Koncepcja quasi-obiektowej metody analizy wielospektralnych zdjęć lotniczych i jej zastosowania do analizy składu gatunkowego drzewostanów

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 Leœnictwa, Wydzia³ Leœny Szko³a G³ówna Gospodarstwa Wiejskiego w Warszawie

S³owa kluczowe: leœnictwo, 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 treœci obrazów, który wspó³czeœnie realizowany jest za pomoc¹ algorytmów klasyfikaklasyfika-cji wielospektralnej lub obiektowej. W klasyfikacji wielospektralnej analizowanymi obiektami s¹ pojedyncze piksele obrazu. Ich przynale¿noœæ do danej klasy wynika z wartoœci jasnoœci 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 treœci analizowanych obrazów. W wariancie klasyfikacji nienadzorowanej algorytm poszukuje pikseli podobnych pod wzglêdem wartoœci jasnoœci 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 jasnoœci pikseli

oraz ich wzajemnego przestrzennego uk³adu (Definiens, 2004). Wyró¿niane s¹ na tej podsta-wie segmenty obrazu. Wielkoœæ wyznaczanych segmentów jest jednym z parametrów meto-dy. Na obszarach lasów segmentem mo¿e byæ drzewostan, jeœli w wystarczaj¹cym stopniu odró¿nia siê od otaczaj¹cych go drzewostanów, grupy drzew, pojedyncze drzewa lub nawet fragmenty koron. Jak wynika z doœwiadczeñ, podzia³ koron drzew na mniejsze jednostki powodowany jest niejednakowym (kierunkowym) oœwietleniem – w ka¿dej koronie s¹ partie jasne, pozostaj¹ce w cieniu w³asnym lub w cieniu rzucanym przez inne drzewa. Zmiennoœæ oœwietlenia koron jest czynnikiem bardzo utrudniaj¹cym zastosowanie w leœnictwie metod cyfrowego przetwarzania obrazów o du¿ej rozdzielczoœci.

Zdjêcia lotnicze wykonywane w ró¿nych zakresach spektralnych s¹ wykorzystywane w leœnictwie miêdzy innymi do oceny stanu zdrowotnego lub sk³adu gatunkowego drzewosta-nów. Klasyfikacja treœci obrazów opiera siê na wizualnej lub cyfrowej analizie widocznych na zdjêciach barw koron drzew.

Teledetekcja lasów zyska³a ostatnio nowe mo¿liwoœci wykonywania obrazów poprzez za-stosowanie bezza³ogowych statków lataj¹cych (BSL). Podstawow¹ ich zalet¹ jest mo¿liwoœæ 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 wysokoœci, przy trudnych warunkach oœwietlenia (np. pod chmurami) i dotyczyæ niedu¿ego obszaru (aspekt ekonomiczny). Szczególnie wa¿na, jak wynika z naszych dotychczasowych analiz, jest mo¿liwoœæ wykonywania zdjêæ bezcieniowych, na których ko-rony drzew s¹ oœwietlone 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 wysokoœciowego 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 treœci zdjêæ wielospektralnych, która mo¿e byæ zastosowana do analizy sk³adu gatunkowego drzewosta-nów. Metoda w za³o¿eniach podobna jest do rozwi¹zania zastosowanego wczeœniej przez autorów do analizy struktury drzewostanów na podstawie wartoœci 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 jasnoœæ obrazów koron drzew poszczególnych gatunków,

5) obliczenie charakterystyk opisuj¹cych jasnoœæ obrazów poszczególnych koron drzew, 6) klasyfikacja koron drzew (wskazanie przynale¿noœci do gatunku),

7) ustalenie sk³adu gatunkowego.

Przedstawiony tok postêpowania pozwoli na wyeliminowanie z procesu klasyfikacji tych czêœci 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¿noœci od wielkoœci piksela, na jego powierzchni znajduj¹ siê partie koron o ró¿nym uigleniu/ulistnieniu i ró¿nie oœwietlone. Im piksele s¹ mniejsze tym zmiennoœæ wartoœci 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 jasnoœæ 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 odleg³oœci 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 Leœnym Zak³adzie Doœwiadczalnym SGGW, wykonanych za po-moc¹ cyfrowych kamer niemetrycznych Sigma DP2, które rejestrowa³y obrazy w czterech zakresach spektralnych: niebieskim, zielonym, czerwonym oraz podczerwonym. Mo¿liwoœæ 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 paŸdzierniku, 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 bezpoœredniego oœwietlenia s³o-necznego i otrzymano zdjêcia by³y ma³o kontrastowe, czyli o ma³ych ró¿nicach tonalnych miêdzy oœwietlonymi i zacienionymi czêœciami koron drzew.

Przydatnoœæ zdjêæ uzyskanych za pomoc¹ opisanego systemu BSL potwierdzono do-œwiadczalnie. Zmarz i in. (2012) badali za ich pomoc¹ stan zdrowotny drzewostanu œwierka 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¿noœæ 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 wskaŸników separowalnoœci: wskaŸ-nika rozbie¿noœci (Divergence), transformowanego wskaŸwskaŸ-nika rozbie¿noœci (Transformed divergence) oraz odleg³oœci Bhattacharyya – (Bhattacharyya distance), a tak¿e testów staty-stycznych, oceniono mo¿liwoœæ 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 paŸdzierniku, wyraŸnie 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 doœwiadczeniu 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 ( _llœi_œic_ceieiz_¿óeilo_t³ene D_Db_bb_bss(₍z_¿)_{) 2}2₂1 e w o z ¹ r b ei c œi 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 œ o n ¿ ei b z o r k i n Ÿ a k s W Divergence(œrednai: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 œ o n ¿ ei b z o r k i n Ÿ a k s w y n a w o m r o f s n a r T Transformeddivergence(œrednai: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 œ o ³ g el d O Bhattacharyyadsitance(œrednai: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. WskaŸniki separowalnoœci gatunków (na podstawie wartoœci w pikselach) – podano wartoœci wzglêdne wskaŸników

