Interpretciaobrazovch dajov DPZ

Interpretcia obrazuriadkov obrazov dajeinterpretcia (udsk mozog, pota) vyuiten informcie

Mapovanie krajinydaje vyuvan pre mapovanie krajiny:1. Ternny prieskum2. Leteck merask snmky (LMS)3. Satelitn daje

Ternny prieskum detailn mapovanievyuvaj sa topografick mapy vekch mierok + GPS alebo geodetick meranieasovo a finanne nronako sa pomocou neho mapuj vek alebo nedostupn zemianerozoznva regionlne vzory

Metdy zaloen na vyuit dajov DPZ:poskytuj synoptick prehadcel scna je snman ako obraz namiesto skupiny bodovch dajovmonitorovanie javov v krajine v prslunch asovch okamihoch

LMS prv leteck snmka v roku 1858 (z balna)vyuitie LMS sa rozrilo v rokoch 1920 a 1930lacnejie, menej detailn ako TP, ale sksen interprettor me zska presn informciefinanne nron v prpade rozsiahlych zemmierky LMS od 1:500 do 1:100 000, ale na mapovanie KP najastejie 1:10 000 a 1:40 000Mapovanie krajiny

Satelitn daje - zaali sa vyuva v r.1972 spolu s vypustenm prvho satelitu Landsat, neskr v 80-tych rokoch SPOT (predtm mal rozlenie)pravideln asov intervaly - generovanie rozsiahlych databz informci o krajineobrazov daje z jednho zemia v rznych astiach spektra (pecifick vlastnosti krajiny)vhodnos pre mapovanie vekch zemvhodnos pre automatizovan spracovaniemenej detailn a poskytuj minimlne informcie o vyuit zeme, v sasnosti s vak u aj satelitn snmky s vemi vysokm rozlenm (VHR) < 1 mMapovanie krajiny

Fotointerpretciavyhodnocovac postup na zskavanie odbornch (kvalitatvnych a kvantitatvnych) informci o objektoch a javoch z obrazovch zznamov DPZsystm DPZ je potrebn vidie ako celok od snmania dajov a po vsledky vyhodnotenia el vyhodnotenia mus by v slade s druhom a asom snmania, formou dajov, spsobom spracovania snmok pred vlastnou interpretciou at.

Aspekty fotointerpretcieVlnov dka (psmo) ovplyvuje druh a mnostvo informci, ktor meme zskaVIDIRADAR

Aspekty fotointerpretcieasov aspektyron obdobie (mapovanie vegetcie, po.plodn)denn doba (mapovanie pdy - vlhkos)snmky s listami (vegetan mapovanie)snmky bez listov (topografick mapovanie, mestsk objekty)

Aspekty fotointerpretcieMierka snmky ovplyvuje rove vyuitench informciLMS malej mierky 1:50 000 a menejLMS strednej mierky 1:12 000 a 1:50 000LMS vekej mierky 1:12 000 a viacdigitlne snmae - rozlenie

FotointerpretciaKomplexn postup, pri ktorom sa vyuvaj:vetky informan komponenty snmkyodborn vedomosti a sksenostipoznatky o mieste vyhodnoteniadoplujce informcie (mapy, opisn, tatistick daje a in)

FotointerpretciaRozdiel medzi benou interpretciou fotografi a interpretciou leteckch a druicovch snmok:pohad na objekty zhoraast pouitie vlnovch dok mimo viditenho psma spektrazobrazenie zemskho povrchu v nezvyklch mierkach a rozleniach

Interpretan znakytn / farbatvarvekosrozlenie

Interpretan znakytn / farbatvarvekosrozlenietextra

Interpretan znakytn / farbatvarvekosrozlenietextravzor (truktra)

Interpretan znakytn / farbatvarvekosrozlenietextravzor (truktra)tiene

Interpretan znakytn / farbatvarvekosrozlenietextravzor (truktra)tienepolohaasocicia(vzjomn vzahy)

Interpretan kesbory interpretanch znakovdve zkladn asti:1. sbor popsanch snmok (stereodvojc)2. grafick alebo slovn popisdva zkladn druhy kov:1. vberov (selekn) poetn prklady2. vyluovacie (eliminan) rozhodovacie stromyobdoba legendy na mapenepouvaj sa a tak asto

Interpretan keprklad vyluovacieho interpretanho ka:

Pomckyalie pomcky pri interpretcii:textytabukymapygrafyseln dajefotografiein leteck alebo druicov snmkymetadaje (daje o snmkach)ternny prieskum.....

Druhy fotointerpretcieVizulna interpretcia vykonva ju interprettorAutomatizovan interpretcia obrazov klasifikcia, vykonvan potaomiastone automatizovan interpretcia niektor fzy spracovania s vykonvan potaom

Pravidl fotointerpretciePred fotointerpretciou je dleit si zvoli:Klasifikan systm (schmu)Minimlnu mapovaciu jednotku (MMU Minimum Mapping Unit)v zvislosti od:druhu snmok, ich rozlenia a inch vlastnostelu vyhodnoteniadruhu fotointerpretciemierky vslednej mapy

Klasifikan systmpredstavuje mnoinu kritri, na zklade ktorch s oddeovan jednotliv triedy objektov na snmkeodpora sa vybra niektor z uznvanch klasifikanch systmov, ak u tak existuje pre javy, ktor s predmetom interpretcieumouje to porovnanie vsledkov interpretcie s inmi dajmi - interoperabilita

Klasifikan systmhierarchick systm - hlavn triedy sa delia na podtriedy, ktor s alej detailnejie delenvhodou je jednoduch generalizcia a vhodnos pre rzne mierkynehierarchick systm - me obsahova mix detailnch a generalizovanch triedd sa ahko modifikova pre rzne aplikcievina klasifikanch systmov je hierarchickch a obyajne obsahuj nejak typ klasifikanho stromu

LCCS (Land Cover Clas. System) FAOKlasifikan systm organizcie FAO

LULC (Land Use & Land Cover) USGSLevel I Level II1 Urban or Built-up Land 11 Residential12 Commercial and Services13 Industrial14 Transportation,Communications, Utilities15 Industrial and Commercial Complexes16 Mixed Urban or Built-up Land17 Other Urban or Built-up Land2 Agricultural Land 21 Cropland and Pasture22 Orchards, Groves, Vineyards, Nurseries....23 Confined Feeding Operations24 Other Agricultural Land3 Rangeland 31 Herbaceous Rangeland32 Shrub and Brush Rangeland33 Mixed Rangeland4 Forest Land 41 Deciduous Forest Land42 Evergreen Forest Land43 Mixed Forest Land5 Water, 6 Wetland, 7 Barren Land, 8 Tundra, 9 Perennial Snow or Ice Klasifikan systm Geologickej sluby USA

Klasifikan systm vs. legendaklasifikan systm by mal by nezvisl od mierky a pouitch dajovaplikciou klasifikanho systmu na konkrtnom zem pre urit mierku a konkrtnu sadu dajov je legendalegenda predstavuje zoznam tried, a me, ale nemus by odvoden od klasifikanho systmuu ns najpouvanejia legenda CORINE Land Cover (CLC) a Katalg objektov ZB GIS (KO ZB GIS)

