Wstêp i cel pracy. Piotr Wê yk, Pawe³ Bednarczyk

Testowanie metod POLSKIE i algorytmów TOWARYSTWO klasyfikacji wysokorozdzielczych INFORMACJI PRESTRENNEJ zobrazowañ satelitarnych... ROCNIKI GEOMATYKI 2005 m TOM III m ESYT 2 163 TESTOWANIE METOD I ALGORYTMÓW KLASYFIKACJI WYSOKORODIELCYCH OBRAOWAÑ SATELITARNYCH PUSCY NIEPO OMICKIEJ TESTING OF METHODS AND CLASSIFICATION ALGORITHMS OF THE VHR SATELLITE IMAGES OF THE NIEPOLOMICE PRIMEVAL FOREST Piotr Wê yk, Pawe³ Bednarczyk Laboratorium GIS i Teledetekcji, Katedra Ekologii Lasu, Wydzia³ Leœny Akademia Rolnicza w Krakowie S³owa kluczowe: QuickBird, klasyfikacja, segmentacja Keywords: QuickBird, classification, segmentation Wstêp i cel pracy Od kilku lat komercyjne systemy satelitarne oferuj¹ zobrazowania o wysokiej rozdzielczoœci terenowej rzêdu 1-4 m (np. IKONOS, QuickBird, OrbView, EROS), co dla leœników oznacza zupe³nie nowe mo liwoœci kartowania drzewostanów (Toutin i in. 2002; Kayitakire i in. 2002; Kristóf i in. 2002; Sasakawa i in. 2003; aj¹czkowski i in. 2004). W zale noœci od klasy wieku czy fazy rozwojowej drzewostanu pojedyncze korony drzew mog¹ byæ rejestrowane na obrazie i w konsekwencji rozumiane jako piksele (reprezentuj¹ce poszczególne drzewa), a nie mixele jak w przypadku poprzednich systemów jak Landsat TM czy IRS (awi³a-niedÿwiedzki 1994). wiêkszenie rozdzielczoœci terenowej w po³¹czeniu z 11 bitow¹ rozdzielczoœci¹ radiometryczn¹ poszerza w zdecydowany sposób potencja³ interpretacyjny obrazu (aj¹czkowski i in. 2004; Kurczyñski, Wolniewicz 2002; Wê yk i in. 2004). Nowa, obowi¹zuj¹ca Instrukcja Urz¹dzania Lasu (IUL 2003), zaleca wykorzystywanie danych teledetekcyjnych w procesie inwentaryzacji lasu i tworzenia opracowañ kartograficznych. mieniona w niej zosta³a definicja sk³adu gatunkowego drzewostanu. Rozumie siê j¹ obecnie jako stosunek powierzchni zajmowanej przez dany gatunek b¹dÿ liczbê drzew w odniesieniu do powierzchni pododdzia³u. Otwiera to nowe mo liwoœci stosowania zobrazowañ satelitarnych w leœnictwie, w tym okreœlania sk³adu gatunkowego drzewostanów. Na obecnym etapie trudno jednak mówiæ o doborze takiej metody klasyfikacji, która z dok³adnoœci¹ wymagan¹ przez IUL (do 10%) mog³aby dostarczaæ wymaganych informacji. Ci¹g³y

164 Piotr Wê yk, Pawe³ Bednarczyk rozwój technologii oraz metod i algorytmów klasyfikacji (Sasakawa i in. 2003; Kayitakire i in. 2002; Kristóf i in. 2002; Dickson i in. 1999) zachêca jednak do ci¹g³ych badañ i udoskonalania stosowanych rozwi¹zañ. Celem pracy by³a ocena wyników algorytmów klasyfikacji nadzorowanej dostêpnych w oprogramowaniu ER Mapper (ver. 6.4) pod k¹tem ich praktycznego zastosowania w procesie leœnej inwentaryzacji. W oparciu o zobrazowanie QuickBird-2 testowano mo liwoœci dostêpnych w programie algorytmów klasyfikacji koron poszczególnych gatunków drzew, przy czym za³o ono, i wynik powinien byæ jak najbardziej zbli ony do informacji zawartych na mapach gospodarczych (w bazie danych LAS/SILP). Dodatkowo autorzy postanowili przetestowaæ mo liwoœci automatycznej metody klasyfikacji obiektowej, do wykrywania klas LAS i NIE-LAS, w oparciu o program ecognition (Definiens), nie bazuj¹c na polach treningowych, a jedynie na okreœlonych formu³ach empirycznych. Teren badañ Testowanie algorytmów klasyfikacji przeprowadzano na obrazie satelitarnym QuickBird-2 obejmuj¹cym wschodni¹ czêœæ Puszczy Niepo³omickiej po³o onej w dolinie Wis³y, oko³o 30 km na wschód od Krakowa (rys.1). Gatunkami dominuj¹cymi w drzewostanach analizowanego fragmentu Puszczy Niepo³omickiej by³y: sosna pospolita (Pinus sylvestris L.; ) 58%, dêby (Quercus sp.; Db) 18%, olsza czarna (Alnus glutinosa L.; Ol cz) 9%, brzoza brodawkowata (Betula verrucosa L.; Brz) 5% oraz domieszkowo i pojedynczo: modrzew (), grab (Gb), jesion (Js), buk (Bk), lipa (Lp) oraz œwierk (Œw). Materia³ i metoda Metodyka pracy wymusza³a wykorzystywanie ró nych Ÿróde³ informacji oraz pos³ugiwanie siê technologiami ich przetwarzania i integracji geodanych. Prace terenowe przeprowadzano dwukrotnie tj.: w