla klasyfikacji nadzorowanej. Wskazane poprzez digitalizacjê zasiêgi koron drzew potraktowano jak obiekty wzorcowe procedury klasyfikacji nadzorowanej. Na ich
podsta-wie, za pomoc¹ stosowanych w teledetekcji cyfrowej wskaników separowalnoci: wska-nika rozbie¿noci (Divergence), transformowanego wskawska-nika rozbie¿noci (Transformed divergence) oraz odleg³oci Bhattacharyya (Bhattacharyya distance), a tak¿e testów staty-stycznych, oceniono mo¿liwoæ odró¿nienia od siebie poszczególnych klas obiektów, który-mi by³y cztery gatunki drzew wystêpuj¹cych w drzewostanach objêtych nalotem (tab. 1). Poniewa¿ zdjêcia by³y wykonane w padzierniku, wyranie widoczne s¹ na nich przebarwie-nia koron dêbu bezszypu³kowego, co pozwoli³o na wyodrêbnienie dodatkowo trzech faz fenologicznych tego gatunku.
Tabela 1. Gatunki i ich fazy fenologiczne uwzglêdnione w dowiadczeniu k e n u t a G Skrót Lcizba w e z r d y w o k ³ u p y z s z e b b ¹ D Quercuspetraea .l b ei L ) a k h c s u tt a M ( lliicceieiz¿óeilot³ene DDbbbbss((z¿)) 2221 e w o z ¹ r b ei c i l Dbbs(b) 39 y n o w r e z c b ¹ D QuercusrubraL. Dbcz 17 a t a w o k w a d o r b a z o z r B BetulaverrucosaL. Brz 8 a n j a z c y w z a n s o S PinussylvestrsiL. So 120 i c o n ¿ ei b z o r k i n a k s W Divergence(rednai:0,33) ) z ( s b b D Dbbs(¿) Dbbs(b) Dbcz Brz ) ¿ ( s b b D 0,07 ) b ( s b b D 0,10 0,03 z c b D 0,20 0,09 0,02 z r B 0,12 0,05 0,04 0,09 o S 0,47 0,98 0,79 1 0,84 i c o n ¿ ei b z o r k i n a k s w y n a w o m r o f s n a r T Transformeddivergence(rednai:0,59) ) z ( s b b D Dbbs(¿) Dbbs(b) Dbcz Brz ) ¿ ( s b b D 0,39 ) b ( s b b D 0,48 0,17 z c b D 0,73 0,45 0,14 z r B 0,54 0,30 0,23 0,46 o S 0,96 1 1 1 1 a y y r a h c a tt a h B æ o ³ g el d O Bhattacharyyadsitance(rednai:0,27) ) z ( s b b D Dbbs(¿) Dbbs(b) Dbcz Brz ) ¿ ( s b b D 0,15 ) b ( s b b D 0,01 0 z c b D 0,11 0,05 0,01 z r B 0,38 0,08 0,23 0,20 o S 0,21 0,66 0,41 0,48 1
Tabela 2. Wskaniki separowalnoci gatunków (na podstawie wartoci w pikselach) podano wartoci wzglêdne wskaników
Tabela 3. Wskaniki separowalnoci gatunków (na podstawie wartoci rednich piseli w koronach drzew) podano wartoci wzglêdne wskaników
Analizy wykonano w dwóch wariantach. W pierwszym obiekty wzorcowe zosta³y po-traktowane w sposób klasyczny, stosowany w klasyfikacji wielospektralnej, w której obiek-tami klasyfikowanymi s¹ piksele. Utworzono zbiory charakterystyk (tzw. sygnatury) na pod-stawie oryginalnych wartoci jasnoci, w czterech kana³ach spektralnych, wszystkich pik-seli znajduj¹cych siê w obrêbie zdigitalizowanych koron. Drugi wariant polega³ na obliczeniu najpierw wartoci rednich jasnoci pikseli, w obrêbie koron, oddzielnie dla ka¿dego drzewa. Ka¿de drzewo zosta³o w ten sposób opisane czterema wartociami redniej jasnoci obrazu. Rozk³ady wartoci rednich jasnoci pikseli dla koron, w przestrzeni wyznaczonej przez parê kana³ów spektralnych 2 i 3, pokazano na rysunku 2.