Minimlna mapovacia jednotkaMMU - minimlna vekos arelu, resp.minimlna rka lnie, ktor bude mapovan ako samostatn objektm vplyv na vekos detailu interpretcie

Minimlna mapovacia jednotkavekos MMU by mala by pribline 10-nsobkom vekosti pixlana vslednej mape uritej mierky je ak vyjadri plon arel men ako 0,10 inch (2,54 mm) na jednej straneMMU nemus by rovnako vek pre vetky triedy v rmci klasifikanho systmuarely < MMU zlenie so susednmi arelmi

Projekt CORINE Land Coverprogram CORINE (Coordination of Information on the Environment) schvlen Eurpskou komisiou v roku 1985cieom bolo zabezpeova kompatibiln daje o ivotnom prostred lenskch ttov Ev r.1991 sa rozhodlo, e 3 projekty sa rozria aj na tty strednej a vchodnej Eurpy medzi nimi aj projekt Land Cover (CLC) vytvorenie digitlnej bzy dajov o krajinnej pokrvke v mierke 1:100 000 aplikciou druicovch snmokprojekt koordinuje EEA (European Environmental Agency)databzy CLC 1970, CLC 1990, CLC 2000

Projekt CORINE Land Coverdaje Landsat TM, ETM+, SPOT, IRSgeometrick presnos < 50 m, od CLC90 < 25 m MMU plon 25 ha (500 x 500 m, o v mierke 1:100 000 predstavuje 5 x 5 mm)MMU lniov 100 m (1 mm v mierke 1:100 000)geometrick presnos dajov CLC < 100 mtematick presnos < 85 %metda interpretcie potaom podporovan vizulna interpretciaCLC 2006 mala by by hotov v roku 2009

www strnka CLC Slovensko

Legenda CORINE Land Cover3 hierarchick rovne:5 tried na prvej hierarchickej rovni15 tried na druhej hierarchickej rovni44 tried na tretej hierarchickej rovniGeografick stav SAV Feranec, Oahelr.1995-96 nvrh legendy CLC pre mierku 1:50 000 pre krajiny strednej a vchodnej Eurpydoplnen 4.hierarchick rove

Vizulna interpretcianajjednoduchia a najrozrenejia metdanajstaria vyvinut pre takmer 100 rokmi, ke boli k dispozcii iba analgov LMSvyhodnocovate na zklade pozorovania kvalitatvnych a kvantitatvnych charakteristk objektov a s pouitm vlastnch znalost a sksenost, prpadne rznych pomocnch materilov uruje na snmke rzne objekty a javyd sa vykonva pohotovo a s minimlnym technickm vybavenm

Vizulna interpretcia3D interpretcia vyuva stereoskopick videniepotrebn snmkov dvojica (sterodvojica)pecializovan fotogrametrick softvr (Image Station, PCI geomatica, Leica Photogrammetry Suite, Socet Set, PhoTopol)ZB GIS 3D daje (X,Y,Z)

Vizulna interpretcia2D interpretcia na snmke (rovina), ortofotosnmke, ortofotomapepostauje GIS softvr alebo in softvr uren na digitalizciu (ArcMap, Geomedia, Quantum GIS, GRASS, Geomatica,IrasC + Microstation,Topol, AutoCAD,R2V)

Vizulna interpretciav minulosti zakresovanm priamo do snmky alebo na priehadn fliu, s vyuitm rznych pomcok a prstrojovjednoduch - lupa, oovkov alebo zrkadlov stereoskopzloitejie - stereokompartor, prekresova, obkresovav sasnosti potaom podporovan (computer aided) vizulna interpretcia (napr. digitalizcia na obrazovke, 3D interpretcia s vyuitm stereookuliarov)

Obrazov klasifikciaproces triedenia pixlov do konenho potu tried na zklade ich dajovch hodntklasifikcia obrazu je zko spt s pojmom rozoznvanie vzoru (Pattern Recognition)ide o hadanie zmysluplnch vzorov v dajoch (spektrlnych, ale aj inch vizulnych alebo akustickch), ktor meme extrahovaklasifikciou napr.technika OCR (Optical Character Recognition), rozoznvanie PS, udskej rei,udskch tvr, klasifikcia emailov at.

Obrazov klasifikciaklasifikcia obrazovch dajov DPZ na zklade digitlnych hodnt pixlov (DN Digital Number) numerick klasifikcia

Multispektrlna klasifikciamultispektrlna klasifikcia - zaraovanie pixlov do tried na zklade ich meracch vektorovmerac vektor (measuremenet vector) - sada dajovch hodnt pre jeden pixel vo vetkch n psmach

Multispektrlna klasifikciarzne typy objektov rzne kombincie DN

Prznakov priestorn spektrlnych psiem tvor n-rozmern spektrlny priestor, ktor sa veobecne nazva prznakov priestor (feature space)je to n-rozmern abstraktn priestor s potom rozmerov odpovedajcim potu vlastnost (prznakov), ktormi jeobjekt (pixel,vzor) opsan

ScatterPlot

Delenie klasifikcie

Delenie klasifikcie

Kontrolovanklasifikciasupervised classificationNekontrolovanklasifikciaunsupervisedclassificationpoda stupa zasahovania uvatea do klasifikanho procesu:

pozostva z troch krokov:1. trnovac krok - analyztor identifikuje reprezentatvne trnovacie oblasti a vytvra numerick opis spektrlnych vlastnost kadej zujmovej triedy klasifikanej pokrvky na scne2. klasifikan krok - kad pixel obrazu zarad do tej triedy KP, na ktor sa najviac podob- ak nie je dostatone podobn iadnej triede KP, ozna sa ako "neznmy"3. vstupn krok - vznik vstupn obraz, v ktorom je kad pixel oznaen bu atribtom prslunej triedy alebo atribtom neznmy- 3 druhy vstupov tematick mapy, tatistick tabuky a digitlne daje pre GISKontrolovan klasifikcia

Kontrolovan klasifikcia

aplikcia rozhodovacieho pravidla (decision rule) - matematick algoritmus, ktor s vyuitm trnovacch dajov vykonva triedenie pixlov do oddelench triedstovky typov klasifiktorovtri najznmajie:1. klasifiktor minimlnej vzdialenosti (Minimum Distance Classifier)2. paraleln klasifiktor(Parallelepiped Classifier)3. klasifiktor maximlnej pravdepodobnosti (Maximum Likelihood Classifier)Klasifikan krok

najjednoduchia metdapota sa vzdialenos neznmeho pixla od priemeru kadej triedy v spektrlnom priestore

Klasifiktor min.vzdialenostineberie do vahy variabilitu tried

takisto rchla a jednoduch metdatriedy s ohranien minimlnymi a maximlnymi hodnotami pravouhl oblasti (obdniky v 2D)

Paraleln klasifiktorproblmy pri prekryte

parametrick klasifiktor vyaduje normlne (Gaussovo rozdelenie)triedy s ohranien izolniami pravdepodobnosti

Klas. max.pravdepodobnostirozrenm je Bayesinsky klasifiktor, kt. berie do vahy a priori pravdepodobnosti

trnovacie mnoiny (signatry) sady pixlov, ktor reprezentuj rozoznaten vzor alebo potencilnu triedudleit je, aby obsahovali len pixle danej triedynemusia nutne obsahova vea pixlov ani by rozptlen po celom zem, ale musia reprezentova vetky varicie danej triedy na scne (reprezentatvne a kompletn)meme ich vytvori zberom jednotlivch pixlov al. digitalizciou polygnov (zhluky pixlov)iteratvny proces zaha pridvanie, vymazvanie a spjanie signatr

Trnovac krok

vber klasifikanej schmy: Ak triedy chceme extrahova?informcie o dajoch: Ak triedy sa tam pravdepodobne vyskytuj?

