Zastosowanie sztucznych sieci neuronowych do aktualizacji map pokrycia terenu Corine
|
|
- Daria Baran
- 7 lat temu
- Przeglądów:
Transkrypt
1 MARTYNA GOLENIA, BOGDAN ZAGAJEWSKI, ADRIAN OCHTYRA Zakład Geoinformatyki, Kartografii i Teledetekcji Wydział Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego martyna.golenia@student.uw.edu.pl; bogdan@uw.edu.pl; adrian.ochtyra@uw.edu.pl AGATA HOŚCIŁO Centrum Teledetekcji, Instytut Geodezji i Kartografii agata.hoscilo@igik.edu.pl Polski Przegląd Kartograficzny Tom 47, 2015, nr 3-4, s Zastosowanie sztucznych sieci neuronowych do aktualizacji map pokrycia terenu Corine Z a r y s t r e ś c i. Aktualne mapy pokrycia terenu są podstawą wielu dyscyplin nauki oraz mają szerokie zastosowanie aplikacyjne. Jednym z problemów aktualizacji map jest proces aktualizacji danych. Teledetekcja dostarcza codziennie nowych zobrazowań satelitarnych, które mogą zaspokoić potrzeby aktualizacji baz danych. W niniejszym artykule autorzy przedstawiają metodę klasyfikacji pokrycia terenu sztucznymi sieciami neuronowymi fuzzy ARTMAP zgodnie z założeniami i legendą Corine Land Cover na podstawie danych satelitarnych Landsat, które wykorzystywane są do opracowania map pokrycia terenu. W artykule użyto jako danych referencyjnych i weryfikacyjnych najnowszą mapę Corine Land Cover (CLC) Do przeprowadzenia klasyfikacji symulatorem wykorzystano trzy zdjęcia satelitarne Landsat TM ( , , ). Obszarem badań były okolice Warszawy. Wynikami pracy symulatora są mapy klasyfikacji pokrycia terenu oraz macierze błędów klasyfikacji. Uzyskane wyniki potwierdzają, że sztuczne sieci neuronowe mogą z powodzeniem być wykorzystywane do aktualizacji map pokrycia terenu. S ł o w a k l u c z o w e: klasyfikacja, Corine Land Cover, Landsat, sztuczne sieci neuronowe, Warszawa 1. Wprowadzenie Opracowanie aktualnej mapy pokrycia terenu to czasochłonna procedura, gdyż z uwagi na wzrost i rozwój roślinności oraz szybkie procesy urbanizacji mapy te muszą być często aktualizowane. Jednym ze źródeł danych wykorzystywanych do aktualizacji map pokrycia terenu są zdjęcia satelitarne, pozyskiwane codziennie lub w kilkudniowych odstępach. Dotychczas bazy danych Corine Land Cover dla Polski powstawały w wyniku eksperckiej wizualnej interpretacji zobrazowań satelitarnych. Wizualna interpretacja jest procesem czasochłonnym, w przypadku CLC2012 obejmujących Polskę trwającym prawie półtora roku (A. Hościło, M. Tomaszewska 2015), kosztownym i subiektywnym. Dlatego istotne jest wypracowanie metodologii automatycznej lub półautomatycznej klasyfikacji pokrycia terenu. Taka metoda jest bardziej obiektywna i tańsza, a proces klasyfikacji zajmuje mniej czasu niż w przypadku interpretacji wizualnej. Wykorzystanie symulatora sztucznych sieci neuronowych o logice rozmytej fuzzy ARTMAP (G.A. Carpenter i in. 1992) w celu wygenerowania map pokrycia terenu dają duże możliwości zautomatyzowania procesu klasyfikacji. Zadaniem postawionym w niniejszym artykule jest ocena metodyki procesu klasyfikacji pokrycia terenu według legendy Corine Land Cover z wykorzystaniem zdjęć Landsat 1 oraz symulatora fuzzy ARTMAP. Badania zostały przeprowadzone na obszarze Warszawy i terenach znajdujących się na południe od miasta (ryc. 1). Landsat to nazwa programu pozyskującego zdjęcia satelitarne Ziemi nieprzerwanie od 1972 roku, w ramach którego wystrzelono osiem satelitów. W artykule poddano analizie zdjęcia z satelity Landsat 5, o rozdzielczości przestrzennej 30 m. Od 1995 zdjęcia Landsat zaczęto wykorzystywać przy opracowaniu mapy Corine Land Cover (E. Bielecka, A. Ciołkosz 2004). Parametry tych satelitów przedstawia tabela 1. 1 Landsat Science, landsat.gsfc.nasa.gov
2 258 Martyna Golenia, Bogdan Zagajewski, Adrian Ochtyra, Agata Hościło Projekt CLC powstał z inicjatywy Europejskiej Agencji Środowiska (EEA) w latach 1990 w celu koordynacji przedsięwzięć zmierzających do gromadzenia danych na temat środowiska ujednolicenia jakości pozyskiwanych informacji oraz śledzenia dynamiki zmian pokrycia terenu w krajach Unii Europejskiej (Commission of the European Communities 1995). Legenda Corine zawiera 44 klasy form pokrycia terenu i podzielona jest na trzy hierarchiczne poziomy szczegółowości. Pierwszy poziom zawiera 5 klas, drugi 15, trzeci 44 klasy Ryc. 1. Obszar badań widziany z satelity Landsat 5 w kompozycji RGB z dnia 5 czerwca 2011 r. Tab. 1. Misje satelitarne Landsat Satelita Okres działania Rozdzielczość spektralna (μm) Rozdzielczość przestrzenna (m) Landsat TM: liczba kanałów: 7 MSS: 80 m (MS); TM: 30 m (MS) i 120 m (IR) Landsat (awaria, nie osiągnął orbity) Landsat 7 od wciąż obrazuje ETM+: liczba kanałów: 8 ETM+: 15 m (PAN), 30 m (MS) i 60 m (IR) Landsat 8 od wciąż obrazuje OLI: liczba kanałów: 11 OLI: 15 m (PAN), 30 m (MS, IR), TIRS: 100 m
3 Zastosowanie sztucznych sieci neuronowych do aktualizacji map pokrycia terenu Corine 259 form pokrycia terenu. Baza danych CLC w Polsce zawiera 33 klasy pokrycia terenu według trzeciego poziomu 2. Mapy CLC co kilka lat są aktualizowane, a najnowsza mapa pokrycia terenu Polski pochodzi z 2012 roku. Dzięki tym aktualizacjom można dokonywać porównania dwóch map CLC, aby otrzymać zmienność pokrycia terenu w wybranym okresie (J. Feranec i in. 2007). Mapy CLC 2012 wykorzystano do narysowania poligonów treningowych i weryfikacyjnych (J.B. Campbell, R.H. Wynne 2011) w celu przeprowadzenia klasyfikacji, czyli przydzielenia pikseli o podobnym odbiciu spektralnym do określonego klastra, który odpowiada określonej grupie obiektów (J.R. Anderson 1976). Klasyfikacja metodą sztucznych sieci neuronowych bazuje na parametrach spektralnych obrazu i na składowych nieparametrycznych, czyli powtarzających się układach pikseli (R. Tadeusiewicz 2007). Opiera się na fizjologii ludzkiego postrzegania obiektów, która wykorzystuje zarówno barwy, jak i struktury i tekstury obiektów (R. Lula, R. Tadeusiewicz 2001). Człowiek ma możliwość rozpoznawania obiektów z wykorzystaniem tych cech (B. Zagajewski 2010). Sztuczna sieć neuronowa również korzysta z tych cech i dzięki nim z użyciem danych wejściowych wytwarza nową informację. Główne badania nad sieciami neuronowymi prowadzone były w latach i nabierały rozmachu wraz z rozwojem technik komputerowych. Przełomowym odkryciem była pamięć asocjacyjna oraz stworzenie sieci typu ART (G.A. Carpenter i in. 