sierpniu 2003 roku oraz lipcu 2004 roku. Lokalizacja poszczególnych pól treningowych (ROI) i obszarów testowych okreœlana by³a na podstawie pomiaru DGPS (Pathfinder ProXRS z rejestratorem polowym TSC1; Trimble) korygowanego ze stacji bazowych ASG-PL (Wê yk 2004). Obszary testowe stanowi³y jednogatunkowe drzewostany III (40-60 lat) lub starszych klas wieku. Ostateczny zasiêg i rozmieszczenie pól treningowych i pól testowych zosta³ zweryfikowany na podstawie wizualnej interpretacji obrazu satelitarnego QuickBird. Dla wytypowanych fragmentów drzewostanów sk³ad gatunkowy oraz wiek odczytywano na podstawie informacji zawartej w bazie modu³u LAS/SILP (stan 2001 r.). Wa ne Ÿród³o informacji stanowi³a Leœna Mapa Numeryczna (LMN), któr¹ Nadleœnictwo Niepo³omice dysponuje od roku 2002 (wykonana na podstawie prac urz¹dzeniowych z 2001 roku), spe³niaj¹ca tzw. Standard LMN wprowadzony arz¹dzeniem Dyrektora Generalnego LP nr 74 w roku 2001 (IUL 2003). W pracy wykorzystano obraz satelitarny QuickBird-2 zarejestrowany dnia 15 wrzeœnia 2003 roku i dostarczony jako produkt typu Standard.

Testowanie metod i algorytmów klasyfikacji wysokorozdzielczych zobrazowañ satelitarnych... 165 Klasyfikacjê nadzorowan¹ zobrazowania QuickBird przeprowadzono w oparciu o nastêpuj¹ce algorytmy, dostêpne w programie ER Mapper 6.4 (ERM), tj.: m równoleg³oœcianów (Parallelepiped); m odleg³oœci Mahalanobisa (Mahalonobis); m minimalnej odleg³oœci (Minimum distance); m najwiêkszego prawdopodobieñstwa (Maximum Likelihood) w wariantach: Standard (Standard) oraz Wzmocnienie (Enhanced) w opcji: z uwzglêdnieniem s¹siedztwa (Neighbor), oraz bez uwzglêdnienia s¹siedztwa (Neighbor). Ocenê wyników dzia³ania poszczególnych algorytmów klasyfikacyjnych przeprowadzono w oparciu o obszary testowe. Pos³u ono siê zmodyfikowan¹ metod¹ wykorzystuj¹c¹ oprogramowanie ArcView ArcGIS oraz generowane z obserwacji terenowych i baz danych LAS/SILP warstwy rastrowe (GRID; ESRI). Wielkoœæ piksela dla warstw typu GRID przyjêto zgodnie z rozdzielczoœci¹ terenow¹ kana³ów spektralnych QuickBird-2, tj.: 2,4 m x 2,4 m. Wyniki i dyskusja Obraz QuickBird skalibrowano do uk³adu wspó³rzêdnych PUWG 1992/19 (zgodny ze SLMN) w oparciu o punkty dostosowania (GCP) pomierzone w terenie metod¹ DGPS b¹dÿ pozyskane z ortofotomapy wygenerowanej ze zdjêæ lotniczych z 1997 roku (z zasobów WODGiK). Œredni b³¹d kwadratowy wspó³rzêdnych p³askich (RMS XY ) kszta³towa³ siê na poziomie 1,85 metra (poni ej jednego piksela MS) co uznano za dopuszczalne w porównaniu do warstw referencyjnych, tj. LMN (przyjêto maks. 0,2 mm w skali mapy 1:10.000). Na podstawie przeprowadzonych prac terenowych oraz wizualnej interpretacji obrazu (z wykorzystaniem wektora LMN oraz utworzonej relacji do bazy atrybutowej LAS/SILP) zdefiniowano pola treningowe (ROI) i obszary testowe reprezentuj¹ce klasy przedstawione w tabeli 1. Tabela 1. estawienie powierzchni pól treningowych (ROI) i obszarów testowych (TA) wykorzystanych w procesie testowania algorytmów klasyfikacyjnych K lasa P ola treningowe (ROI) Obszary testowe (TA ) [ szt.] [ ha] [ szt. ] [ha] 74 111,08 10 26,58 Db 25 4,88 29 6,20 Ol cz 49 4,26 6 3,07 Bk 12 0,56 4 0,48 8 0,97 3 0,43 Brz 20 1,19 2 1,10 Polana 7 32,39 7 1,40 P_uprawne 6 6,19 3 5,38 Cieñ 13 0,47 3 0,07 abudowa 6 7,75 8 0,25

166 Piotr Wê yk, Pawe³ Bednarczyk W procesie klasyfikacji pominiêto kilka gatunków (jesion, lipa, grab, œwierk) wystêpuj¹cych na terenie Puszczy Niepo³omickiej ze wzglêdu na ich znikomy udzia³ powierzchniowy oraz obiektywn¹ trudnoœæ wyznaczenia jednolitych ROI oraz TA reprezentuj¹cych te gatunki pod wzglêdem sk³adu gatunkowego. Wstêpne wyniki klasyfikacji wykazywa³y, i granica rolno-leœna by³a bardzo wyraÿna w przypadku wszystkich stosowanych algorytmów. Wyj¹tek stanowi³ algorytm równoleg³oœcianów, którego wynikiem dzia³ania by³o poprawne okreœlenie zaledwie dwóch klas, a mianowicie: cieñ i zabudowa. tego powodu algorytm ten zosta³ pominiêty w dalszych analizach. Stratyfikacja drzewostanów na okreœlone typy, tj.: liœciasty i