Trnovac krok

informcie o zem najlepie tzv. Ground Truth, t.j.najpresnejie z dostupnch dajov (napr.ternny prieskum, LMS...), zberanch najlepie v ase snmaniapri vbere zle aj na naich vlastnch zrunostiach v rozoznvan vzoru a a priori znalostiachna zklade trnovacch mnon sa vypotaj tatistick charakteristiky jednotlivch tried (minimlna, maximlna, priemern hodnota jasu v jednotlivch psmach, smerodajn odchlka...)

Trnovac krok

je zaloen na prirodzenom zoskupovan pixlov obrazu v prznakovom priestore, preto sa nazva aj zhlukovanievsledkom s zhluky pixlov alebo klastre (cluster)zhuky predstavuj spektrlne triedy, kt. identita nie je znmaanalyztor ich mus porovnas referennmi dajmi, aby mali informan hodnotupodmienka - hodnoty pixlovv rmci jednej triedy musiaby v spektr. priestore blzkoseba, km hodnoty rznychtried musia by oddelitenNekontrolovan klasifikcia

nekontrolovan klasifikcia na rozdiel od kontrolovanej vyaduje na zaiatku len minimlny vstup od uvateazadva sa napr. poet vslednch zhlukov, vekos zhlukov, vzdialenos zhlukov, smerodajn odchlka v rmci zhluku, poet itercinajpouvanejie metdy:metda k priemerov (K-Means)metda zhlukovania ISODATAmetda tatistickho zhlukovaniavetky s iteratvne (k vsledku sa dopracvaj postupne uritm potom opakovan)Nekontrolovan klasifikcia

produkuje uvateom zadan poet k zhlukov, priom kad zhluk je reprezentovan jeho stredom v spektrlnom priestorepoiaton poloha stredov zhlukov je uren na zklade analzyvstupnho rastrapixle s zaraden dozhluku, k stredu kt.maj najmeniuspektrlnu vzdialenos

Klasifiktor k priemerov

nsledne s vypotan nov stredy zhlukovnov stred je bod, ktor minimalizuje sumu tvorcov vzdialenost medzi bodmi zhluku a jeho stredomproces sa iteratvneopakuje, a km posunstredov zhlukov nie jemen ne zadan limital. km nie je dosiahnutmaximlny poet iterci

Klasifiktor k priemerov

ISODATA (Iterative Self-organizing Data Analysis Technique) asto pouvan sofistikovan verzia metdy K-Meanshlavn proces je zhodn s K-Means, ale zrove dovouje meni poet zhlukov medzi jednotlivmi iterciami ich spjanm, delenm al. vymazvanm ak je vzdialenos priemerov dvoch zhlukov < ako zadan minimlna hodnota, zhluky sa spojaak je smerodajn odchlka zhluku < ako zadan maximlna hodnota, zhluk sa rozdel na dvaak je poet pixlov zhluku < ako zadan minimlna hodnota, zhluk sa vymae

ISODATA

berie do vahy textru obrazu, ktor je definovan rozptylom v rmci pohybujceho sa okna (napr. 3x3) po obrazestredy hladkch (homognnych) okien sa stvaj stredmi zhlukovvsledn zhluky sa potom klasifikuj niektorou z metd kontrolovanej klasifikcie

tatistick zhlukovanie

Typy vstupov zhlukovania

kontrolovan klasifikcia - ak chceme identifikova relatvne mlo tried, ak mme vybran trnovacie lokality, ktor meme verifikova ternnym prieskumom alebo ak chceme identifikova homognne reginynekontrolovan klasifikcia - vhodn na identifikciu charakteristickch spektrlnych tried na scne, ktor nemusia by zjavn pre opertoraumouje ahko definova mnoho tried, a doke identifikova aj triedy v nesvislch, ako rozozonatench oblastiachVber metdy trnovania

hybridn klasifikcia - na zjednoduenie a zvenie sprvnosti isto kontrolovanej alebo nekontrolovanej klasifikcievyuva sa napr. pri vegetanom mapovansoftvry umoujce klasifikciu dajov DPZ Idrisi, ERDAS Imagine, Geomatica, GRASS, SPRINGVber metdy trnovania

Klasifikcia zal.na oblastiach

prvm krokom je obrazov segmentcia proces delenia obrazu na relatvne homognne oblasti z hadiska spektrlnych alebo inch vlastnosttento proces je podobn zhlukovaniu, ale na rozdiel od zhlukov sa segmenty vytvraj s poiadavkou, aby pixle v nichboli priestorovo sdrnvlastnosti vytvorenchsegmentov ovplyvujemepomocou nastaveniaparametrov segmentanchalgoritmov

Obrazov segmentcia

najdleitejie vlastnosti:1. vekos segmentov uruje mierku mapovania alebo mieru abstrakcie objektov na snmke - ak s segmenty prli vek (nadsegmentovanie), mu obsahova pixle viacerch objektov- ak s naopak prli mal (podsegmentovanie), zbytone to sauje klasifikciu2. podobnos segmentov (spektrlna, priestorov) prahov hodnota urujca, i bud objekty sasou jednho segmentu alebo bud ohranien samostatne

Obrazov segmentcia

pouvan segmentan algoritmy:Prahovanie (Thresholding)Narastanie oblast (Region growing)Spjanie oblast (Merging)tiepenie oblast (Splitting)tiepenie a spjanie (Split-and-merge)Texturlne segmentan algoritmySegmentcia rozvod (Watershed segmentation)Technika priemernho posunu (Mean Shift)....