1992). Wraz z rozwojem sztucznych sieci neuronowych rosło ich zastosowanie w procesie klasyfikacji (J.F. Mas 2004, H. Yuan i in. 2009, J. Olczyk 2014). Porównując klasyfikację sztucznymi sieciami neuronowymi (dokładność całkowita 86%) z metodą największego prawdopodobieństwa (dokładność całkowita 75%) lub metodą analizy dyskryminacyjnej (dokładność całkowita 75%), widać wyraźną przewagę tej pierwszej (M. Heinl i in. 2009). Warto zwrócić uwagę na rosnące znaczenie sztucznych sieci neuronowych przy klasyfikacji pokrycia terenu obszarów zurbanizowanych, ze względu na dużą rozpiętość odbicia spektralnego zabudowy (M.J. Aitkenhead, I.H. Aalders 2008; Iwaniak i in. 2002; M. Krówczyńska 2004). Sieci neuronowe dają nowe 2 Projekt Corine Land Cover, -projekt możliwości klasyfikacji tego rodzaju pokrycia terenu dzięki zastosowaniu dodatkowych czynników. M.J. Aitkenhead, I.H. Aalders (2008) podjęli próbę sklasyfikowania pokrycia terenu szkockiego miasta Aberdeen metodą sztucznych sieci neuronowych (metoda propagacji wstecznej) z pozytywnym skutkiem uzyskano dokładność na poziomie 84,7%. Wykorzystywany przez autorów symulator fuzzy ARTMAP został przygotowany przez zespół prof. Paolo Gamba z Uniwersytetu w Pawii. Jest to sieć nadzorowana, w przypadku której do klasyfikacji wykorzystywany jest wcześniej przygotowany schemat wzorcowy, czyli pliki z oddzielnie przygotowanymi poligonami treningowymi i weryfikacyjnymi. Ważne, aby tworząc poligony, piksele treningowe i wzorcowe nie pokrywały się, gdyż może to negatywnie wpływać na wynik klasyfikacji. Do sieci wprowadzane są te dwa wzorce: pierwszy uczący, drugi weryfikujący. Definiowane są również parametry dotyczące wyboru sygnałów neuronów, szybkości uczenia się sieci, wskaźnika prawdopodobieństwa i liczby iteracji. Sieć ma za zadanie nauczyć się jak najlepiej relacji między wyżej wspominanymi plikami (B. Zagajewski 2010). Symulator fuzzy ARTMAP to również sieć współzawodnicząca. Wewnątrz sieci działają dwa symulatory, które równolegle klasyfikują dane. Obraz lepiej sklasyfikowany podawany jest jako wynik końcowy działania sieci (B. Zagajewski 2010). B. Zagajewski (2010), U. Pytlak (2013) oraz M. Kacprzyk (2013) w swoich pracach klasyfikowali zdjęcia satelitarne z wykorzystaniem symulatora fuzzy ARTMAP. B. Zagajewski pracował na danych hiperspektralnych DAIS 7915 (dokładność producenta 86%, dokładność użytkownika 75,1%), zaś U. Pytlak (dokładność całkowita 90,9%) i M. Kacprzyk (dokładność całkowitą 68%) na danych wielospektralnych Landsat. Można zauważyć lepsze wyniki klasyfikacji danych o dokładniejszej rozdzielczości spektralnej i przestrzennej. 2. Metodyka pracy Klasyfikację przeprowadzono dla drugiego poziomu legendy Corine Land Cover 2012 (CLC12) z wykorzystaniem dziesięciu klas. Klasyfikacja i ocena jej dokładności wykonywane były według schematu przedstawionego na rycinie 2.
4 260 Martyna Golenia, Bogdan Zagajewski, Adrian Ochtyra, Agata Hościło Pierwszym etapem pracy było przygotowanie mapy bazowej Corine Land Cover 2012 i zdjęć satelitarnych do dalszego przetwarzania (wykonano transformację z PUWG 1992 do WGS-84 w programie ArcMap ESRI oraz przycięto do analizowanego obszaru). Obrazy satelitarne Landsat 5 zostały pozyskane ze strony earthexplorer.usgs.gov kolejno 21 kwietnia 2011 r., 5 czerwca 2010 r. i 27 sierpnia 2011 roku. W drugim etapie do przeprowadzenia klasyfikacji narysowano poligony treningowe i weryfikacyjne na podstawie legendy Corine Land Cover. Na analizowanym obszarze wyznaczono 10 form pokrycia terenu według drugiego poziomu legendy CLC: 1.1 zabudowa miejska, 1.2 tereny przemysłowe, handlowe i komunikacyjne, 1.4 miejskie tereny zielone i wypoczynkowe, 2.1 grunty orne, 2.2 uprawy trwałe, 2.3 łąki i pastwiska, 2.4 obszary upraw mieszanych, 3.1 lasy, 3.2 zespoły roślinności drzewiastej i krzewiastej, 5.1 wody śródlądowe. Korzystając ze zdjęć Landsat na podstawie różnicy między najwyższym odbiciem w paśmie bliskiej podczerwieni a absorpcją w paśmie czerwonym obliczono znormalizowany wskaźnik zieleni NDVI (ang. Normalized Difference Vegetation Index), który pomógł rozróżnić formy terenu związane z roślinnością. Do przeprowadzenia klasyfikacji za pomocą symulatora fuzzy ARTMAP wykorzystano sześć kanałów zobrazowania Landsat (pominięto kanał termalny), poligony treningowe i weryfikacyjne w postaci bitmap oraz wskaźnik NDVI. W wyniku pracy Ryc. 2. Metodyka pracy
5 Zastosowanie sztucznych sieci neuronowych do aktualizacji map pokrycia terenu Corine 261 sztucznej sieci neuronowej otrzymano obraz poklasyfikacyjny i tabelę dokładności. Na koniec dokonano oceny dokładności całkowitej, która określa stosunek liczby pikseli prawidłowo sklasyfikowanych do wszystkich pikseli. W tym celu wykorzystano macierz błędów zbudowaną z wierszy zawierających wydzielenia wzorca oraz z kolumn, w których zapisane są wyniki poszczególnych wydzieleń pochodzące z klasyfikacji (B. Zagajewski 2010). Macierz ta informuje w jaki sposób (z jakim wynikiem dokładności) zostały sklasyfikowane piksele w poszczególnych polach weryfikacyjnych (J.R. Jensen 2005). 3. Wyniki klasyfikacji W wyniku klasyfikacji z użyciem poligonów narysowanych na podstawie mapy pokrycia terenu Corine Land Cover 2012 otrzymano obrazy poklasyfikacyjne. Uzyskano również macierze błędów informujące o dokładnościach. Dokładności całkowite, otrzymane dla wszystkich obrazów poklasyfikacyjnych, są zbliżone i oscylują wokół 70%. Najlepszy wynik (76%) uzyskano dla zdjęcia z sierpnia, zaś najgorszy wynik dla zdjęcia wykonanego w czerwcu (68,6%). Analizując wyniki (tab. 2) stwierdzono, że cztery z dziesięciu form pokrycia terenu klasyfikują się bardzo dobrze (dokładności użytkownika i producenta %). Są to kolejno: 5.1 wody śródlądowe, 3.1 lasy, 1.1 zabudowa miejska, 2.1 grunty orne. Forma 2.4 obszary upraw mieszanych nie klasyfikuje się poprawnie wyniki sięgają poniżej 30%. Pozostałe klasy dopasowywane są z dokładnością na poziomie 50 70%. W celu przybliżenia relacji zachodzących w macierzy błędu przedstawiono wynik na przykładzie klasy 3.1 lasy. Prawidłowo zaklasyfikowały się 7084 piksele. Najwięcej niepoprawnie przyporządkowanych pikseli klasy 3.1 lasy zostało przypisanych kolejno do klas: 3.2 zespoły roślinności drzewiastej i krzewiastej Tab. 2. Macierz błędów klasyfikacji zobrazowania z 21 kwietnia 2011 r. Formy pokrycia terenu D.U. Liczba sklasyfikowanych pikseli Lasy 92.13% Zabudowa miejska 86.93% Grunty orne 77.30% Łąki i pastwiska 68.50% Wody śródlądowe 96.41% Uprawy trwałe 74.15% Zespoły roślinności drzewiastej i krzewiastej 51.66% Obszary upraw mieszanych 1.4. Miejskie tereny zielone i wypoczynkowe 1.2. Tereny przemysłowe, handlowe i komunikacyjne 18.33% % % D.P % 77.05% 79.22% 68.97% 97.40% 66.55% 45.32% 25.85% 71.67% 59.29% D.U. dokładność użytkownika, D.P. dokładność producenta