Uzyskany zbiór wartoci jasnoci potraktowano dalej tak, jak pojedyncze piksele i utwo-rzono na ich podstawie sygnatury dla poszczególnych gatunków. Obliczone na podstawie sygnatur wskaniki separowalnoci gatunków w obydwu wariantach zestawiono w tabelach 2 i 3. Aby polepszyæ warunki porównania uzyskanych wyników przeliczono oryginalne war-toci wskaników na wielkoci wzglêdne. Podane liczby s¹ u³amkiem okrelaj¹cym stosu-nek wartoci wskanika do jego wartoci najwy¿szej. Nale¿y podkreliæ, ¿e teledetekcyjne wskaniki separowalnoci bior¹ pod uwagê ³¹cznie dane zebrane z wszystkich kana³ów spek-tralnych uwzglêdnionych w analizie.
i c o n ¿ ei b z o r k i n a k s W Divergence(rednai0,34) ) z ( s b b D Dbbs(¿) Dbbs(b) Dbcz Brz ) ¿ ( s b b D 0,09 ) b ( s b b D 0,13 0,09 z c b D 0,29 0,24 0,03 z r B 0,26 0,21 0,21 0,37 o S 0,48 1 0,61 0,83 0,55 i c o n ¿ ei b z o r k i n a k s w y n a w o m r o f s n a r T Transformeddivergence(rednai0,93) ) z ( s b b D Dbbs(¿) Dbbs(b) Dbcz Brz ) ¿ ( s b b D 0,81 ) b ( s b b D 0,91 0,80 z c b D 1 0,99 0,46 z r B 0,99 0,98 0,98 1 o S 1 1 1 1 1 a y y r a h c a tt a h B æ o ³ g el d O Bhattacharyyadsitance(rednai0,31) ) z ( s b b D Dbbs(¿) Dbbs(b) Dbcz Brz ) ¿ ( s b b D 0,15 ) b ( s b b D 0,06 0,09 z c b D 0,13 0,12 0,01 z r B 0,31 0,03 0,24 0,30 o S 0,26 0,71 0,48 0,84 1
Celem analizy by³o tak¿e sprawdzenie, czy wszystkie kana³y spektralne obrazów w rów-nym stopniu s¹ przydatne do odró¿niania gatunków drzew. Zastosowano t-test, do spraw-dzenia statystycznej istotnoci ró¿nic (p = 0,05) pomiêdzy rednimi wartociami jasnoci dla poszczególnych gatunków drzew w poszczególnych kana³ach spektralnych. Wyniki zesta-wiono w tabeli 4.
Omówienie wyników
Teledetekcyjne wskaniki separowalnoci pokazuj¹, ¿e sporód uwzglêdnionych w bada-niach gatunków drzew (i ich faz fenologicznych) naj³atwiejszym do odró¿nienia od pozosta-³ych jest sosna. Jest to wynik oczywisty ze wzglêdu na znan¹ w teledetekcji ró¿nicê charak-terystyk spektralnych gatunków iglastych i liciastymi. Tutaj zosta³a jeszcze wzmocniona przez efekt jesiennego przebarwienia siê lici drzew. Najtrudniejszym do odró¿nienia jest d¹b czerwony, który w tej porze roku jest spektralnie bardzo podobny do br¹zowych lici dêbu bezszypu³kowego. Trudnoci sprawiaæ mo¿e te¿ brzoza.
Wskaniki wyliczone na podstawie wartoci rednich jasnoci w obrêbie poszczegól-nych koron (tab. 3) s¹ lepsze od wskaników obliczoposzczegól-nych na podstawie wartoci w pikse-lach (tab. 2). Wyranie wy¿sze s¹ np. wartoci w grupie gatunków liciastych. Wynik suge-ruje, ¿e ten sposób prowadzenia klasyfikacji treci zdjêæ mo¿e daæ rezultaty lepsze od klasy-fikacji dotycz¹cej pojedynczych pikseli.
Tabela 4. Ocena separowalnoci gatunków w poszczególnych kana³ach spektralnych niebieskim (B), zielonym (G), czerwonym (R) i podczerwonym (IR) wynik t-testu na wartociach rednich pikseli
w koronach drzew i k n u t a g e n a w y n w ó r o P Statystycznei sitotnaró¿ncia? ) B ( 1 ³ a n a K Kana³2(G) Kana³3(R) Kana³4 I(R) ) z ( s b b D Dbbs(¿) TAK TAK ) b ( s b b D TAK TAK TAK z c b D TAK TAK TAK z r B TAK TAK TAK o S TAK TAK TAK TAK ) ¿ ( s b b D Dbbs(b) TAK TAK TAK TAK z c b D TAK TAK TAK TAK z r B TAK o S TAK TAK TAK TAK ) b ( s b b D Dbcz z r B TAK TAK TAK TAK o S TAK TAK TAK TAK z c b D Brz TAK TAK TAK TAK o S TAK TAK TAK TAK z r B So TAK TAK TAK TAK
Podobne wnioski mo¿na wyci¹gn¹æ na podstawie analizy zawartoci tabeli 4. Zastoso-wany test wykaza³ na przyk³ad, ¿e jasnoæ obrazu dêbu czerwonego nie ró¿ni siê istotnie od jasnoci obrazu dêbu bezszypu³kowego (w fazie lici br¹zowych) we wszystkich kana³ach spektralnych. Jasnoæ obrazu brzozy nie ró¿ni siê istotnie od jasnoci obrazu dêbu bezszy-pu³kowego (w fazie lici ¿ó³tych) w trzech kana³ach spektralnych. W kanale 1 (niebieskim) nie mo¿na odró¿niæ miêdzy sob¹ niemal wszystkich dêbów.