Klasifikcia zal.na oblastiach

po segmentcii nasleduje klasifikciapodobn metdy ako pri per-pixel klasifikcii:nekontrolovan zhlukovanie segmentovkontrolovan ako trnovacie mnoiny sa vyberaj reprezentatvne segmentyalebo uvate sm definuje klasifikan pravidl

Segmentcia a klasifikcia

vhodn pre segmentciu a klasifikciu obrazovch dajov DPZ:1. Definiens Developer (predtm eCognition) - viacrovovov segmentcia a in druhy2. SPRING (vone riten) - segmentcia spjanm oblast 3. ImageSegmentation (modul pre ERDAS Imagine) - segmentcia spjanm oblast4. Feature Analyst (modul pre ERDAS, ArcGIS, GeoMedia)5. Imagine Objective (modul pre ERDAS)

Objektovo-orientovan klasifikcia

vina klasifiktorov zal.na oblastiach s objektovo-orientovan klasifiktory, ktor vyuvaj objektovo-orientovan prstup

Objektovo-orientovan klasifikcia

alia charakteristika objektovo-orientovanho prstupu objekty poznaj metdy, ktor sa mu na nich vykonvav prpade klasifikcie to znamen, e meme aplikova urit opercie na objekty vybranej triedy (tried), napr. rozdeli ich na objekty niej rovne alebo naopak zli susediace objekty danej triedytakto je mon cyklick shra medzi segmentciou a klasifikciou

Klasifikcia zal. na oblastiach

vhody napodobuje proces vizulnej interpretcieberie d vahy vzjomn vzahy medzi pixlamivsledok je menej rozdrobenvhodn najm pre daje s vysokm rozlenm, preto sa v svislosti s rastom rozlenia druicovch snmaov oraz viac pouvabohat monosti a presn vsledky poskytuje najm objektovo-orientovan klasifikcianevhody zatia ju umouje len mlo komernch softvrov, ktor s draho-o klasifikcia vyaduje uvatea s odbornmi znalosami

klasifikcia nie je pln, km nie je zhodnoten jej sprvnoschyba klasifikcie obsahuje systematick a nhodn zlokusystematick miera vychlenia (napr.nesprvne stanoven trnovacie mnoiny)nhodn napr.prekryt trnovacch mnonobvykl spsob hodnotenia sprvnosti je porovnanie s dajmi, ktor s povaovan za sprvne (tzv. ground truth)nie je relne testova kad pixel scny, preto sa pouva bu sada testovacch pixlov alebo testovacie polygny (zhluky pixlov)

Hodnotenie sprvnosti

testovacie pixle s vyberan nhodne, priom sa vak mu zanedba mal, ale potencilne dleit oblastipreto sa asto rob tzv. stratifikovan vber, kedy sa pixle vyberaj nhodne v rmci jednotlivch klasifikanch triedmu tie vznikn problmy vyplvajce z chybnej registrcie pixlov, omu sa d zabrni vberom pixlov vzdialenejch od hranc arelovasto sa tie vyuvaj testovacie polygny, ktor by v prpade kontrolovanej klasifikcie mali by odlin od trnovacch a mali by by zsadne vieHodnotenie sprvnosti

Classification Error MatrixKlas.chybov maticachyby podhodnotenia (Errors of Omission)chyby nadhodnotenia (Errors of Commission)producentsk presnos (Producents Accuracy)uvatesk presnos (Users Accuracy)celkov presnos (Overall Accuracy)

Sheet1

Referenn daje [m2]ECUA

KategriaTP s obn.obnaenobnaenkrovittrvnevodnlesSpolu[%][%]

pdoupda s TPpdaporastyporastyplocha

Klasifikovan daje [m2]TP s pdou46653026003094001078556.7543.25

pda s TP494108464030000117437.6492.36

obnaen pda78212898660000107768.4491.56

krovit porasty15801688166610044921359439.9360.07

trvne porasty1488131164132275060504299258.0891.92

vodn plocha000006118061180100

les99218964571402322372338050.6799.33

Spolu768614152106908943319246118237233316746

EO [%]39.3123.367.718.6913.8402.115.48

PA [%]60.6976.6492.2991.3186.1610097.8994.52

Kappa koeficient (KHAT) je tatistickou mierou zhody medzi referennmi a klasifikovanmi dajmi, vyluujc zhodu z titulu nhodyvychdza z prepokladu, e aj pri plne nhodnej klasifikcii me by as vsledkov sprvnavyjadruje rozdiel medzi skutonou zhodou referennch a klasifikovanch dt a medzi pravdepodobnou zhodou referennch a nhodne klasifikovanch dt

Kappa koeficient

r je poet riadkov v matici chbxii je poet pixlov v i-tom riadku a i-tom stpci (na hlavnej diagonle)xir je poet vetkch pixlov v i-tom riadku xic je poet vetkch pixlov v i-tom stpciN je poet vetkch pixlov Kappa koeficient

hodnoty indexu Kappa sa pohybuj od 0 do 10 znamen, e hodnoten klasifikcia nie je lepia ne nhodn usporiadanie pixlov1 znamen, e bolo odstrnench 100 % chb, ktor by vyprodukoval nhodn proces klasifikcieobvykle sa za dobr vsledok povauje hodnota k > 0,75 0,80hodnota k > 0,40 sa povauje za priemern zhodu a k < 0,40 za mal zhodutieto hodnotenia vyjadruj len to, ako dobre s klasifikovan testovacie plochy, vsledn sprvnos je preto asto prli optimistickKappa koeficient

Klasifikcia vs. viz.interpretcia zatia sa nepodarilo plne nahradi innos udskho mozgu pri VIVI je nenron na softvr a na odborn znalosti uvatea, nevyaduje trnovacie dajenie je citliv na rdiometrick zmeny alebo nedostatky snmkovho materiluklasifikcia je presnejia, lepie vyuva detailn spektrlne informcieumouje rchlo a presne zachyti drobn elementy krajinnej truktry (napr.mal ostroveky porastov) dleit pri KE analzach

Identifikcia zmienidentifikcia (detekcia) zmien je proces urovania rozdielov v stave objektu alebo javu pozorovanm v rznych asovch obdobiachzmeny krajinnej pokrvky maj pravdepodobne v globlny vplyv ne klimatick zmenypreto je dleit ich presn monitorovaniezkladnm prepokladom identifikcie zmien vyuitm dajov DPZ je existencia zmeny v spektrlnej odozve zaznamenanej snmaom, resp. fotogrametrickou kameroutieto zmeny sa prejavia na snmkach zmenami charakteristk interpretanch znakov

Identifikcia zmienpri identifikcii zmien potrebujeme odli skuton zmeny od zmien spsobench premennmi mimo zujmu (napr.rozdielnou vkou snmania)zmeny krajinnej pokrvky:kategorick zmena konverzia(napr. zmena lky na zastavan arel)postupn prechod modifikcia(napr. postupn zarastanie lky nletovmi drevinami)od krtkodobch zmien a po dlhodob javy

Identifikcia zmienMetdy identifikcie zmien:1. vizulna interpretcia (aj potaom podporovan)2. digitlne metdy identifikcie zmien3. kombincia oboch metdVizulna interpretcia - v minulosti sa vykonvala na svetelnej tabuli a bola jedinm monm typom polohovo registrovanej detekcie zmienv sasnosti digitalizciou na obrazovkedleit je stanovenie MMU pre mapovanie zmien(minimlna vekos arelu zmeny, minimlna rozloha a rka novch arelov)