iglasty, nie sprawi³a w zasadzie wiêkszych problemów i we wszystkich przypadkach osi¹gano du ¹ dok³adnoœæ. Przyk³adowe porównanie danych opisowych zawartych w bazach danych LAS/SILP z wynikami dzia³ania algorytmu klasyfikacyjnego: maksymalnego prawdopodobieñstwa (wariant Standard z oknem 5x5 pikseli; 6 iteracji) zawarto w tabeli 2. Tabela 2. Dok³adnoœæ klasyfikacji nadzorowanej (algorytm maksymalnego prawdopodobieñstwa w wariacie Standard; okno 5x5 pikseli, 6 iteracji) w stratyfikacji gatunków iglastych i liœciastych Typ drzewostanu SILP Powierzchnia wed³u g Klasyfikacja Ró nic a [ ha] [ ha] [ ha] [%] Gatunki liœciaste 3033,52 2411, 7-621,82-20, 5 Gatunki iglaste 4806,96 4757,165-49,80-1, 0 Suma 7840,46 7168,86-671,62-8, 6 Ró nice pomiêdzy powierzchni¹ obliczon¹ na podstawie bazy danych LAS/SILP a klasyfikacj¹ nadzorowan¹ maksymalnego prawdopodobieñstwa, wynikaj¹ w pewnym stopniu z ró nej metody opisywania sk³adu gatunkowego. W atrybutowej bazie danych LAS/SILP udzia³ poszczególnych gatunków podawany jest na podstawie mi¹ szoœci, natomiast wynik klasyfikacji nadzorowanej opisuje powierzchniê rzutu koron drzew wchodz¹cych w sk³ad pierwszego piêtra (pikseli rejestrowanego górnego pu³apu drzewostanu). Ró nica sumarycznej powierzchni gatunków liœciastych i iglastych (-672,62 ha) wynika w du ej mierze z pominiêcia w tabeli 2 klasy cieñ (313 ha), polany (wewn¹trz kompleksów leœnych) czy p_uprawne. Do wymienionych klas tak e: luki, drogi i inne powierzchnie nieporoœniête drzewami (nieudane uprawy czy te niezalesione zrêby), a zaliczone wg LAS/SILP do powierzchni z wegetacj¹ drzewiast¹. O wiele wiêksze trudnoœci napotkano w trakcie klasyfikacji pikseli pod k¹tem poszczególnych gatunków drzew. Du ym podobieñstwem odbicia spektralnego cechowa³y siê pary gatunków (wewn¹trz typów drzewostanów) takie jak: sosna/modrzew oraz d¹b/olsza. W celu poprawy wyników dzia³ania algorytmu klasyfikacji, kilkakrotnie modyfikowano ROI, np. poprzez usuwanie z ich obszaru niewielkich obszarów cienia tworzonego przez wysokie drzewa i luki w pu³apie koron. W trakcie prac okaza³o siê, i du ¹ mobilnoœci¹ (tj. dynamik¹ przechodzenia pomiêdzy klasami), zarówno w kierunku gatunków iglastych jak i liœciastych cechowa³a siê brzoza. Wynikaæ to mo e przede wszystkim z budowy korony tego

Testowanie metod i algorytmów klasyfikacji wysokorozdzielczych zobrazowañ satelitarnych... 167 drzewa. Brzoza charakteryzuje siê bardzo du ¹ a urowoœci¹ korony (gatunek zaliczany jest do œwiat³o ¹dnych; Jaworski 1994), co powodowa³o zapewne nak³adanie siê odpowiedzi spektralnej: dolnych warstw drzewostanu, podszytu b¹dÿ nawet runa leœnego. Szczegó³owa analiza wykaza³a, i brzoza wykazuje pewne podobieñstwo do charakterystyki koron sosny, co mo na ewentualnie wyt³umaczyæ stosunkowo póÿnym terminem pozyskania zobrazowania (pocz¹tek przebarwiania siê aparatu asymilacyjnego, zmiany w strukturze komórki i tym samym spadek odbicia w kanale bliskiej podczerwieni) (Wê yk 1998). Dla gatunków liœciastych problemem okaza³o siê zaliczanie przez algorytm klasyfikacyjny, koron starszych drzew liœciastych (d¹b, olsza) do ró nych klas. Przyczyna tkwi³a prawdopodobnie w ró nym stopniu oœwietlenia poszczególnych czêœci koron (k¹t padania promieni s³onecznych wynosi³ ok. 40 ) lub wystêpowaniem uszkodzeñ koron (wiele wierzcho³ków; defoliacja koron dêbu powodowana gradacjami zwójek). Czêœciowe wyeliminowanie tego problemu mo liwe by³o dziêki zastosowaniu parametrów s¹siedztwa. W tym celu wykorzystano opcjê Neighbor filter o wielkoœci okna 5x5 pikseli. Takie rozwi¹zanie spowodowa³o jednoczeœnie generalizacjê wyników, co zdecydowanie poprawi³o czytelnoœæ kompozycji mapowej. Paradoksalnie, generalizacja bardzo szczegó³owej informacji tkwi w preferencjach odbiorcy (leœnika), który od zawsze przyzwyczajony by³ do uproszczonej informacji na mapach leœnych (jedna barwa dla jednego wydzielenia reprezentuj¹ca gatunek g³ówny). Ocenê dok³adnoœci dzia³ania poszczególnych algorytmów przeprowadzono w oparciu o obszary testowe (tab.1, rys.1). Otrzymane wyniki (tab. 3) œwiadcz¹ o du ej przydatnoœci klasyfikacji zobrazowañ satelitarnych do prac z zakresu inwentaryzacji lasu wykonywanej jak dot¹d tradycyjnymi metodami. Najbardziej poprawne rezultaty klasyfikacji osi¹gano w oparciu o stosowanie algorytmu maksymalnego prawdopodobieñstwa (wariant Standard) z w³¹czon¹ funkcj¹ analizy s¹siedztwa. Regu³a ta wykorzystuje zak³adan¹ wartoœæ prawdopodobieñstwa przynale noœci danego piksela do okreœlonej klasy. Bardzo du a liczba parametrów silnie uzale nia wynik od rozk³adu danych w ka dym kanale wejœciowym. Najwiêksz¹ poprawnoœæ uzyskano w przypadku drzewostanów sosnowych (klasa a 97,3%), gdy inne algorytmy generowa³y wynik na poziomie co najmniej 60%, jedynie w przypadku algorytmu Mahalanobis a wynik by³ znacznie zani ony osi¹gaj¹c zaledwie wartoœæ 41% (; tab.3). Drzewostany modrzewiowe mo liwe by³y do sklasyfikowania z dok³adnoœci¹ rzêdu od 16,8% do 58,8%. Ogromnym zaskoczeniem okaza³ siê jednak dla autorów wynik algorytmu maksymalnego prawdopodobieñstwa (najbardziej odpowiedniego dla klasy ) dla klasy (wynik = 0%), który t³umaczyæ mo na jedynie przebarwieniami aparatu asymilacyjnego modrzewia w okresie wykonywania zobrazowania (15.09.03) i bardzo du ¹ a urowoœci¹ korony jako gatunku wybitnie œwiat³o ¹dnego. Bardzo wa nym z punktu widzenia praktyki leœnej by³o testowanie doboru algorytmu dla obszarów gr¹dowych (liœciastych) kompleksów leœnych Puszczy Niepo³omickiej. W przypadku dêbu (zajmuj¹cego 18% powierzchni Puszczy Niepo³omickiej) najbardziej poprawny wynik uzyskano w przypadku algorytmu maksymalnego prawdopodobieñstwa w wariancie Standard z uwzglêdnieniem s¹siedztwa (72,7%). W przypadku stosowania innych algorytmów wyniki oscylowa³y pomiêdzy 14,7% do 33,6 %. Najczêœciej b³êdnie interpretowany D¹b zastêpowa³a klasa Olsza czarna. Najbardziej przydatnym w przypadku Olszy czarnej okaza³ siê jednak inny algorytm tj. maksymalnego prawdopodobieñstwa (wariant Wzmocnienie) z w³¹czon¹ funkcj¹ analizy s¹siedztwa (5x5 pikseli, 6 iteracji), który dawa³

168 Piotr Wê yk, Pawe³ Bednarczyk Algorytm Tabela 3. estawienie wyników dzia³ania algorytmów klasyfikacyjnych Cecha Db Bk Brz Cieñ Polany P_ U M LSN godnoœæ 97, 3-72, 7 63, 3 88, 5 18, 4 100, 0 48, 0 100, 0 99, 9 B³êdnie do klasy 1,2 1 00,0 11,8 Db 36,1 Db 7,0 44,8-16,7-0,1 M LS godnoœæ 62, 1 58, 8 27, 9 65, 5 57, 4 25, 0 100, 0 41, 7 92, 9 99, 4 B³êdnie do klasy 27,8 31,8 41,7 19,0 Ol 14,5 23,2-16,0 M LEN godnoœæ 84, 6 57, 5 32, 9 94, 2 82, 9 33, 3 100, 0 45, 8 100, 0 100, 0 B³êdnie do klasy 13,0 41,2 46,1 4,7 Brz 10,0 26,0 - Ol 16,9 polany 3,9 0,6 - - M LE godnoœæ 62, 1 58, 8 27, 9 65, 5 57, 4 25, 0 100, 0 41, 7 92, 9 99, 4 B³êdnie do klasy 27,8 31,8 41,7 19,0 14,5 23,2-16,0 M D godnoœæ 69, 1 31, 2 14, 7 46, 1 53, 2 12, 5 100, 0 35, 8 18, 7 95, 6 B³êdnie do klasy 17,8 41,5 40,8 Brz 14,6 Ol 23,2 32,3 - Ol 28,2 M DSD godnoœæ 62, 0 31, 1 15, 2 47, 9 53, 9 15, 1 98, 4 5, 7 99, 1 41, 5 B³êddnie do klasy 23,8 29,9 35,6 Brz 17,3 M AH godnoœæ 41, 5 16, 8 33, 6 52, 1 63, 5 13, 8 96, 3 1, 4 99, 8 52, 0 B³êdnie do klasy 42,8 65,1 23,3 Oznaczenia algorytmów: MLSN Maximum Likelihood Standard Neighbor (5x5 pikseli; 6 iteracji); MLS Maximum Likelihood Standard; MLEN Maximum Likelihood Enhanced Neighbor (5x5 pikseli, 6 iteracji); MLE Maximum Likelihood Enhanced; MD Minimum Distance; MDSD Minimum Distance (Std. Dev.); MAH Mahalonobis. Klasy: zabudowa; P_U pola uprawne 16,7 Brz 17,7 24,0 35,6 75,9 1,6 3,7 70,3 81,1 polany 3,9 P_U 62,0 polany 0,5 P_U 0,2 0,6 4,4 58,5 48,0 wyniki rzêdu 94,2% znacznie przewy szaj¹c najwy ej notowany algorytm maksymalnego prawdopodobieñstwa (wariant Standard) z w³¹czon¹ funkcj¹ analizy s¹siedztwa (tylko 63,3%). Klasyfikacja obszarów o skrajnie odmiennych charakterystykach spektralnych (cieñ, zabudowa, pola uprawne) nie sprawia³a wiêkszych problemów w przypadku wszystkich analizowanych algorytmów. Wynik oscylowa³ nawet w granicach 100% dla klasy cieñ (poza MDSD). Klasa zabudowa jedynie w przypadku algorytmu minimalnej odleg³oœci zosta³a okreœlona poni- ej oczekiwañ (18,6%), ale nie by³a ona przedmiotem niniejszego opracowania. Rezultaty otrzymane w przypadku klasy polany wynikaj¹ z du ej rozpiêtoœci charakterystyki spektralnej, co wynika z zaliczeniem do tej klasy zarówno obszarów poroœniêtych krzewami czy trawami jak i z pocz¹tkowymi stadiami sukcesji drzew leœnych na obszarach rolniczych.