Tabela 3. WskaŸniki separowalnoœci gatunków (na podstawie wartoœci œrednich piseli w koronach drzew) – podano wartoœci wzglêdne wskaŸników

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 wartoœci jasnoœci, w czterech kana³ach spektralnych, wszystkich pik-seli znajduj¹cych siê w obrêbie zdigitalizowanych koron. Drugi wariant polega³ na obliczeniu najpierw wartoœci œrednich jasnoœci pikseli, w obrêbie koron, oddzielnie dla ka¿dego drzewa. Ka¿de drzewo zosta³o w ten sposób opisane czterema wartoœciami œredniej jasnoœci obrazu. Rozk³ady wartoœci œrednich jasnoœci pikseli dla koron, w przestrzeni wyznaczonej przez parê kana³ów spektralnych 2 i 3, pokazano na rysunku 2.

Uzyskany zbiór wartoœci jasnoœci potraktowano dalej tak, jak pojedyncze piksele i utwo-rzono na ich podstawie sygnatury dla poszczególnych gatunków. Obliczone na podstawie sygnatur wskaŸniki separowalnoœci gatunków w obydwu wariantach zestawiono w tabelach 2 i 3. Aby polepszyæ warunki porównania uzyskanych wyników przeliczono oryginalne war-toœci wskaŸników na wielkoœci wzglêdne. Podane liczby s¹ u³amkiem okreœlaj¹cym stosu-nek wartoœci wskaŸnika do jego wartoœci najwy¿szej. Nale¿y podkreœliæ, ¿e teledetekcyjne wskaŸniki separowalnoœci bior¹ pod uwagê ³¹cznie dane zebrane z wszystkich kana³ów spek-tralnych uwzglêdnionych w analizie.

– i c œ o n ¿ ei b z o r k i n Ÿ a k s W Divergence(œrednai0,34) ) 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 œ o n ¿ ei b z o r k i n Ÿ a k s w y n a w o m r o f s n a r T Transformeddivergence(œrednai0,93) ) 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 œ o ³ g el d O Bhattacharyyadsitance(œrednai0,31) ) 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 istotnoœci ró¿nic (p = 0,05) pomiêdzy œrednimi wartoœciami jasnoœci dla poszczególnych gatunków drzew w poszczególnych kana³ach spektralnych. Wyniki zesta-wiono w tabeli 4.

Omówienie wyników

Teledetekcyjne wskaŸniki separowalnoœci pokazuj¹, ¿e spoœród 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 liœciastymi. Tutaj zosta³a jeszcze wzmocniona przez efekt jesiennego przebarwienia siê liœci drzew. Najtrudniejszym do odró¿nienia jest d¹b czerwony, który w tej porze roku jest spektralnie bardzo podobny do br¹zowych liœci dêbu bezszypu³kowego. Trudnoœci sprawiaæ mo¿e te¿ brzoza.

WskaŸniki wyliczone na podstawie wartoœci œrednich jasnoœci w obrêbie poszczegól-nych koron (tab. 3) s¹ lepsze od wskaŸników obliczoposzczegól-nych na podstawie wartoœci w pikse-lach (tab. 2). WyraŸnie wy¿sze s¹ np. wartoœci w grupie gatunków liœciastych. Wynik suge-ruje, ¿e ten sposób prowadzenia klasyfikacji treœci zdjêæ mo¿e daæ rezultaty lepsze od klasy-fikacji dotycz¹cej pojedynczych pikseli.

Tabela 4. Ocena separowalnoœci gatunków w poszczególnych kana³ach spektralnych – niebieskim (B), zielonym (G), czerwonym (R) i podczerwonym (IR) – wynik t-testu na wartoœciach œrednich 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 zawartoœci tabeli 4. Zastoso-wany test wykaza³ na przyk³ad, ¿e jasnoœæ obrazu dêbu czerwonego nie ró¿ni siê istotnie od jasnoœci obrazu dêbu bezszypu³kowego (w fazie liœci br¹zowych) we wszystkich kana³ach spektralnych. Jasnoœæ obrazu brzozy nie ró¿ni siê istotnie od jasnoœci obrazu dêbu bezszy-pu³kowego (w fazie liœci ¿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 treœci obrazów na podstawie wartoœci œrednich jasnoœci 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 oœwietlenia oraz w porze roku, w której bardzo rzadko wykonywane s¹ zobrazowania na potrzeby analizy stanu œrodowiska leœnego. Wykorzystano scenê, bêd¹c¹ jedynie wycinkiem ortomozaiki. Z tych powodów wnioski musz¹ byæ przyjmowane z du¿¹ ostro¿noœci¹.

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 wielkoœci prób pobieranych w koronach drzew do ich czêœci przyœrodkowych. Mo¿na siê spodziewaæ, ¿e w tej strefie koron warunki oœwietlenia s¹ bardziej stabilne i pobierane próby bêd¹ wewnêtrz-nie mwewnêtrz-niej zró¿nicowane pod wzglêdem jasnoœci 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-Leœnej, 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 Leœnictwa, SGGW w Warszawie. Praca doktorska. Zmarz A., Bêdkowski K., Miœcicki S., Plutecki W., 2012: Ocena stanu zdrowotnego œwierka 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