Vizulna interpretcia zmienvyuvaj sa najm:retrospektvna analza (backdating)aktualizca (updating)

princp aktualizcie pochdza z oblasti terminolgie GIS

Vizulna interpretcia zmienhlavnm cieom aktualizcie je minimalizova riziko vzniku nepresnost vo vytvranej vrstve zmienkad proces prekrytia (overlay) dvoch alebo viacerch nezvisle generovanch vrstiev vedie k fragmentcii, t.j. vzniku vekho mnostva vemi malch polygnov - tzv. zbytkovch polygnov (sliver polygons)pri aktualizcii (retrospektvnej analze) sa modifikuj len hranice zmenench arelovin prstup - priama tvorba vrstvy zmienminimalizuje sa as tvorby novej vrstvy dajov

Digitlne metdyzaloen na priamom porovnvan digitlnych obrazovvyaduj presn polohov registrciu snmok (chyba by nemala presiahnu vekos polovice pixla)spolon rdiometrick odozva (minimalizcia vplyvu uhla snmania, uhla dopadu slnench lov alebo atmosfrickch vplyvov)snmky nasnman rovnakm alebo podobnm typom senzora, s rovnakou snmkovou geometriou, v rovnakom spektrlnom psme a s rovnakm geometrickm rozlenm (v rovnakom dennom ase a v rovnakom ronom obdob)

Digitlne metdypri vizulnej aj digitlnej detekcii zmien vyuitm dajov DPZ maj vplyv aj environmentlne faktoryatmosfrick faktory oblanos znemouje identifikciu zmien, hmla alebo riasy mu pozmeni spektrlne hodnotyvlhkos pdy taktie ovplyvuje spektrlne hodnotyfenologick cykly pri ponohospodrskych plodinch, ale aj pri raste urbanizovanch zemprliv a odliv pri hodnoten zmien v pobrench oblastiach

Digitlne metdyDigitlne metdy detekcie zmien:techniky zvrazovania zmien - lokalizuj zmeny a ich vekos, ale neposkytuj informcie o charaktere (type) zmenyobrazov algebra, odtanie vegetanch indexov, detekcia zmien chi-square transformciou, vzjomnou korelciou,multitemporlna klasifikcia, linerna regresia techniky detekcie povahy zmien - zaloen na klasifikcii, poskytuj aj informcie o type identifikovanch zmien (zmena z-na)detekcia zmien porovnanm po klasifikcii, aplikciou binrnej masky, vyuitm pomocnch dajov, analza vektora spektrlnej zmeny

Zvrazovanie zmienOdtanie obrazov(Image differencing)odtanie hodnt obrazovch prvkov 2 obrazovzmeny + al. -, bez zmeny blzke 0 Podiel obrazov(Image rationing)podiel hodnt obrazovch prvkov 2 obrazovzmeny 1, bez zmeny blzke 1kov je urenie prahovej hodnoty oddeujcej zmenen daje od dajov bez zmeny rob sa to empiricky pomocou histogramu

Odtanie obrazovSnmka 1Snmka 2Obraz rozdielov = Snmka 1 - Snmka 2

8

10

8

11

240

11

10

22

205

210

205

54

220

98

88

46

5

9

7

10

97

9

8

22

98

100

205

222

103

98

254

210

3

1

1

1

143

2

2

0

107

110

0

-168

117

0

-166

-164

Odtanie obrazovObraz rozdielov

Detekcia povahy zmienDetekcia zmien porovnanm po klasifikcii(Post-classification Comparison, PCC)najpouvanejiakvantitatvna metda hodnotenia zmienposkytuje informcie o zmene z-naasto sa povauje za nadraden nad ostatn metdy detekcie zmien a pouva sa ako tandard na hodnotenie ich vsledkovspova v prekryt a porovnan dvoch nezvisle klasifikovanch obrazovvsledkom je matica zmien (Change Detection Matrix)

PCCvhody - poskytuje informcie o zmene "z - nanezvislou klasifikciou sa eliminuje vplyv rznych atmosfrickch podmienok alebo pouitia rznych senzorovanalyztor kontroluje typy zmien zobrazen vo vslednom produktenevhody potrebn dve nezvisl klasifikciechyby v klasifikcii sa kumulujniekedy je ak odli skuton zmeny od zmien spsobench odlinou klasifikanou metdouvznik zbytkovch polygnov (istenie zdruovanm so susednmi polygnmi alebo posvanm)

Detekcia povahy zmienDetekcia zmien aplikciou binrnej masky na druh snmku1. Klasifikcia prvej snmky2. Odtanie druhej snmky od prvej raster zmien3. Tvorba binrnej masky zmien a naloenie na druh snmku4. Klasifikcia zmenench oblast druhej snmky5. Detekcia zmien z-na metdou PCCvemi efektvna metda redukuj sa chyby pri klasifikcii a etr sa as a nmahavyaduje postupnos viacerch krokov a vsledok zvis od kvality binrnej masky

Hodnotenie zmienkontingenn tabuka (Contingency table)matica zmien (Change detection matrix)v prpade rozsiahlych klasifikanch schm me vznikn vek mnostvo kombincipreto sa zmeny asto delia na typy, naprklad:na zklade prbuznosti procesov, ktor zmeny spsobilipoda charakteristickch stavov krajiny po zmench