6 262 Martyna Golenia, Bogdan Zagajewski, Adrian Ochtyra, Agata Hościło (458 pikseli), 2.4 obszary upraw mieszanych (71 pikseli), 2.3 łąki i pastwiska (67 pikseli) oraz 2.2 uprawy trwałe (9 pikseli). Natomiast żaden piksel nie sklasyfikował się jako klasy: 1.1 zabudowa miejska, 1.2 tereny przemysłowe, 1.4 miejskie tereny zielone i wypoczynkowe, 2.1 gruntyorne oraz 5.1 wody śródlądowe. Aby lepiej zobrazować wynik pracy symulatora, opracowano mapę poklasyfikacyjną na podstawie zdjęcia z 21 kwietnia 2011 r., gdzie 75,1% pikseli zostało sklasyfikowanych poprawnie. Wynik klasyfikacji przedstawia rycina 3. Porównując wszystkie wykonane klasyfikacje stwierdzono, że najlepsze wyniki uzyskano dla zdjęcia z sierpnia otrzymano dokładność całkowitą na poziomie 76,6%. Odnosząc otrzymane wyniki do rezultatów M. Łyko w 2012 r. (dokładność całkowita 62%), J.F. Masa i in. w 2004 (74%), H. Yuana i in. z 2009 (88,1%) czy M.J. Aitkenheada i I.H. Aaldersa w 2008 r. (84,7%) stwierdzono, że uzyskana przez autorów artykułu dokładność 76,6% jest zadowalającym wynikiem. Dokładność zależy od analizowanego obszaru (jego heterogeniczności) i metody, jaką klasyfikowane są zdjęcia. Formami z najwyższymi wartościami dokładności producenta i użytkownika są wody śródlądowe (dokładność producenta 97,31%, dokładność użytkownika 98,14%) i lasy (99,09% i 94,58%). Najgorzej klasyfikują się obszary upraw mieszanych (13,45% i 23,29%). Podobne wyniki klasyfikacji otrzymali inni badacze wykorzystujący sieci neuronowe. J.F. Mas i in. Ryc. 3. Obraz poklasyfikacyjny zdjęcia z 21 kwietnia 2011 r. (2004) otrzymali najwyższe wartości dokładności dla wód (dokładność użytkownika 98%, dokładność producenta 98%), zaś H. Yuan i in. (2009) stosując metodę nadzorowaną uzyskali dokładności użytkownika i producenta dla klas woda 100% i 98,3% oraz lasy 100% i 74,1%. U. Pytlak (2013) otrzymała najwyższe dokładności dla klas: wody śródlądowe (99,9%, 98,1%), grunty orne (94,9%; 96,3%), lasy (97,4%;
7 Zastosowanie sztucznych sieci neuronowych do aktualizacji map pokrycia terenu Corine ,9%), a najgorsze dla obszarów upraw mieszanych (65,7%; 92,8%). Podobne wyniki uzyskała M. Kacprzyk w 2013 roku. Z powyższego zestawienia wynika, że formami najlepiej klasyfikującymi się metodą sztucznych sieci neuronowych są wody i las. Ryc. 4. A dokładność producenta dla drugiego poziomu CLC2012, B dokładność użytkownika dla drugiego poziomu CLC2012
8 264 Martyna Golenia, Bogdan Zagajewski, Adrian Ochtyra, Agata Hościło 4. Zależność wegetacyjna pokrycia terenu Okres wegetacyjny to część roku, podczas którego roślinność ma najlepsze warunki, aby się rozwijać ze względu na dostateczną wilgotność i ilość ciepła (E. Żmudzka 2012). Analizując dokładności klasyfikacji (ryc. 4) najlepsze wyniki dla form związanych z roślinnością (lasy, łąki i pastwiska oraz zespoły roślinności drzewiastej i krzewiastej) uzyskano dla klasyfikacji zdjęcia pochodzącego z sierpnia. Może to wynikać z dobrej kondycji roślin w tym czasie. Patrząc na rycinę można stwierdzić, która forma klasyfikuje się najlepiej w danym okresie. Dzięki temu możemy określić, które typy pokrycia terenu należy klasyfikować w określonym miesiącu. 5. Podsumowanie Po przeprowadzeniu analiz otrzymano mapy poklasyfikacyjne wraz z tabelami informującymi o dokładnościach. Na podstawie otrzymanych wyników (dokładności na poziomie 70%) stwierdzono, że zaproponowana metoda klasyfikacji jest przydatnym narzędziem do aktualizacji map pokrycia terenu. Dzięki działaniu sztucznych sieci neuronowych znacznie uprościł się proces klasyfikacji i tworzenia map pokrycia terenu. Klasyfikacje metodami nieautomatycznymi dają podobne wyniki dokładności, jednakże nakład czasu i pracy jaką trzeba włożyć jest większy. Zaletą metody sztucznych sieci neuronowych jest pozbycie się wpływu człowieka na wynik, ponieważ nie musi on posiadać informacji o analizowanym terenie. Dodatkowo, dzięki metodom automatycznym, proces klasyfikacji pokrycia terenu zostaje ujednolicony. Mapy pokrycia terenu w różnych państwach opracowywane są według tych samych wzorców i parametrów. Należy jednak pamiętać, że obrazy wygenerowane za pomocą sztucznych sieci neuronowych pod względem kartograficznym są niepoprawne i mogą być publikowane po odpowiednim zredagowaniu. 6. Wnioski Najwyższą dokładność całkowitą otrzymano klasyfikując zdjęcie Landsat TM pozyskane 27 sierpnia 2011 r. 76,61%, a najniższą (68,6%) klasyfikując zdjęcie wiosenne z 21 kwietnia 2011 roku. Pomimo podobnych wartości dokładności całkowitej dla wszystkich zdjęć (oscylującej wokół 70%), dokładności użytkownika i producenta w poszczególnych formach różnią się nawet o kilkadziesiąt procent. Kategorie obejmujące wody śródlądowe, lasy i zabudowę miejską klasyfikowały się najdokładniej. Dla nich sztuczne sieci neuronowe są bardzo dobrym narzędziem do przeprowadzenia procesu klasyfikacji. Forma upraw mieszanych nie klasyfikuje się poprawnie za pomocą sztucznych sieci neuronowych. Dokładność klasyfikacji w dużej mierze zależy od liczby pikseli im większa jest liczba pikseli, tym wyniki są na wyższym poziomie. Podziękowania Dziękujemy Głównemu Inspektoratowi Ochrony Środowiska za udostępnianie bazy Corine Land Cover Jednostką odpowiedzialną za realizację projektu Corine Land Cover 2012 w Polsce, w ramach programu Copernicus GIO Land Monitoring finansowanego ze środków Unii Europejskiej, był Instytut Geodezji i Kartografii, pełniący rolę jednego z krajowych centrów referencyjnych EIONET ds. pokrycia terenu (NRC Land Cover). Właścicielem danych powstałych w ramach tego projektu jest Unia Europejska, a jednostką odpowiedzialną za rozpowszechnianie danych krajowych jest Główny Inspektorat Ochrony Środowiska, w którym funkcjonuje Krajowy Punkt Kontaktowy ds. współpracy z EEA w ramach EIONET oraz krajowe centrum referencyjne EIONET ds. pokrycia terenu (NRC Land Cover).