Testowanie metod i algorytmów klasyfikacji wysokorozdzielczych zobrazowañ satelitarnych... 169 m Oceniaj¹c mo liwoœci poszczególnych algorytmów nale y stwierdziæ, i regu³y klasyfikacyjne opieraj¹ce siê na wartoœciach pojedynczych pikseli (na podstawie ROI) charakteryzowa³y siê wyraÿn¹ ziarnistoœci¹ otrzymanych wyników. Czêstym przypadkiem by³ problem zaliczania poszczególnych podkoron starszych drzew liœciastych do klas innych gatunków. Bardzo zró nicowany wynik otrzymywano równie dla pikseli reprezentuj¹cych obrze- a koron i granice drzewostanów oraz obszarów pozbawionych drzew. Osobnym etapem testowania metod klasyfikacji by³a próba wykorzystania klasyfikacji obiektowej do przetwarzania obrazów VHR QuickBird. Niestety ze wzglêdu na czasow¹ licencjê programu ecognition (ver. 4) udostêpnion¹ przez Definiens, testowaniem objêto mo liwoœæ automatycznej klasyfikacji obszarów pozbawionych wegetacji drzewiastej (wewn¹trz kompleksów leœnych i poza kompleksami leœnymi). Przewagi klasyfikacji obiektowej nad tradycyjn¹, bazuj¹c¹ na pojedynczych pikselach upatrywaæ mo na w tym, i piksele grupowane s¹ w obiekty, dla których ju na pierwszym etapie (segmentacji) obliczane s¹ liczne charakterystyki (Kristóf i in. 2002; Sasakawa i in. 2003; Burnett i in. 2003; Baatz i in. 2000; Blaschke i in. 2001). Umo liwia to wykorzystanie wybranych parametrów niedostêpnych w tradycyjnych metodach klasyfikacji nadzorowanej. W prezentowanej pracy do testów wytypowano obszar o wielkoœci 5000 x 5000 pikseli na granicy rolno-leœnej w pó³nocnej czêœci kompleksu g³ównego Puszczy Niepo³omickiej. W pierwszym etapie klasyfikacji obiektowej przeprowadzono segmentacjê obrazu, w wyniku której starano siê otrzymaæ obiekty w maksymalnym stopniu reprezentuj¹ce poszczególne korony drzew. W procesie segmentacji wykorzystano nie tylko poszczególne kana³y zobrazowania QuickBird, ale równie dodatkowe obrazy powsta³e w wyniku zastosowania filtru Lee-Sigma (dla kana³u NIR oraz Red obraz pozytywowy i negatywowy nazwane umownie border oraz frame). Wykorzystanie takiego zestawu danych pozwoli³o na odzwierciedlenie w du o lepszym stopniu kszta³tu pojedynczych koron na etapie segmentacji (Wê yk, de Kok 2005, Wê yk i in. 2004). Klasyfikacjê obiektow¹ oparto o empiryczne formu³y dzia³aj¹ce na zasadzie logiki rozmytej (ang. Fuzzy logic). W procesie klasyfikacji w programie ecognition wykorzystuje siê tzw. hierarchiê klas. W pierwszy etapie zdefiniowano klasy LAS ( pan_border_low) oraz NIE_LAS (pan_border_high). Nastêpnie w ramach klasy LAS wyró niono dwie podklasy: obszarów zacienionych (forest shadow) oraz drzew (trees). Kolejne podklasy obejmowa³y drzewostany liœciaste i iglaste w ramach klasy trees. Wykonana klasyfikacja bazowa³a na pierwszym poziomie segmentacji (rys.2). W nastêpnym etapie wykonano ponownie segmentacjê opart¹ na tak przeprowadzonej wstêpnie klasyfikacji. Pos³u y³o to do po³¹czenia obiektów hierarchicznie reprezentuj¹cych drzewostany w jeden obiekt LAS. W kolejnych krokach uwzglêdniaj¹c parametry s¹siedztwa, rozgraniczano obszary pozbawione drzew na te po³o one wewn¹trz oraz poza drzewostanem (rys. 3). Okreœlenie wartoœci granicznych do klasyfikacji drzewostanów i obszarów nieleœnych mo liwe by³o dziêki zastosowaniu dodatkowych obrazów wejœciowych (pochodnych) stworzonych przy pomocy programu ecognition (de Kok 2005), tj.: m PAN_border wartoœæ œrednia segmentów w kanale PAN podzielona przez sumê wartoœci œredniej dla warstw (obrazu) border i frame obrazu panchromatycznego, wykorzystana do rozgraniczenia obszarów nieleœnych i pokrytych drzewostanami, oraz eratred, opisan¹ funkcj¹ ekspotencjaln¹, w wyk³adniku której znajduje siê iloraz kana- ³u Red i sumy wartoœci œrednich kana³ów PAN, Red oraz NIR. astosowano j¹ w celu separacji drzewostanów liœciastych od iglastych. Oprócz wy ej wymienionych obrazów pochodnych wykorzystano tak e w klasyfikacji znormalizowany indeks wegetacji (NDVI) do wy³¹czenia obszarów zacienionych.