conversion

Tab..2: Tabuka typov zmien

Triedy 1992

zastavan plochatrvne porastykosodrevinaleskamenist povrchvodn plocha

Triedy 1986zastavan plocha06-6--

trvne porasty502166

kosodrevina-4016-

les5330-6

kamenist povrch-6660-

vodn plocha-6-6-0

0bez zmeny

1zalesnenie

2rozirovanie kosodreviny

3odlesnenie

4stup kosodreviny

5urbanizcia

6nelogick zmeny vyplvajce z chb vstupnch vrstiev

pozitvne zmeny

negatvne zmeny

clanok

Tab..1: Tabuka typov zmien

Triedy 1992

zastavantrvnekosodrevinaleskamenistvodn

plochaporastypovrchplocha

Triedy 1986zast.plocha06-6--

trv.porasty502166

kosodrevina-4016-

les5330-6

kam.povrch-6660-

vod.plocha-6-6-0

0bez zmeny

1zalesnenie

2rozirovanie kosodreviny

3odlesnenie

4stup kosodreviny

5urbanizcia

6nelogick zmeny vyplvajce z chb vstupnch vrstiev

Tab..2: Tabuka zmien

Triedy 19921992

zastavantrvnekosodrevinaleskamenistvodnspolu

plochaporastypovrchplocha

Triedy 1986zast.plocha5610017000-3500--76600

trv.porasty147001566700304001210001950002001928000

kosodrevina-149700130760044600136300-1638200

les873004409001520007403400-10008084600

kam.povrch-18320019900138001477500-1694400

vod.plocha-800-1100-1630018200

1986 spolu15810023583001509900758740018088001750013440000

pozitvne zmeny

negatvne zmeny

List1

Tab..2 (3): Tabuka typov zmien

Triedy 1992

zastavan plochatrvne porastykosodrevinaleskamenist povrchvodn plocha

Triedy 1986zastavan plocha06-6--

trvne porasty502166

kosodrevina-4016-

les5330-6

kamenist povrch-6660-

vodn plocha-6-6-0

0bez zmeny

1zalesnenie

2rozirovanie kosodreviny

3odlesnenie

4stup kosodreviny

5urbanizcia

6nelogick zmeny vyplvajce z chb vstupnch vrstiev

Tab..3 (4): Tabuka zmien

Triedy 19921992 spolu

zastavan plochatrvne porastykosodrevinaleskamenist povrchvodn plocha

Triedy 1986zastavan plocha5610017000-3500--76600

trvne porasty147001566700304001210001950002001928000

kosodrevina-149700130760044600136300-1638200

les873004409001520007403400-10008084600

kamenist povrch-18320019900138001477500-1694400

vodn plocha-800-1100-1630018200

1986 spolu15810023583001509900758740018088001750013440000

pozitvne zmeny

negatvne zmeny

contingency

Tab..3: Tabuka zmien

Triedy 1992

zastavan plochatrvne porastykosodrevinaleskamenist povrchvodn plochaSpolu

Triedy 1986zastavan plocha5610017000-3500--76600

trvne porasty147001566700304001210001950002001928000

kosodrevina-149700130760044600136300-1638200

les873004409001520007403400-10008084600

kamenist povrch-18320019900138001477500-1694400

vodn plocha-800-1100-1630018200

Spolu15810023583001509900758740018088001750013440000

pozitvne zmeny

negatvne zmeny

Triedy 1992

zastavan plochatrvne porastykosodrevinaleskamenist povrchvodn plochaSpolu

Triedy 1986zastavan plocha5610017000-3500--76600

trvne porasty147001566700304001210001950002001928000

kosodrevina-149700130760044600136300-1638200

les873004409001520007403400-10008084600

kamenist povrch-18320019900138001477500-1694400

vodn plocha-800-1100-1630018200

Spolu15810023583001509900758740018088001750013440000

% zmien

Tab..4: Zhodnotenie zmien

TypPlochaPodiel z celkovejPodiel zo zmenenejPopis

zmenyplochy [%]plochy [%]

01182760088.0-bez zmeny

11656001.210.3zalesnenie

2304000.21.9rozirovanie kosodreviny

35929004.436.8odlesnenie

41497001.19.3stup kosodreviny

51020000.86.3urbanizcia

65718004.335.5nelogick zmeny vyplvajce

z chb vstupnch vrstiev

Spolu13440000100100

plocha

Prloha .9: Zmeny krajinnej pokrvky v r.1986 a 1992

Por.Typ krajinnej pokrvkyPlocha

slov r.1986v r.1992

1kosodrevinatrvne porasty146500

2kosodrevinakamenist povrch139300

3kosodrevinales41400

4trvne porastykosodrevina23900

5trvne porastykamenist povrch191900

6trvne porastyzastavan plocha13400

7trvne porastyles112700

8kamenist povrchkosodrevina19200

9kamenist povrchtrvne porasty183500

10kamenist povrchles14100

11vodn plochatrvne porasty500

12vodn plochales1000

13zastavan plochatrvne porasty16600

14zastavan plochales2400

15leskosodrevina158800

16lestrvne porasty433300

17lesvodn plocha700

18leszastavan plocha89100

19bez zmeny11851700

Spolu13440000

Hodnotenie zmientabuka typov zmien (Conversion table):znik jednho arelu zrovepredstavuje vznik alieho

Sheet1

Triedy 1998

101102103104105106107312313321322324332333334511512

Triedy 198610106666663343666666

10260666663343666666

10366066663343666666

10466606663343666666

10566660663343666666

10666666063343666666

10766666603343666666

31211111110622222222

31311111116022222222

32111111113303655566

32211111113320222222

32411111113343055566

33211111113343606666

33311111113343660666

33411111113343666066

51111111113343666606

51211111113343666660

stare zmeny

Kod 1986Kod 1998Typ zmenyKod 1986Kod 1998Typ zmeny

119b413.24103211

1a10a713.3510333.118

1a15715.1610513.219

1a19a43.111311021

1a19b43.13.2231323.325

1a19g43.13.3231335.136

1a21b43.2113210

1a25b53.23.133231

1e173.23.353233

1e9b73.3113310

1e10a73.33.243332

1e25a5

1e25b5

10a170bez zmeny

10a1e71urbanizcianegatvna zmena

10a9b72odlesnenienegatvna zmena

10a19a43zalesneniepozitvna zmena

10a19g44zatrvneniepozitvna zmena

15175detrukcianegatvna zmena

151e76in zmenyneutrlna zmena

1519g47zmena v rmci kategrieneutrlna zmena

1711

171a10bez zmeny

171e11negatvna zmena

171f12pozitvna zmena

173b13neutrlna zmena

1710a1

17151

1719a4

1719g4

1725a5

1725b5

1736b6

18a11

18a1a1

18a9b1

18a10a1

18a151

18a171

18a19a2

18a19g2

18a21a7

18a21b2

18a21c2

18a25a2

18a25b2

18c18a3

19a11

19a1a1

19a1e1

19a3b1

19a9b1

19a10a1

19a151

19a19g5

19a25a5

19a25b5

19b11

19b1e1

19b9b1

19b18a3

19b19a2

19b19g2

19b21a3

19b25b5

19g11

19g1a1

19g151

19g18a3

19g19a4

19g21a3

19g25a5

19g25b5

21a1a1

21a10a1

21a18a7

21a19g2

21a19a2

21a21c2

21a25a5

21b10a1

21b151

21b18a3

21b19a4

21b21a3

21b21c7

21b25b5

21c21b7

25a11

25a1a1

25a1e1

25a3b1

25a9b1

25a10a1

25a151

25a19a4

25a19g4

25a21a3

25a25b4

25b19a4

25b19g4

25b25a5

Graf3

4.1831932141

62.0122462974

4.315297769

7.1064994069

15.7076398276

6.675123485

typ zmeny

%

Typy zmien

PlochaPodiel z celkovejPodiel zo zmenenej

(v m2)plochy (v %)plochy (v %)

0549482790.38-

1244790.404.1831932141

23628785.9762.0122462974

3252520.424.315297769

4415850.687.1064994069

5919171.5115.7076398276

6390610.646.675123485

6080000100100

585172

9.6245446596

Typ zmenyPlochaPodiel z celkovejPodiel zo zmenenej

KdNzovplochy (v %)plochy (v %)