9 Zastosowanie sztucznych sieci neuronowych do aktualizacji map pokrycia terenu Corine 265 Literatura Anderson J.R., Hardy E.E., Roach J.T., Witmer R.E., 1976, A land use and land cover classification system for use with remote sensor data. Geological Survey Proffesional Paper no. 964, s Aitkenhead M.J., Aalders I.H., 2008, Classification of Landsat Thematic Mapper imagery for land cover using neural networks. Intern. Journal of Remote Sensing Vol. 29, no. 7, s Baranowski M., Ciołkosz A., 1997, Opracowywanie baz danych pokrycia terenu dla Polski. Prace Instytutu Geodezji i Kartografii T. 44, z. 95, s Bielecka E., Ciołkosz A., 2004, Metodyczne i realizacyjne aspekty aktualizacji bazy Corine Land Cover. Prace Instytutu Geodezji i Kartografii T. 50, z. 108, s Bielecka E., Ciołkosz A., 2005, Baza danych Corine Land Cover. Biblioteka Monitoringu Środowiska. Warszawa: Inspekcja Ochrony Środowiska, 76 s. Campbell J.B., Wynne R.H., 2011, Introduction to Remote Sensing. Fifth Edition, The Guilford Press, s Carpenter G.A., Grossberg S., Markuzon N., Reynolds J.H., Rosen D.B., 1992, Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks Vol. 3, no. 5, s Commission of the European Communities, 1995, Corine Land Cover, The European Environment Agency (EEA), (dostęp r.). Feranec J., Hazeu G., Christensen S., Jaffrain G., 2007, Corine land cover change detection in Europe (case studies of the Netherlands and Slovakia). Land Use Policy no. 24, s Heinl M., Walde J., Tappeiner G., Tappeiner U., 2009, Classifiers vs. input variables The drivers in image classification for land mapping. International Journal of Applied Earth Observation and Geoinformation Vol. 11, no. 6, s Hościło A., Tomaszewska M., 2015, CORINE Land Cover th CLC inventory completed in Poland. Geoinformation Issues Vol. 6, no. 1(6), s Iwaniak A., Krówczyńska M., Paluszyński W., 2002, Użycie sieci neuronowych do klasyfikowania obszarów miejskich na zdjęciach satelitarnych. Geodesia et Descriptio Terrarum Nr 1(1 2), s Jensen, J.R., 2005, Introductory digital image processing: a remote sensing perspective. Third ed., Prentice Hall. Kacprzyk M. 2013, Klasyfikacja pokrycia terenu Podlasia na podstawie zdjęć Landsat TM i symulatora sztucznych sieci neuronowych fuzzy ARTMAP. Warszawa: Wydział Geografii i Studiów Regionalnych UW, praca licencjacka, s Krówczyńska M., 2004, Wykorzystanie spektralnych i strukturalnych cech obiektów odwzorowanych na zdjęciach satelitarnych w kartowaniu użytkowania ziemi. Warszawa: Wydział Geografii i Studiów Regionalnych UW, rozprawa doktorska. Lula P., Tadeusiewicz R., 2001, Wprowadzenie do sieci neuronowych. Kraków, Statsoft Polska. Łyko M., 2012, Opracowanie mapy pokrycia/użytkowania terenu w oparciu o klasyfikację danych wielospektralnych LANDSAT i IKONOS. Kraków: AGH, praca magisterska, s Mas J.F., 2004, Mapping land use/cover in a tropical coastal area using satellite sensor data, GIS and artificial neural networks. Estuarine Coastal and Shelf Science no. 59, s Olczyk J., 2014, Klasyfikacja pokrycia terenu województwa warmińsko-mazurskiego na podstawie zdjęć Landsat TM i symulatora sztucznych sieci neuronowych. Warszawa: Wydział Geografii i Studiów Regionalnych UW, praca magisterska. Pytlak U., 2013, Klasyfikacja pokrycia terenu Wielkopolski na podstawie zdjęć Landsat TM i symulatora sztucznych sieci neuronowych fuzzy ARTMAP. Warszawa: Wydział Geografii i Studiów Regionalnych UW, praca licencjacka, s Tadeusiewicz R., 1993, Sieci neuronowe. Wyd. 2, Warszawa: Akadmicka Oficyna Wydawn. RM. Yuan H., Van Der Wiele C.F., Khorram S., 2009, An Autoated Neural Network System for Land Use/Land Cover Classification from Landsat TM Imagery. Remote Sensing no. 1, s Zagajewski B., 2010, Ocena przydatności sieci neuronowych i danych hiperspektralnych do klasyfikacji Tatr Wysokich. Warszawa. Teledetekcja Środowiska T. 43, s Zagajewski B., Jarocińska A., Olesiuk D., 2009, Metody i techniki badań geoinformatycznych. Warszawa: Wydział Geografii i Studiów Regionalnych UW, s Żmudzka E., 2012, Wieloletnie zmiany zasobów termicznych w okresie wegetacyjnym i aktywnego wzrostu roślin w Polsce. Woda Środowisko Obszary Wiejskie T. 12, 2012 (IV VI), z. 2, s
10 266 Martyna Golenia, Bogdan Zagajewski, Adrian Ochtyra, Agata Hościło The use of the artificial neural networks to update the CORINE Land Cover maps Summary Modern land cover maps are the basis of many scientific disciplines and they are widely applied. One of the problems connected with the revision of maps is the data updating procedure. Remote Sensing daily provides us with the new satellite images, that can meet the needs of database updates. In this article the method of classification for land cover with the artificial, neural, fuzzy ARTMAP networks is presented by the authors in accordance with the objectives and legend of the CORINE Land Cover Map on the basis of the Landsat satellite data, which are used to elaborate the land cover maps. The latest CORINE Land Cover map 2012 polygons are used as the reference and verification data. Three satellite Landsat TM images of , , are processed by a fuzzy, artificial, neural network classificatory simulator. The area of research was Warsaw and its surrounding area. The results of this research are the classificatory land cover maps and error matrices. Acquired results confirm that the artificial neural networks can be successfully used for land cover updating. K e y w o r d s: classification, Corine Land Cover, artificial neural networks, Warsaw
Corine Land Cover (CLC)
Corine Land Cover (CLC) Corine Land Cover jest jednym z działów tematycznych programu CORINE (Coordination of Information on the Environment) nadzorowanego przez Europejską Agencję Środowiska (EEA). Istotą
Geodesia et Descriptio Terrarum 1(1-2) 2002, 5-13
Geodesia et Descriptio Terrarum 1(1-2) 2002, 5-13 UśYCIE SIECI NEURONOWYCH DO KLASYFIKACJI OBSZARÓW MIEJSKICH NA ZDJĘCIACH SATELITARNYCH Adam Iwaniak, Małgorzata Krówczyńska, Witold Paluszyński Streszczenie.
Zobrazowania hiperspektralne do badań środowiska podstawowe zagadnienia teoretyczne
Zobrazowania hiperspektralne do badań środowiska podstawowe zagadnienia teoretyczne Anna Jarocińska Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Zakład Geoinformatyki, Kartografii i
PRZESTRZENNE BAZY DANYCH
PRZESTRZENNE BAZY DANYCH ĆWICZENIA 1 TEMAT: Analiza satelitarnych danych Landsat w programie ArcGIS TELEDETEKCJA SYSTEM PASYWNY 1. Co to jest teledetekcja? 2. Co oznacza w teledetekcji system pasywny?
MAPY SATELITARNE W OJEW ÓDZTW A O POLSK IEGO I DOLNOŚLĄSKIEGO
Polskie Towarzystwo Fotogrametrii i Teledetekcji Sekcja Fotogrametrii i Teledetekcji Komitetu Geodezji PAN Komisja Geoinformatyki PAU Zakład Fotogrametrii i Informatyki Teledetekcyjnej AGH Archiwum Fotogrametrii,
Archiwum Fotogrametrii, Kartografii i Teledetekcji Vol. 9,1999, s ISBN
Polskie Towarzystwo Fotogrametrii i Teledetekcji oraz Katedra Fotogrametrii i Teledetekcji Wydziału Geodezji i Gospodarki Przestrzennej Uniwersytetu Warmińsko-Mazurskiego w Olsztynie Archiwum Fotogrametrii,
Zdjęcia satelitarne w badaniach środowiska przyrodniczego
Zdjęcia satelitarne w badaniach środowiska przyrodniczego Maria Andrzejewska, UNEP/GRID-Warszawa Program zajęć PRZYPOMNIENIE I UPORZĄDKOWANIE WIADOMOŚCI w zakresie zobrazowań satelitarnych rodzaje satelitów
Analiza wykonalności dla wskaźnika: zmiany obszarów użytkowanych rolniczo
Analiza wykonalności dla wskaźnika: zmiany obszarów użytkowanych rolniczo Analizę wykonalności dla kolejnego wskaźnika: zmiany obszarów użytkowanych rolniczo rozpoczniemy, podobnie do wskaźnika dostępności
Teledetekcja w inżynierii środowiska
AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE Wydział Geodezji Górniczej i Inżynierii Środowiska Sprawozdanie z przedmiotu: Teledetekcja w inżynierii środowiska Temat: Satelitarny obraz
Udoskonalona mapa prawdopodobieństwa występowania pożarów na Ziemi. Analiza spójności baz GBS, L 3 JRC oraz GFED.