170 Piotr Wê yk, Pawe³ Bednarczyk Przeprowadzona klasyfikacja obiektowa w bardzo krótkim czasie umo liwi³a uzyskanie dok³adnej mapy terenów pozbawionych wegetacji drzewiastej, z rozró nieniem na obszary wewn¹trz oraz poza lasem. Implementacja raz wypracowanych formu³ na fragmencie obrazu o wielkoœci 5000 x 50000 pikseli, wraz z segmentacj¹ zajmuje oko³o 1 godziny. W porównaniu do tradycyjnych metod wymagaj¹cych zastosowania ROI, metoda klasyfikacji obiektowej cechuje siê oszczêdnoœci¹ czasu i pewna uniwersalnoœci¹. W przypadku wypracowania dobrych formu³, nie jest w zasadzie wymagana ingerencja u ytkownika w proces klasyfikacji. Tego typu metody kartowania z wykorzystaniem wysokorozdzielczych zobrazowañ satelitarnych powinny zostaæ wykorzystane w przypadku wyst¹pienia nag³ych zdarzeñ (takich jak huragany, po ary itp.) lub kartowania lasów na du ych obszarach (np. typów drzewostanów w ca³ej Polsce). Innym potencjalnym zastosowaniem jest weryfikacja map gospodarczych tworzonych w procesie inwentaryzacji lasu w zakresie wystêpowania luk, zrêbów, czy te kontrolowania udatnoœci upraw. Wnioski Klasyfikacja obrazu satelitarnego QuickBird mo e dostarczyæ wielu informacji na temat œrodowiska leœnego. Pomimo wysokiej rozdzielczoœci terenowej obrazu (0,61 m), precyzyjne okreœlenie sk³adu gatunkowego drzewostanu, w dalszym ci¹gu napotykaæ mo e na trudnoœci. Spoœród testowanych klasycznych algorytmów bazuj¹cych na wartoœciach pojedynczych pikseli, w przypadku obszarów leœnych, szczególn¹ uwagê nale y zwróciæ na regu³y wykorzystuj¹ce parametry s¹siedztwa. Ich stosowanie eliminuje liczne b³êdy i zdecydowanie poprawia czytelnoœæ wyników, jakich tradycyjnie oczekuj¹ odbiorcy map drzewostanowych. Algorytmy nie korzystaj¹ce z opcji s¹siedztwa generuj¹ rezultaty o bardzo skomplikowanej strukturze (choæ zgodnej z rzeczywistoœci¹) i bardzo czêsto zdarzaj¹ siê sytuacje b³êdnego zaklasyfikowania korony pojedynczego drzewa do wielu ró nych klas. Najlepsze rezultaty (zbli one do danych referencyjnych pozyskiwanych tradycyjnymi metodami) osi¹ga siê wykorzystuj¹c klasyfikacjê nadzorowan¹ dla drzewostanów o ma³o zró - nicowanej budowie piêtrowej i gatunkowej. Bioró norodnoœæ polskich lasów rozumiana np. jako zmieszanie ze sob¹ wielu gatunków drzew i ceniona jako niezmiernie wa ny element œwiadcz¹cy o naturalnoœci i trwa³oœci ekosystemu, w znacz¹cy sposób utrudnia jednak klasyfikacjê obrazu. W przypadku drzewostanów o jednostkowej formie zmieszania, w procesie klasyfikacji zani any (lub nawet ca³kowicie pomijany) jest udzia³ gatunków domieszkowych. Paradoksalnie mo na mieæ wra enie, i dawno oczekiwana wysoka rozdzielczoœæ zobrazowañ satelitarnych przynios³a ze sob¹ równie okreœlone problemy zbyt du ej ich szczegó- ³owoœci. Teledetekcja mo e dostarczaæ informacji o zmieszaniu gatunków na podstawie udzia³u pikseli poszczególnych klas gatunków w pododdziale. Jak siê jednak okazuje leœnicy nie s¹ jeszcze przygotowani do u ytkowania map w sposób realistyczny obrazuj¹cych rozmieszczenie poszczególnych koron drzew w pododdzia³ach. Przyczyna tego zjawiska tkwi w tradycji kartografii leœnej oraz metodach inwentaryzacji. Byæ mo e za kilka lub kilkanaœcie lat podejœcie do obecnych wyników dostarczanych przez klasyfikacjê obrazu zmieni siê diametralnie i bêdzie mo na œwiadomie u ywaæ okreœlenia precyzyjne leœnictwo mówi¹c o poziomie pojedynczych koron drzew w lesie. W dalszym ci¹gu jednak metody optyczne dostarczaæ mog¹ poprawnych informacji jedynie w przypadku drzewostanów o uproszczonej budowie piêtrowej. Niebawem jednak pojawi¹ siê wysokorozdzielcze aktywne systemy teledetekcyjne (radar), które w znacz¹cy