Wnioski
Uzyskane wyniki sugeruj¹, ¿e przeprowadzenie klasyfikacji treci obrazów na podstawie wartoci rednich jasnoci obrazów koron drzew mo¿e daæ rezultaty lepsze od klasyfikacji tradycyjnej, operuj¹cej na pojedynczych pikselach. Nale¿y jednak¿e pamiêtaæ, ¿e wykonane analizy dotycz¹ specyficznych obrazów uzyskanych za pomoc¹ unikatowego zestawu ka-mer niemetrycznych, w nietypowych warunkach owietlenia oraz w porze roku, w której bardzo rzadko wykonywane s¹ zobrazowania na potrzeby analizy stanu rodowiska lenego. Wykorzystano scenê, bêd¹c¹ jedynie wycinkiem ortomozaiki. Z tych powodów wnioski musz¹ byæ przyjmowane z du¿¹ ostro¿noci¹.
Praca dotyczy sposobu postêpowania przy klasyfikacji, dla którego autorzy zapropono-wali nazwê klasyfikacji quasi-obiektowej przez podobieñstwo do znanej w teledetekcji klasyfikacji obiektowej. Metoda wymaga sprawdzenia na liczniejszym materiale badawczym, uzyskiwanym w ró¿nych warunkach przyrodniczych i technicznych. Warto rozpatrzyæ miê-dzy innymi problem wp³ywu sposobu wyznaczania zasiêgów koron drzew na uzyskiwane wyniki. Mo¿liwe jest na przyk³ad ulepszenie procedury przez ograniczenie wielkoci prób pobieranych w koronach drzew do ich czêci przyrodkowych. Mo¿na siê spodziewaæ, ¿e w tej strefie koron warunki owietlenia s¹ bardziej stabilne i pobierane próby bêd¹ wewnêtrz-nie mwewnêtrz-niej zró¿nicowane pod wzglêdem jasnoci pikseli.
Literatura
Bêdkowski K., Stereñczak K., 2012: Rozpoznawanie dêbu czerwonego (Quercus rubra L.) na zdjêciach lotniczych wykonanych w koñcowej fazie sezonu wegetacyjnego. Studia i Materia³y Centrum Edukacji
Przyrodniczo-Lenej, R. 14. (w druku).
Definiens, 2004: Definiens Imaging. eCognition Users Guide dokumentacja oprogramowania. Idrisi Taiga, 2009: Clark Labs, Worcester, USA.
Stereñczak K., Bêdkowski K., 2011: Wykorzystanie numerycznego modelu terenu i modelu pokrycia terenu do klasyfikacji drzewostanów na podstawie ich struktury pionowej i gatunkowej. Sylwan 155 (4): 219-227. Taxus, 2010: Taxus SI Sp. z o.o. Samolot do fotografii z powietrza. Dokumentacja techniczna. Warszawa. Zmarz A., 2011: Zastosowanie bezza³ogowych statków lataj¹cych do pozyskania danych obrazowych o lesie.
Katedra Urz¹dzania Lasu, Geomatyki i Ekonomiki Lenictwa, SGGW w Warszawie. Praca doktorska. Zmarz A., Bêdkowski K., Micicki S., Plutecki W., 2012: Ocena stanu zdrowotnego wierka na podstawie
analizy zdjêæ wielospektralnych wykonanych fotograficznymi aparatami cyfrowymi przenoszonymi przez bezza³ogowy statek lataj¹cy. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 23: 541-550.
Abstract
The aim of this paper is to present a concept of a quasi-object-based method for tree species classifi-cation. Forest stands were composed mainly of scotch pine (Pinus sylvestris L), sessile oak (Quercus petraea (Mattuschka) Liebl.), with some birch (Betula verrucosa L.) and eastern red oak (Quercus rubra L.). The main crown characteristics used were: mean DN values calculated separately for each species and spectral band. These statistics were used as signatures for training fields in supervi-sed classification procedure. With distance measures such as Divergence, Transformed divergence and Bhattacharayya distance separation of each species was tested. The results of quasi-object-based and multispectral pixel-wise classification were compared. According to the results achieved the quasi-object-based classification was better and more suitable.
dr hab. in¿. Krzysztof Bêdkowski, prof. SGGW krzysztof.bedkowski@wl.sggw.pl
tel. 22 593-82-22
dr in¿. Krzysztof Stereñczak krzysztof.sterenczak@wl.sggw.pl tel. 22 593-82-17