Udoskonalona mapa prawdopodobieństwa występowania pożarów na Ziemi. Analiza spójności baz GBS, L 3 JRC oraz GFED. Jędrzej Bojanowski César Carmona-Moreno* Instytut Geodezji i Kartografii Zakład Teledetekcji
KP, Tele i foto, wykład 3 1
Krystian Pyka Teledetekcja i fotogrametria sem. 4 2007/08 Wykład 3 Promieniowanie elektromagnetyczne padające na obiekt jest w części: odbijane refleksja R rozpraszane S przepuszczane transmisja T pochłaniane
Analiza wpływu obrazów źródłowych na efektywność granulometrycznej analizy teksturowej w wyodrębnianiu wybranych klas pokrycia terenu
WYDZIAŁ GEODEZJI I KARTOGRAFII POLITECHNIKA WARSZAWSKA Analiza wpływu obrazów źródłowych na efektywność granulometrycznej analizy teksturowej w wyodrębnianiu wybranych klas pokrycia terenu Katarzyna Staniak,
Przeglądanie zdjęć satelitarnych Landsat 8
Przeglądanie zdjęć satelitarnych Landsat 8 Celem poniższej instrukcji jest przedstawienie struktury folderu z zobrazowaniem Landsat 8 oraz pokazanie w jaki sposób można wyświetlać i przeglądać znajdujące
Forested areas in Cracow ( ) evaluation of changes based on satellite images 1 / 31 O
Forested areas in Cracow (1985-2017) evaluation of changes based on satellite images Obszary leśne w Krakowie (1985-2017) szacowanie zmian na podstawie zobrazowań satelitarnych Cracow University of Technology
Geoinformacja Interpretacja danych teledetekcyjnych. A. Pozyskanie i przygotowanie danych
Geoinformacja Interpretacja danych teledetekcyjnych A. Pozyskanie i przygotowanie danych 1 I. Wybór obszaru zainteresowania II. Pozyskanie danych obrazowych (sceny Landsat) 2 Wprowadzenie Każdy student
Teledetekcja w kartografii geologicznej. wykład I
Teledetekcja w kartografii geologicznej wykład I Teledetekcja teledetekcja «badanie obiektów oraz zjawisk i procesów zachodzących na powierzchni Ziemi oraz innych planet i ich księżyców za pomocą specjalnej
Teledetekcja w ochronie środowiska. Wykład 2
Teledetekcja w ochronie środowiska Wykład 2 TELEDETEKCJA teledetekcja «dziedzina nauk technicznych zajmująca się pozyskiwaniem wiarygodnych informacji o obiektach fizycznych i ich otoczeniu drogą rejestracji
ZNACZENIE ROZDZIELCZOŚCI SPEKTRALNEJ ZDJĘĆ LANDSAT ETM+ W IDENTYFIKACJI ŁĄK O RÓŻNYM UWILGOTNIENIU I UŻYTKOWANIU
Krzysztof Kosiński ZNACZENIE ROZDZIELCZOŚCI SPEKTRALNEJ ZDJĘĆ LANDSAT ETM+ W IDENTYFIKACJI ŁĄK O RÓŻNYM UWILGOTNIENIU I UŻYTKOWANIU Streszczenie. Oceniono wpływ rozdzielczości spektralnej zdjęć Landsata
WYKORZYSTANIE GEOINFORMATYKI DO OPRACOWYWANIA
WYKORZYSTANIE GEOINFORMATYKI DO OPRACOWYWANIA PRZEGLĄDOWYCH MAP GEOMORFOLOGICZNYCH, NA PRZYKŁADZIE WOJEWÓDZTWA POMORSKIEGO Adriana Marcinkowska Adrian Ochtyra prof. dr hab. Jan R. Olędzki dr Elżbieta Wołk-Musiał
Satelity najnowszych generacji w monitorowaniu środowiska w dolinach rzecznych na przykładzie Warty i Biebrzy - projekt o obszarach mokradeł - POLWET
POLWET Satelity najnowszych generacji w monitorowaniu środowiska w dolinach rzecznych na przykładzie Warty i Biebrzy - projekt o obszarach mokradeł - POLWET Agata Hościło*, Katarzyna Dąbrowska-Zielińska*,
Małgorzata Mycke-Dominko TELEDETEKCYJNA METODA KATEGORYZACJI ZAGROŻENIA POŻAROWEGO LASU FOREST FIRE RISK CATEGORISATION DERIVED FROM SATELLITE IMAGES
Archiwum Fotogrametrii, Kartografii i Teledetekcji Materiały Ogólnopolskiego Sympozjum Geoinformacji Geoinformacja zintegrowanym narzędziem badań przestrzennych Wrocław Polanica Zdrój, 15-17 września 2003
Podstawy Geomatyki Wykład VI Teledetekcja 2. Remote sensing methods based on multispectral satellite images (passive methods)
Podstawy Geomatyki Wykład VI Teledetekcja 2 Remote sensing methods based on multispectral satellite images (passive methods) Obrazowanie optyczne Podstawowa metoda teledetekcji pasywnej zobrazowania multispektralne
ZASTOSOWANIE RÓŻNYCH METOD OKREŚLANIA ZMIAN POKRYCIA TERENU NA OBSZARACH MIEJSKICH Z WYKORZYSTANIEM ZDJĘĆ SATELITARNYCH
Zbigniew Bochenek ZASTOSOWANIE RÓŻNYCH METOD OKREŚLANIA ZMIAN POKRYCIA TERENU NA OBSZARACH MIEJSKICH Z WYKORZYSTANIEM ZDJĘĆ SATELITARNYCH Streszczenie. W referacie zostały przedstawione wyniki prac nad
Geoinformacja Interpretacja danych teledetekcyjnych. TNTmips ver 7.3/7.4 lub 2009,2011
Przedmiot Tytuł projektu Kierunek i rok studiów Autorzy Wykorzystywane oprogramowanie Uwagi wstępne Cel projektu: Sposób zaliczenia: Geoinformacja Interpretacja danych teledetekcyjnych laboratoria Interpretacja
GEOINFORMATYKA KARTOGRAFIA TELEDETEKCJA
Zakład Geoinformatyki, Kartografii i Teledetekcji Wydział Geografii i Studiów Regionalnych Uniwersytet Warszawski s t u d i a m a g i s t e r s k i e s p e c j a l n o ś ć GEOINFORMATYKA KARTOGRAFIA TELEDETEKCJA
Sylwia A. Nasiłowska , Warszawa
PORÓWNANIE ZDJĘĆ SATELITARNYCH (LANDSAT) I LOTNICZYCH (PLATFORMA ) POWIERZCHNI BADAWCZYCH PROJEKTU W LATACH 2013-2015 Sylwia A. Nasiłowska 04.08.2016, Warszawa sylwia.nasilowska@ilot.edu.pl Zakład Teledetekcji
TELEDETEKCJA ŚRODOWISKA dawniej FOTOINTERPRETACJA W GEOGRAFII. Tom 51 (2014/2)
TELEDETEKCJA ŚRODOWISKA dawniej FOTOINTERPRETACJA W GEOGRAFII Półrocznik Tom 51 (2014/2) POLSKIE TOWARZYSTWO GEOGRAFICZNE Oddział Teledetekcji i Geoinformatyki WARSZAWA www.ptg.pan.pl./?teledetekcja_%a6rodowiska
Wybrane zagadnienia w pracy z danymi rastrowymi w ArcGIS Marcin Paź Esri Polska
Wybrane zagadnienia w pracy z danymi rastrowymi w ArcGIS 10.1 Marcin Paź Esri Polska Zagadnienia Koncepcja rastra Typy danych rastrowych Właściwości rastrów Modele danych rastrowych w ArcGIS Przetwarzanie
Stanisław Lewiński, Zenon F. Poławski ZASTOSOWANIE NARZĘDZI GEOINFORMATYCZNYCH DO OCENY ZAWARTOŚCI INFORMACJI NA ZDJĘCIACH SATELITARNYCH IRS-1C
Archiwum Fotogrametrii, Kartografii i Teledetekcji Materiały Ogólnopolskiego Sympozjum Geoinformacji Geoinformacja zintegrowanym narzędziem badań przestrzennych Wrocław Polanica Zdrój, 15-17 września 2003
Wpływ wilgotności gleby i roślinności na sygnał mikrofalowy w paśmie C zastosowanie Sentinel1
Wpływ wilgotności gleby i roślinności na sygnał mikrofalowy w paśmie C zastosowanie Sentinel1 Katarzyna Dąbrowska Zielińska, Alicja Malińska, Wanda Kowalik Centrum Teledetekcji - Instytut Geodezji i Kartografii
Dane najnowszej misji satelitarnej Sentinel 2 przyszłością dla rolnictwa precyzyjnego w Polsce
Dane najnowszej misji satelitarnej Sentinel 2 przyszłością dla rolnictwa precyzyjnego w Polsce Profesor dr hab. Katarzyna Dąbrowska-Zielińska Instytut Geodezji i Kartografii www.igik.edu.pl Satelity Programu
Wkład nauki dla poprawy działań w rolnictwie
Wkład nauki dla poprawy działań Katarzyna Dąbrowska Zielińska, Martyna Gatkowska, Karol Paradowski, Alicja Malińska, Zbigniew Bochenek, Monika Tomaszewska, Wojciech Kiryła Centrum Teledetekcji Instytut
c) Sprawdź, czy jest włączone narzędzie Image classification. Jeśli nie, to je włącz: Customize Toolbars Image Classification
3. KLASYFIKACJA Proces klasyfikacji obrazów satelitarnych polega na utworzeniu ze zbioru danych wejściowych pojedynczej mapy wynikowej. Dane multispektralne stanowią zbiór map rastrowych z tym samym odniesieniem
TELEDETEKCJA ŚRODOWISKA dawniej FOTOINTERPRETACJA W GEOGRAFII. Tom 49 (2013/1)
TELEDETEKCJA ŚRODOWISKA dawniej FOTOINTERPRETACJA W GEOGRAFII Półrocznik Tom 49 (2013/1) POLSKIE TOWARZYSTWO GEOGRAFICZNE Oddział Teledetekcji i Geoinformatyki WARSZAWA http://telegeo.wgsr.uw.edu.pl/teledetekcja_srodowiska/czasopismo_pl.html
Dane teledetekcyjne. Sławomir Królewicz
Dane teledetekcyjne Sławomir Królewicz Teledetekcja jako nauka Teledetekcja to dziedzina wiedzy, nauki zajmująca się badaniem właściwości fizycznych, chemicznych i biologicznych przedmiotów bez bezpośredniego
Teledetekcja wsparciem rolnictwa - satelity ws. dane lotnicze. rozwiązaniem?