0bez zmeny549482790.4-

1urbanizcia244790.44.2

2odlesnenie3628786.062.0

3zalesnenie252520.44.3

4zatrvnenie415850.77.1

5detrukcia919171.515.7

6in zmeny390610.66.7

Spolu6080000100100

Typy stare

Triedy 98

11a1b1c1e1f3b9a9b10a14151718a18c19a19b19g21a21b21c21e25a25b36a36b

Triedy 8610---------------4---------

1a-0-------7-7---444-4---5--

1b--0-----------------------

1c---0----------------------

1e7---0---77------------55--

3b------0-------------------

9a-------0------------------

10a7---7---70-----4-4--------

14----------0---------------

157---7------0-----4--------

1711--111--1-10--4-4----55-6

18a11------11-110-2-2722-22--

18c-------------30-----------

19a11--1-1-11-1---0-5----55--

19b1---1---1----3-2023----5--

19g11---------1-3-4-03---55--

21a-1-------1---7-2-20-2-5---

21b---------1-1-3-4--307--5--

21c-------------------70-----

21e---------------------0----

25a11--1-1-11-1---4-43---04--

25b---------------4-4----50--

36a------------------------0-

36b-------------------------0

0bez zmeny

1urbanizcia

2odlesnenie

3zalesnenie

4zatrvnenie

5detrukcia

6in zmeny

7zmena v rmci kategrie

clanok2

Conversion table

Triedy 1998

112122133141142312321324333512

Triedy 19861120666634666

1226066634666

1336606634666

1416660634666

1426666034666

3121111102222

3211111130656

3241111134056

3331111134606

5121111134650

0bez zmenynegatvne zmeny

1urbanizciapozitvne zmeny

2odlesnenieneutrlne al.iadne zmeny

3zalesnenie

4zatrvnenie

5detrukcia

6in zmeny

Contingency table

Triedy 1998Spolu

1121221331411423123213243335121986

Triedy 198611228086804-703--6532254-30323

122258171967-2067--395---77010

13355013577715110700492-4786-20236732776

14150952704-57115--47811541547-68094

142----1384-----1384

312768691929054907-473773916615346099165-5116117

3212493--158316569928111329490980-377326

324491781-620-245534893222230937254506

3331468460-725193-30380119666487-100910

512-------2155421554

Spolu 19984648487212100567842122344762991339314570995160372219216080000

clanok

Conversion table

Triedy 1998

112122133141142312321324333512

Triedy 198611206-6--466-

12260-6--4---

13366066-4-66

14166-0--466-

142----0-----

3121111-0222-

3211--113065-

32411-1-3405

33311-11-460-

512---------0

0bez zmeny

1urbanizcia

2odlesnenie

3zalesnenie

4zatrvnenie

5detrukcia

6in zmeny

Contingency table

Triedy 1998Spolu

1121221331411423123213243335121986

Triedy 198611228086804-703--6532254-30323

122258171967-2067--395---77010

13355013577715110700492-4786-20236732776

14150952704-57115--47811541547-68094

142----1384-----1384

312768691929054907-473773916615346099165-5116117

3212493--158316569928111329490980-377326

324491781-620-245534893222230937254506

3331468460-725193-30380119666487-100910

512-------2155421554

Spolu 19984648487212100567842122344762991339314570995160372219216080000

KP98

Typ KPPlocha (v ha)Podiel z celkovej plochy (v %)

19861998Rozdiel19861998Rozdiel

Zastavan plocha21.022.41.53.43.70.2

Les511.6476.3-35.384.178.3-5.8

Trvne porasty a kroviny63.291.027.810.415.04.6

Detruovan plochy10.116.05.91.72.61.0

Vodn plochy2.22.20.00.40.40.0

Spolu60860801001000

Plocha (v ha)1998

Typ KPPodiel z celkovejPlochaPodiel z celkovej

19861998Rozdielplochy (v %)plochy (v %)

Zastavan plocha209587224407148203.42244073.7

Les51161174762991-35312684.1476299178.3

Trvne porasty a kroviny63183291030927847710.491030915.0

Detruovan plochy100910160372594621.71603722.6

Vodn plochy21554219213670.4219210.4

Spolu608000060800000100.06080000100.0

KP98

KP

CLC3

19861998

Triedy 1986113032346484.064025

127701087212.406885

133277610055.721857

146947780654.62271

3151161174762991.039032

32631832910308.779181

33100910160372.010398

512155421920.902534

CLC2

Conversion table

Triedy 1998

112122133141142312321324333512

Triedy 19861120666634666

1226066634666

1336606634666

1416660634666

1426666034666

3121111102222

3211111130656

3241111134056

3331111134606

5121111134650

0bez zmeny

1urbanizcia

2odlesnenie

3zalesnenie

4zatrvnenie

5detrukcia

6in zmeny

Contingency table

Triedy 1998

112122133141142312321324333512

Triedy 198611228086804-703--6532254-

122258171967-2067--395---

13355013577715110700492-4786-202367

14150952704-57115--47811541547-

142----1384-----

312768691929054907-473773916615346099165-

3212493--158316569928111329490980-

324491781-620-245534893222230937

3331468460-725193-30380119666487-

512-------21554

Conversion table

Triedy 1998

112122133141142312321324333512

Triedy 198611206-6--466-

12260-6--4---

13366066-4-66

14166-0--466-

142----0-----

3121111-0222-

3211--113065-

32411-1-3405

33311-11-460-

512-------0

Conversion table

Triedy 1998

1112131431323351

Triedy 19861106-6-46-

1260-6-4--

136606-466

1466-0-46-

311111022-

3211-1305-

3311-1-40-

51-------0

0bez zmeny

1urbanizcia

2odlesnenie

3zalesnenie

4zatrvnenie

5detrukcia

6in zmeny

Hodnotenie zmien

Sheet1

Typ zmenyPlochaPodiel z celkovejPodiel zo zmenenej

KdNzov(v m2)plochy (v %)plochy (v %)

0bez zmeny1235743891.9-

1urbanizcia222240.22.1

2odlesnenie3868092.935.7

3zalesnenie2114781.619.5

4zatrvnenie1626031.215.0

5detrukcia2566961.923.7

6in zmeny427500.33.9

Spolu13440000100100

Sheet1

Typ KPPlocha (v ha)Podiel z celkovej plochy (v %)

19861998Rozdiel19861998Rozdiel

Zastavan plocha21.222.41.21.61.70.1

Les774.3737.9-36.557.654.9-2.7

Trvne porasty a kroviny366.3398.231.927.329.62.4

Detruovan plochy180.0183.33.313.413.60.2

Vodn plochy2.22.20.00.20.20.0

Spolu1344134401001000

Hodnotenie zmienhodnotenie intenzity zmien vpoet podielu zmenenej plochy v tvorcovej sieti (napr.v CLC tvorce 1,5 x 1,5 km):75 100 %................pln zmena25 - 75 %...................iaston zmena1 24 %....................minimlna zmena0 %............................iadna zmenav prpade hierarchickej legendy meme intenzitu zmien hodnoti aj na zklade hierarchickej rovne, na ktorej bola identifikovan zmena