Testowanie metod i algorytmów klasyfikacji wysokorozdzielczych zobrazowañ satelitarnych... 171 sposób przyczyni¹ siê do rozwi¹zania tego problemu. W dalszym ci¹gu równie wybór terminu zobrazowania (g³ównie w przypadku systemów pasywnych) nale y dostosowywaæ do lokalnych warunków fenologicznych w danym sezonie wegetacyjnym. W przypadku klasyfikacji obiektowej rezygnacja z wykorzystania pól treningowych oraz oparcie siê wy³¹cznie na empirycznych wartoœciach pozwala na zautomatyzowanie procesu kartowania drzewostanów i obszarów nieleœnych. Ma to du e znaczenie w przypadku potrzeby przeprowadzenia klasyfikacji du ej iloœci scen satelitarnych w krótkim czasie. Posiadanie tego typu uniwersalnych formu³ modyfikowanych nieznacznie dla poszczególnych scen (g³ównie ze wzglêdu na okres fenologiczny) mo e mieæ w przysz³oœci pierwszorzêdne znaczenie np. dla administracji Lasów Pañstwowych czy departamentów Ministerstwa Œrodowiska odpowiedzialnych za raportowanie do Komisji Europejskiej. Literatura Baatz, M., Schäpe, A., 2000: Multiresolution Segmentation: an optimization approach for high quality multiscale image segmentation. In: Strobl, J. and Blaschke, T. (Eds.): Angewandte Geogr. Informationsverarbeitung XII, Wichmann, Heidelberg, ss. 12-23. Blaschke, T., Hay, G. J., 2001: Object-oriented image analysis and scale-space: theory and methods for modeling and evaluating multiscale landscape structure. Int. Archives Photogrammetry and Remote Sens., 34, part 4/W5, ss. 22-29. Burnett C., Blaschke T., 2003: A multi-scale segmentation/object relationship modeling methodology for landscape analysis Ecological Modelling, Volume 168, Issue 3, 15 October 2003, ss. 233-249 De Kok R., 2005: ecognition object oriented classification training. Training Manual. ProGea ConsultinglandConsult. Krakow 2005. Dickson E., Franklin S.E., Moskal L.M., 1999: Monitoring of forest biodiversity using remote sensing: Forest stand (high spatial resolution) protocol and examples. Alberta Biodiv. Monitoring Prog. http:// www.abmp.arc.ab.ca/chapter09.pdf, ss. 26. Instrukcja Urz¹dzania Lasu, 2003: Ministerstwo Ochrony Œrodowiska, asobów Naturalnych i Leœnictwa. Dyrekcja Generalna Lasów Pañstwowych. Warszawa. Jaworski A., 1994: Charakterystyka hodowlana drzew leœnych. Gutenberg, Kraków. Kayitakire F., Farcy C., Defourny P., Culvenor D.C., 2002: IKONOS-2 imagery potential for forest stands mapping. http://www.enge.ucl.ac.be/staff/curr/kayitaki/forestsat.pdf., ss. 11. Kristóf D., Csató E., Ritter D., 2002: Application of high-resolution satellite images in forestry and habitat mapping evaluation of IKONOS images through a Hungarian case study; http://www.isprs.org/commission4/proceedings/pdfpapers/349.pdf Kurczyñski., Wolniewicz W., 2002: Co oznacza piksel poni ej metra? [W:] Geodeta Magazyn Geoinformacyjny 8(87). Sasakawa H., Tsuyuki S. 2003: Development of forest type classification technique for the mixed forest with coniferous and broad-leaved species using the high resolution satellite data; http://definiens-imaging.com/ documents/reference2003.htm Toutin T., Cheng P., 2002: QuickBird A Milestone for High Resolution Mapping, Earth Observation Magazine, vol. 11, no. 4, ss. 14-18. Wê yk P., 1998: Kompleksowe wykorzystanie informacji ze zdjêæ lotniczych. Czeœæ III. Szczegó³owe aplikacje zdjêæ lotniczych w ró nych dziedzinach gospodarki. Skrypt przygotowany na zamówienie G³ównego Geodety Kraju w ramach projektu PHARE PL.9206-02-04/II. A3-10 A3-37. Kraków-Sieradz. Wê yk P., 2004: GPS w leœnictwie i ochronie przyrody. Mity i fakty Roczniki Geomatyki, Tom II, eszyt 4, ss. 19-32. Wê yk P., de Kok R., ajaczkowski G., 2004: The role of statistical and structural texture analysis in VHR image analysis for forest applications. A case study on QuickBird data in the Niepolomice Forest. [In:] Strobl et al. Hrsg. Angewandte Geoinformatik 2004; ss. 770-775. Wichman. Heidelberg. Wê yk P., de Kok R., 2005: Automatic mapping of the dynamics of forest succession on abandoned parcels in south Poland. [In:] Strobl et al. Hrsg. Angewandte Geoinformatik 2005; ss. 774-779. Wichman.Heidelberg.