Teledetekcja wsparciem rolnictwa - satelity ws. dane lotnicze. Synergia danych najlepszym rozwiązaniem? Karolina Wróbel Centrum Teledetekcji Instytut Geodezji i Kartogrtafii karolina.wrobel@igik.edu.pl
Aktualizacja mapy glebowo-rolniczej w oparciu o zobrazowania satelitarne i klasyfikację użytkowania ziemi Jan Jadczyszyn, Tomasz Stuczyński Instytut Uprawy Nawożenia i Gleboznawstwa Państwowy Instytut
Analiza wykonalności dla wskaźnika: dostępność obszarów pod zabudowę
Analiza wykonalności dla wskaźnika: dostępność obszarów pod zabudowę Analizę wykonalności dla wskaźnika dostępności obszarów pod zabudowę wykonamy zgodnie z przedstawionym schematem postępowania rozpoczynając
POLWET SYSTEM MONITOROWANIA OBSZARÓW MOKRADEŁ RAMSAR Z WYKORZYSTANIEM DANYCH SATELITARNYCH
POLWET SYSTEM MONITOROWANIA OBSZARÓW MOKRADEŁ RAMSAR Z WYKORZYSTANIEM DANYCH SATELITARNYCH Katarzyna Dąbrowska-Zielińska Maciej Bartold, Martyna Gatkowska, Radosław Gurdak, Centrum Teledetekcji, Instytut
Przygotowanie zdjęć satelitarnych i darmowych baz danych do analizy wielospektralnej w programie ILWIS
Mariusz Krukar (mariusz.krukar@gmail.com) Zespół Szkół Ogólnokształcących w Krośnie, ul. Piotra Skargi 2, 38-400 Krosno, Polska Przygotowanie zdjęć satelitarnych i darmowych baz danych do analizy wielospektralnej
Nowe metody badań jakości wód wykorzystujące technikę teledetekcji lotniczej - przykłady zastosowań
Nowe metody badań jakości wód wykorzystujące technikę teledetekcji lotniczej - przykłady zastosowań Małgorzata Słapińska, Tomasz Berezowski, Jarosław Chormański Szkoła Główna Gospodarstwa Wiejskiego, Wydział
Geoinformacja - Interpretacja danych teledetekcyjnych. Ćwiczenie I
Geoinformacja - Interpretacja danych teledetekcyjnych Ćwiczenie I Landsat TM i ETM 7 kanałów spektralnych (rozdzielczość przestrzenna 30m) Kanał 1 niebieski Kanał 2 zielony Kanał 3 czerwony Kanał 4 bliska
Charakterystyka danych teledetekcyjnych jako źródeł danych przestrzennych. Sławomir Królewicz
Charakterystyka danych teledetekcyjnych jako źródeł danych przestrzennych Sławomir Królewicz Teledetekcja jako nauka Teledetekcja to dziedzina wiedzy, nauki zajmująca się badaniem właściwości fizycznych,
Sentinel Playground. Aplikacja dostępna jest pod adresem internetowym: Ogólne informacje o aplikacji
Sentinel Playground Sentinel Playground jest aplikacją internetową służącą do przeglądania, analizy i oceny zobrazowań satelitarnych Sentinel-2 oraz od niedawna również Landsat 8 i MODIS. Prezentuje dane
Opis modułu kształcenia / przedmiotu (sylabus)
Opis modułu kształcenia / przedmiotu (sylabus) Rok akademicki: Grupa przedmiotów: Numer katalogowy: Nazwa przedmiotu 1) : Teledetekcja środowiska ECTS 2) 4 Tłumaczenie nazwy na jęz. angielski 3) : Kierunek
Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Zakład Geoinformatyki, Kartografii i Teledetekcji
Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Zakład Geoinformatyki, Kartografii i Teledetekcji Proseminarium licencjackie: Geoinformatyka i teledetekcja oraz Kartografia w dobie geowizualizacji
Zamiana reprezentacji wektorowej na rastrową - rasteryzacja
MODEL RASTROWY Siatka kwadratów lub prostokątów stanowi elementy rastra. Piksel - pojedynczy element jest najmniejszą rozróŝnialną jednostką powierzchniową, której własności są opisane atrybutami. Model
2. Dane optyczne: LANDSAT, Sentinel- 2.
2. Dane optyczne: LANDSAT, Sentinel- 2. 2.1. Wybór i pobieranie danych multispektralnych z satelity Landsat a) rejestracja na stronie: http://earthexplorer.usgs.gov/ b) uzupełnij dane do logowania: Na
Dane przestrzenne i usługi informacyjne dla administracji samorządowej
Dane przestrzenne i usługi informacyjne dla administracji samorządowej dr Witold Fedorowicz-Jackowski, Przemysław Turos GEOSYSTEMS Polska Nawigacja i pozycjonowanie - ratownictwo i służby porządkowe Uniwersalny
Sztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Stanisław Białousz. Marek Mróz WYKORZYSTANIE ZDJĘĆ LOTNICZYCH I SATELITARNYCH W ROLNICTWIE
Stanisław Białousz Marek Mróz WYKORZYSTANIE ZDJĘĆ LOTNICZYCH I SATELITARNYCH W ROLNICTWIE Źródła danych o charakterystykach rolniczej przestrzenni produkcyjnej: - o glebach - o pokrywie roślinnej Źródła
Detekcja zmian pokrycia terenu na zdjęciach satelitarnych Landsat porównanie trzech metod
47 WARSZAWA 2012 Detekcja zmian pokrycia terenu na zdjęciach satelitarnych Landsat porównanie trzech metod Land cover change detection using Landsat imagery comparison of three methods Jan NIEDZIELKO,
Wykorzystanie zdjęć satelitarnych Landsat TM do badania kondycji roślinności
Wykorzystanie zdjęć satelitarnych Landsat TM do badania kondycji roślinności Magdalena Zwijacz-Kozica Bogdan Zagajewski Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Katedra Geoinformatyki
SEMESTR LETNI 2014/2015 Studia Podyplomowe Geoinformatyka w ochronie środowiska i planowaniu przestrzennym
Dzień Data Godziny Przedmiot Forma 1 2 20-02- 20-02- 20-02- 12:- :30 Godz. w. Godz. ćw. w. 3 111 AJ Sala Prowadzący Tematyka /Sala /Prowadzący /Tematyka w hydrologii i rolnictwie ćw. 3 AJ Dane termalne
Wykorzystanie teledetekcji satelitarnej przy opracowaniu mapy przestrzennego rozkładu biomasy leśnej Polski
Wykorzystanie teledetekcji satelitarnej przy opracowaniu mapy przestrzennego rozkładu biomasy leśnej Polski Agata Hościło 1, Aneta Lewandowska 1, Dariusz Ziółkowski 1, Krzysztof Stereńczak 2 1 Centrum
Projekt jest realizowany przy udziale środków instrumentu finansowego LIFE+ Komisji Europejskiej oraz dofinansowaniu
SPECYFIKACJA ISTOTNYCH WARUNKÓW ZAMÓWIENIA na wykonanie opracowania końcowego określającego stan ekosystemu m.st. Warszawy w kontekście zmian klimatu w ramach projektu LIFE_ADAPTCITY_PL realizowanego w
Baza danych o pokryciu terenu w Polsce CLC-2006
Polski Przegląd Kar to gra ficz ny Tom 41, 2009, nr 3, s. 227 236 Elżbieta Bielecka, Andrzej Ciołkosz Instytut Geodezji i Kartografii elzbieta.bielecka@igik.edu.pl Baza danych o pokryciu terenu w Polsce
Wykorzystanie trójwymiarowego przetwarzania danych geodezyjnych i LIDAR na potrzeby modelowania hydrodynamicznego w projekcie ISOK
Wykorzystanie trójwymiarowego przetwarzania danych geodezyjnych i LIDAR na potrzeby modelowania hydrodynamicznego w projekcie ISOK Michał Łyp, Jan Nadachowski Centrum Modelowania Powodzi i Suszy w Krakowie
Bartosz Kulawik Koordynator Projektu Centrum Badań Kosmicznych PAN Zespół Obserwacji Ziemi
Bartosz Kulawik Koordynator Projektu Centrum Badań Kosmicznych PAN Zespół Obserwacji Ziemi Maciej Borsa Koordynator B+R Instytut Systemów Przestrzennych I Katastralnych Upowszechnienie techniki satelitarnej
Kod modułu Zastosowania teledetekcji w gospodarce i mapy tematyczne. semestr 6
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012 r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Zastosowania teledetekcji w gospodarce i mapy tematyczne Nazwa modułu w języku
MATLAB Neural Network Toolbox przegląd
MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study
DNI technik SATELITARNYCH 21-24 CZERWCA 2007. ROLNICTWO zastosowania rozwiązań GIS
DNI technik SATELITARNYCH 21-24 CZERWCA 2007 ROLNICTWO zastosowania rozwiązań GIS Rolnictwo Współczesne rolnictwo w równym stopniu jak rozwiązań technicznych potrzebuje fachowej wiedzy i nowości technologicznych.
PRACE INSTYTUTU GEODEZJI I KARTOGRAFII 2004, tom L, zeszyt 106
PRACE INSTYTUTU GEODEZJI I KARTOGRAFII 2004, tom L, zeszyt 106 ZBIGNIEW BOCHENEK OPRACOWANIE METODYKI OKREŚLANIA ZMIAN UŻYTKOWANIA ZIEMI NA PODSTAWIE CYFROWEJ ANALIZY WYSOKOROZDZIELCZYCH ZDJĘĆ SATELITARNYCH
DZIAŁALNOŚĆ INSTYTUTU GEODEZJI I KARTOGRAFII W ZAKRESIE KARTOWANIA UŻYTKOWANIA ZIEMI
INSTYTUT GEODEZJI I KARTOGRAFII Wydanie jubileuszowe ANDRZEJ CIOŁKOSZ DZIAŁALNOŚĆ INSTYTUTU GEODEZJI I KARTOGRAFII W ZAKRESIE KARTOWANIA UŻYTKOWANIA ZIEMI Pod koniec lat 60. ubiegłego wieku w dwóch zakładach
Integracja GIS i teledetekcji w projekcie LIMES
CENTRUM BADAŃ KOSMICZNYCH Polskiej Akademii Nauk Integracja GIS i teledetekcji w projekcie LIMES Klaudia Bielińska Radosław Malinowski V Konferencja Naukowo Techniczna Zastosowania technik obserwacji Ziemi
Porównanie wartości NDVI odczytanych z obrazów satelitarnych NOAA AVHRR, SPOT-VEGETATION i TERRA MODIS
WARSZAWA 2009 Porównanie wartości NDVI odczytanych z obrazów satelitarnych NOAA AVHRR, SPOT-VEGETATION i TERRA MODIS Comparison of NDVI index based on NOAA AVHRR, SPOT-VEGETATION and TERRA MODIS satellite
KLASYFIKACJA OBIEKTOWA ZDJĘCIA SATELITARNEGO ŚREDNIEJ ROZDZIELCZOŚCI MODIS, PIERWSZE WYNIKI
Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 21, 2010, s. 211 219 ISBN 978-83-61576-13-6 KLASYFIKACJA OBIEKTOWA ZDJĘCIA SATELITARNEGO ŚREDNIEJ ROZDZIELCZOŚCI MODIS, PIERWSZE WYNIKI OBJECT BASED
SINGLE-IMAGE HIGH-RESOLUTION SATELLITE DATA FOR 3D INFORMATIONEXTRACTION
SINGLE-IMAGE HIGH-RESOLUTION SATELLITE DATA FOR 3D INFORMATIONEXTRACTION MOŻLIWOŚCI WYDOBYCIA INFORMACJI 3D Z POJEDYNCZYCH WYSOKOROZDZIELCZYCH OBRAZÓW SATELITARNYCH J. Willneff, J. Poon, C. Fraser Przygotował:
Składowe oceny oferty. cena - 60% metodyka - 40% gdzie:
Składowe oceny oferty. cena - 6% metodyka - 4% Składowa cena ofertowa brutto (C) S = (Cn/Cb) x x 6% gdzie: S oznacza ilość jakie otrzyma oferta w Składowej cena ofertowa brutto (C) Cn oznacza najniższą
The use of aerial pictures in nature monitoring
ROCZNIKI BIESZCZADZKIE 18 (2010), str. 403 408 Marcin Czerny Received: 5.05.2010 KRAMEKO sp. z o.o. Reviewed: 30.07.2010 30-023 Kraków, ul. Mazowiecka 108 m.czerny@krameko.com.pl WYKORZYSTANIE ZDJĘĆ LOTNICZYCH
Systemy Informacji Geograficznej
2-letnie studia magisterskie na kierunku Geografia Zakład Systemów Informacji Geograficznej, Kartografii i Teledetekcji Instytut Geografii i Gospodarki Przestrzennej Uniwersytetu Jagiellońskiego Szczegółowe
PROPOZYCJA WYKORZYSTANIA TEMATYCZNYCH DANYCH SATELITARNYCH PRZEZ SAMORZĄDY TERYTORIALNE
PROPOZYCJA WYKORZYSTANIA TEMATYCZNYCH DANYCH SATELITARNYCH PRZEZ SAMORZĄDY TERYTORIALNE ZINTEGROWANY SATELITARNY MONITORING MAZOWSZA Stanisław Lewiński stlewinski@cbk.waw.pl Zespół Obserwacji Ziemi, Centrum
Systemy agentowe. Uwagi organizacyjne i wprowadzenie. Jędrzej Potoniec
Systemy agentowe Uwagi organizacyjne i wprowadzenie Jędrzej Potoniec Kontakt mgr inż. Jędrzej Potoniec Jedrzej.Potoniec@cs.put.poznan.pl http://www.cs.put.poznan.pl/jpotoniec https://github.com/jpotoniec/sa
Firma. SmallGIS to gwarancja profesjonalizmu, rzetelności oraz indywidualnego podejścia do każdego klienta.
www.smallgis.pl Firma Jesteśmy dynamicznie rozwijającą się firmą ekspercką z branży GeoInformatycznej. Nasz Zespół tworzą wysoko wykwalifikowani specjaliści z zakresu Systemów Informacji Przestrzennej,
Potencjał wysokorozdzielczych zobrazowań Ikonos oraz QuickBird dla generowania ortoobrazów.
Dr inż.. Ireneusz Ewiak Instutut Geodezji i Kartografii 02-679 Warszawa, ul. Modzelewskiego 27 rene@igik.edu.pl Potencjał wysokorozdzielczych zobrazowań Ikonos oraz QuickBird dla generowania ortoobrazów.