172 Piotr Wê yk, Pawe³ Bednarczyk aj¹czkowski G., Wê yk P., 2004: Techniki teledetekcyjne w inwentaryzacji urz¹dzeniowej lasu. Roczniki Geomatyki, Tom II, eszyt 4, ss. 41-50. awi³a-niedÿwiedzki T., 1994: Ocena stanu lasu w ekosystemach zagro onych z wykorzystaniem zdjêæ satelitarnych i systemu informacji przestrzennej. Prace Instytutu Geodezji i Kartografii, Tom XLI, eszyt 90. Summary Contemporary VHR satellite images very often offer resolution between 1 and 4 meters and very good dynamic range (11 bit). The new RS technology enables to extract new kind of information (especially thematic information) which can be used in the forest inventory process. This paper presents how two classification methods, i.e.: the traditional supervised and the newest object-oriented and different algorithms were tested on the example of QuickBird-2 images (ground resolution 2,44 m MS; 0,62 PAN; 11 bit), for the stand mapping purpose. The Niepolomice Primeval Forest was selected for the study. The 10.000 hectares forest complex is located in southern Poland and represents a lowland forest in the Vistula valley. The dominant tree species in the Niepolomice Primeval Forest are: pine (Pinus sylvestris L.), oak (Quercus sp.) 18% and black alder (Alnus glutinosa L.) 9%. The paper describes options of the ER Mapper 6.4 (Earth Resource Mapping Inc.) in the supervised classification. Usefulness of the algorithms: Maximum Likelihood (Standard and Enhanced both with and without Neighbor filter), Mahalanobis, Parallelepiped, Minimum Distance and Minimum Distance (Standard deviation) were tested. The Regions of Interest (ROI) were created using DGPS receivers. Forest stand mapping in the Niepolomice Primeval Forest based on the QuickBird image from September 15 th 2003 required following ROI: Pine (), Oak (Db), Alder (Ol), Larch (), Beech (Bk), Birch (Brz), shadow (cien), clearing (polana), built up areas (zabudowa) and agriculture (p_uprawne). The best result of supervised classification proved the Maximum Likelihood Standard algorithm with Neighbor filter (5x5 pixels and 6 passes). The classification accuracy of the Pine () was around 98% and of broad-leaves trees ca. 80%. However, the classification accuracy of species was good for pine (97%) and oak (73%). The result of the alder classification was only 63%. It was also proved that Parallelepiped algorithm was completely useless. In this work, the authors also tested usefulness of the newest object-oriented (O.O.) classification in automatic mapping of the areas with- or without tree cover, inside and outside the forest. In this case ROI (samples) were not used, but only empirical expressions, which describe main features. This solution allows transferring of class hierarchy on other satellite images. These techniques can save time and money in the future. It is useful in verification of the Forest Digital Maps (LMN) during forest inventory works and it retrieves some important parameters like forest type, crown density, forest gaps, etc. The research presented shows that modern RS techniques based on the VHR satellite images and image processing methods and algorithms are very useful for rapid semi- or fullautomatic forest mapping. dr in. Piotr Wê yk rlwezyk@cyf-kr.edu.pl mgr in. Pawe³ Bednarczyk http://argis.les.ar.krakow.pl tel./fax (0-12) 662 50 82

Testowanie metod i algorytmów klasyfikacji wysokorozdzielczych zobrazowañ satelitarnych... 173 Rys. 1. Rozmieszczenie obszarów testowych na terenie badañ w Puszczy Niepo³omickiej (QuickBird-2; kompozycja kana³ów 432_PAN; 15.09.2003)

174 Piotr Wê yk, Pawe³ Bednarczyk Rys. 2. Wynik klasyfikacji obiektowej pierwszego etapu segmentacji: LEVEL 1 (kolor jasnozielony - drzewostany liœciaste (Db, Ol cz), ciemnozielony drzewostany iglaste (), ó³ty CIEÑ, czerwony NIE_LAS ) wraz hierarchi¹ Rys. 3. Wynik klasyfikacji obiektowej drugiego etapu segmentacji: LEVEL 2 (kolor seledynowy obszary NIE_LAS poza lasem, fioletowy obszary NIE_LAS wewn¹trz drzewostanów, zielono-niebieski LAS ) wraz hierarchi¹.