WIELOCZASOWE DANE OBRAZOWE W BADANIU ZMIAN POKRYCIA TERENU MULTI-TEMPORAL DATA FOR LAND COVER CHANGE DETECTION
Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 21, 2010, s. 281 289 ISBN 978-83-61576-13-6 WIELOCZASOWE DANE OBRAZOWE W BADANIU ZMIAN POKRYCIA TERENU MULTI-TEMPORAL DATA FOR LAND COVER CHANGE
Teledetekcja w ochronie środowiska. Wykład 1
Teledetekcja w ochronie środowiska Wykład 1 Stanisława Porzycka-Strzelczyk Katedra Geoinformatyki i Informatyki Stosowanej Akademia Górniczo-Hutnicza w Krakowie Konsultacje: czwartek godzina 17:00-18:00
Geodezja i Kartografia I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 0/ z dnia lutego 0 r. Kod modułu Zastosowania teledetekcji w gospodarce i mapy Nazwa modułu tematyczne Nazwa modułu w języku angielskim
Sieć monitoringu miejskiej wyspy ciepła w Warszawie Zróżnicowanie mikroklimatyczne wybranych osiedli
Sieć monitoringu miejskiej wyspy ciepła w Warszawie Zróżnicowanie mikroklimatyczne wybranych osiedli Magdalena Kuchcik i Paweł Milewski oraz Krzysztof Błażejczyk i Jakub Szmyd IGiPZ PAN This project is
Wykorzystanie wysokorozdzielczych zobrazowań satelitarnych firmy Planet w rolnictwie precyzyjnym
Wykorzystanie wysokorozdzielczych zobrazowań satelitarnych firmy Planet w rolnictwie precyzyjnym (High-resolution imagery by Planet Labs Inc. in precision agriculture) Dominika Sztwiertnia Asystent ds.
ALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
System informacji o szlakach turystycznych Mazowsza
System informacji o szlakach turystycznych Mazowsza Mateusz Troll Instytut Geografii i Gospodarki Przestrzennej UJ Tomasz Gacek GISonLine S.C. Plan prezentacji 1. Informacje o projekcie 2. Składowe systemu
gospodarki innowacyjnej
Zastosowanie informacji satelitarnej dla środowiska w budowaniu gospodarki innowacyjnej dla samorządów terytorialnych Prof. dr hab. Katarzyna Dąbrowska-Zielińska www.igik.edu.pl Organizacja i struktura
HARMONIZACJA DANYCH PRZESTRZENNYCH JERZY GAŹDZICKI
HARMONIZACJA DANYCH PRZESTRZENNYCH JERZY GAŹDZICKI PODSTAWOWE POJĘCIA (1) 1. Dane przestrzenne (dane geoprzestrzenne) dane bezpośrednio lub pośrednio odniesione do określonego położenia lub obszaru geograficznego
PRZETWARZANIE GRAFICZNYCH DANYCH EMPIRYCZNYCH DLA POTRZEB EDUKACJI SZTUCZNYCH SIECI NEURONOWYCH, MODELUJĄCYCH WYBRANE ZAGADNIENIA INŻYNIERII ROLNICZEJ
Inżynieria Rolnicza 2(90)/2007 PRZETWARZANIE GRAFICZNYCH DANYCH EMPIRYCZNYCH DLA POTRZEB EDUKACJI SZTUCZNYCH SIECI NEURONOWYCH, MODELUJĄCYCH WYBRANE ZAGADNIENIA INŻYNIERII ROLNICZEJ Krzysztof Nowakowski,
Określenie składu gatunkowego Puszczy Białowieskiej z wykorzystaniem danych hiperspektralnych
Instytut Badawczy Leśnictwa www.ibles.pl Określenie składu gatunkowego Puszczy Białowieskiej z wykorzystaniem danych hiperspektralnych Aneta Modzelewska 1, Krzysztof Stereńczak 1, Małgorzata Białczak 1,
Ocena zmian powierzchni lasów w Polsce na podstawie danych GUS. Artur Łączyński Dyrektor Departamentu Rolnictwa GUS
Ocena zmian powierzchni lasów w Polsce na podstawie danych GUS Artur Łączyński Dyrektor Departamentu Rolnictwa GUS Plan prezentacji Organizacja i realizacja badań statystycznych Sprawozdawczość dotycząca
Zakład Hydrologii i Geoinformacji Instytut Geografii UJK CYFROWE BAZY DANYCH PRZESTRZENNYCH. Laboratorium
CYFROWE BAZY DANYCH PRZESTRZENNYCH Laboratorium Ćwiczenie 2: Baza Danych Obiektów Topograficznych (BDOT 10k) 1. Zakres informacji, sposoby tworzenia i aktualizacji oraz sposoby udostępniania BDOT szczegółowo
Kształcenie w zakresie kartografii i systemów informacji geograficznej na Wydziale Geodezji i Kartografii Politechniki Warszawskiej
Politechnika Warszawska Wydział Geodezji i Kartografii Zakład Kartografii Kształcenie w zakresie kartografii i systemów informacji geograficznej na Wydziale Geodezji i Kartografii Politechniki Warszawskiej
Rozwój teledetekcji satelitarnej:
Rozwój teledetekcji satelitarnej: Wzrost rozdzielczości przestrzennej zdjęć Wzrost rozdzielczości spektralnej Wzrost rozdzielczości czasowej Zwiększenie roli satelitów mikrofalowych w badaniach Ziemi Synergizm
Przeglądanie zdjęć satelitarnych Sentinel-2
Przeglądanie zdjęć satelitarnych Sentinel-2 Celem poniższej instrukcji jest przedstawienie struktury folderu z zobrazowaniem Sentinel-2 oraz pokazanie w jaki sposób można wyświetlać i przeglądać znajdujące
USŁUGI GEOEKOSYSTEMÓW. Małgorzata Stępniewska
USŁUGI GEOEKOSYSTEMÓW Małgorzata Stępniewska MAES - Grupa Robocza UE ds. Rozpoznania i oceny ekosystemów i ich usług (EU Working Group on Mapping and assessment of ecosystems and their services) European
Planowanie przestrzenne w świetle ustawy z dnia 4 marca 2010 r. o infrastrukturze informacji przestrzennej
Planowanie przestrzenne w świetle ustawy z dnia 4 marca 2010 r. o infrastrukturze informacji przestrzennej Lidia Piotrowska Naczelnik Wydziału Planowania Regionalnego i Współpracy Transgranicznej Minister
kierunkowy (podstawowy / kierunkowy / inny HES) obowiązkowy (obowiązkowy / nieobowiązkowy) semestr 4
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Teledetekcja i fotointerpretacja Nazwa modułu w języku angielskim Remote Sensing and Photointerpretation Obowiązuje od roku akademickiego 0/06 A.
Zastosowanie zobrazowań SAR w ochronie środowiska. ćwiczenia II
Zastosowanie zobrazowań SAR w ochronie środowiska ćwiczenia II Satelitarna interferometria radarowa Sentinel-1 Toolbox owprowadzenie do programu Sentinel-1 Toolbox. Podczas zajęć wykorzystywane będę obrazy
Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Zakład Geoinformatyki, Kartografii i Teledetekcji
Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Zakład Geoinformatyki, Kartografii i Teledetekcji Specjalność magisterska: Geoinformatyka, kartografia, teledetekcja Po połączeniu specjalizacji
Satelitarna informacja o środowisku Stanisław Lewiński Zespół Obserwacji Ziemi
Centrum Badań Kosmicznych Polskiej Akademii Nauk - CBK PAN Satelitarna informacja o środowisku Stanisław Lewiński Zespół Obserwacji Ziemi Photo:myocean.eu Warszawa, 07 października 2015 1 w. XX XXI era
Analizy morfometryczne i wizualizacja rzeźby
PRACA LICENCJACKA GEOINFORMACJA Proponowana problematyka w roku akademickim 2015/2016 Dr Jolanta Czerniawska Analizy morfometryczne i wizualizacja rzeźby na przykładzie di Pomorza lub bkujaw. Prace oparte
Dane satelitarne wsparciem w zarządzaniu produkcją rolniczą Serwis ASAP i doświadczenia Centrum Teledetekcji IGiK
Dane satelitarne wsparciem w zarządzaniu produkcją rolniczą Serwis ASAP i doświadczenia Centrum Teledetekcji IGiK Profesor dr hab. Katarzyna Dąbrowska-Zielińska Mgr Martyna Gatkowska Mgr inż. Karolina
WYKORZYSTANIE FUNKCJI ROZMYTYCH I ANALIZ WIELOKRYTERIALNYCH DO OPRACOWANIA CYFROWYCH MAP GLEBOWOROLNICZYCH
WYKORZYSTANIE FUNKCJI ROZMYTYCH I ANALIZ WIELOKRYTERIALNYCH DO OPRACOWANIA CYFROWYCH MAP GLEBOWO-ROLNICZYCH GLEBOWOROLNICZYCH Anna Bielska, Joanna Jaroszewicz Katedra Gospodarki Przestrzennej i Nauk o