Odporan literatrahavnk, Scheer (2001): Diakov prieskum Zeme v lesnctve. TU Zvolen, V uebnica, 289 s.Lillesand, Kiefer, Chipman (2008): Remote Sensing and Image Interpretation. NY: Wiley, 756 p.Jensen (2005): Introductory Digital Image Processing. Prentice Hall, 526 p.Miietov, Kouch (2008): pecializovan informan technolgie v prrodovednom vskume: Geoinforman technolgie. Elita, 145 s. + CD (monos poia na Katedre kartografie)

akujem za pozornosstankova@fns.uniba.skKatedra kartografie, GIS a DPZG-18

o vidme, ke sa pozerme na leteck a druicov snmky? Vidme objekty rznej vekosti a tvaru. Niektor z tchto objektov sa daj ahko identifikova a in nie, v zvislosti od nho individulneho vnmania a sksenost. Ke identifikujeme, o vidme na snmkach a sprostredkovvame tieto informcie ostatnm, vykonvame obrazov interpretciu. Snmka obsahuje riadkov obrazov daje. Tieto daje, spracovan mozgom udskho interprettora, sa stvaj vyuitenmmi informciami.Na zskanie alch kvalitatvnych i kvantitatvnych informci o objektoch a javoch z obrazovch zznamov DPZ vyuvame vyhodnocovac postup nazvan fotointerpretcia. Ide o pomerne zloit komplexn postup, pri ktorom vyhodnocovate vyuva jednak vetky informan komponenty snmky, ako aj vlastn odborn vedomosti a sksenosti, alej poznatky o mieste vyhodnotenia a doplujce informcie z inch zdrojov. Interpretan vyhodnotenie by sa vak malo zana skr ne pri hotovom snmkovom materili. Systm DPZ je potrebn vidie ako celok od snmania dajov a po vsledky vyhodnotenia a el vyhodnotenia mus by v slade s druhom a asom snmania, formou dajov, spsobom spracovania snmok pred vlastnou interpretciou at.spech vizulnej interpretcie zvis od trningu a sksenost interprettora, charakteru interpretovanch objektov a javov a od kvality pouvanch snmok. Vo veobecnosti najspenejs interprettori maj dobr pozorovacie schopnosti spojen s predstavivosou a vekou dvkou trpezlivosti. Okrem toho je dleit, aby interprettor rozumel tudovanm javom a mal znalosti o tudovanej geografickej oblasti.Aj ke mnoh maj iaston sksenos s interpretciou "konvennch" fotografi v kadodennom ivote (napr. fotografie v asopisoch), interpretcia leteckch a druicovch snmok sa asto li od takejto benej interpretcie v troch dleitch aspektoch:1. pohad na objekty zhora, nie z benej perspektvy2. ast pouitie vlnovch dok mimo viditenej asti spektra3. zobrazenie zemskho povrchu v nie bench mierkach a rozleniach (Campbell, 2002)

Systematick tdium snmok obyajne berie do vahy niekoko zkladnch charakteristk objektov na snmkach. Hoci tieto charakteristiky a spsob ich pouitia zvisia od konkrtnej aplikcie, vina aplikci berie do vahy tieto zkladn charakteristiky alebo ich varicie: tvar, vekos, vzor, tn (farba), textra, tiene, miesto, asocicia, a rozlenie (Olson, 1960).Tn je kad rozliten varicia hodnoty edi od bielej a po iernu. Na iernobielej snmke je vlastne nhradou skutonej farby, existuje teda iba na snmke. Hodnota edi zodpoved mnostvu odrazenho svetla.Farba je kad rozliten varicia vytvoren kombinciami odtiea, jasu a farebnosti (chrmy). Farby nebvaj na snmke plne toton so skutonosou, pretoe farebn film m trochu in vnmanie farieb ako udsk oko. Napriek tomu maj farebn snmky vek vhodu oproti iernobielym, pretoe zaznamenvaj mnohonsobne vie mnostvo odtieov, o vemi uahuje interpretciu.Bez tnovej (farebnej) varicie by sa nedali rozoznva ani tvary, vzory alebo textry objektov.Tvar zaha formu, usporiadanie a ohranienie individulnych objektov. Tvar ako interpretan charakteristika umouje napr. odli lovekom vytvoren objekty od prrodnch (prrodn nemaj rovn hrany) alebo cesty od eleznc (eleznice nemu ma prav uhly).Tvar niektorch objektov je tak nezameniten, e ich meme identifikova len na zklade tohot kritria (napr. budova Pentagonu vo Washingtone). Zhadiska vekosti ako interpretanej charakteristiky je dleit absoltna aj relatvna vekos objektov. Vyuvame ju najm pri rozliovan objektov alebo javov (napr. aut versus autobusy).Tvar a vekos s interpretan znaky, ktor zvisia od mierky a rozlenia snmky poda zkonov stredovho premietania. Rozlenie je schopnos celho fotogrametrickho systmu (vrtane ooviek, expozcie, spracovania a inch faktorov) poskytn ostro definovan obraz. Zvis teda od mnohch faktorov, ale vdy predstavuje praktick limit pre interpretciu, pretoe niektor objekty s prli mal alebo maj prli mal kontrast s okolm na to, aby sa dali jasne rozozna na snmke. Zhadiska interpretcie sa rozlenie chpe aj ako najmen normlny kontrast objektu identifikovaten na snmke. Textra je frekvencia tnovch zmien na snmke. Je tvoren zoskupenm jednotiek, ktor s prli mal, aby sa dali rozli individulne (napr. listy stromov alebo ich tiene). Uruje celkov vizulny dojem "hladkosti" alebo "drsnosti" obrazovch objektov. Pri zmenovan mierky sa textra akhokovek objektu alebo arelu stva jemnejou a nakoniec sa strca. Interprettor asto odliuje objekty s rovnakou odraznosou na zklade rozdielov v ich textre. Vzor (truktra) vyjadruje priestorov usporiadanie objektov. Opakovanie uritch veobecnch foriem alebo vzahov charakterizuje mnoh objekty (prrodn aj umelo vytvoren) a pomha ich rozoznva (napr. pravideln usporiadanie stromov v ovocnom sade ho umouje odli od lesnho porastu). Prvky textry aj truktry zvisia od mierky snmky.Tiene s pre interprettora dleit z dvoch protichodnch hadsk: 1. tvar a ohranienie tiea umouje pohad na objekt z profilu (o napomha interpretcii) 2. objekty vntri tiea odraj mlo svetla a ako sa na snmke rozonvaj (o preka v interpretcii). Tiene, ktor s vsledkom zmien vky ternu, pomhaj interpretova topografick zmeny a rzne geologick tvary, najm ak bolo slnko v ase snmania nzko nad obzorom. Vo veobecnosti sa snmky ahie interpretuj, ke tiene smeruj smerom k pozorovateovi. V opanom prpade vznik opan vnem - chrbty vnmame ako dolia a naopak. Je to spsoben tm, e lovek podvedome "oakva", e zdroj svetla je nad objektmi (ASPRS, 1997). Poloha vyjadruje topografick a geografick lokalizciu a je dleit napr. pri identifikcii vegetanch typov. Asocicia je "nehmotn" interpretan znak, ktor hovor o vskyte uritch objektov vzhadom k inm objektom. Vychdza z predpokladu, e niektor objekty s zvyajne zdruen s inmi, take identifikcia jednho me indikova alebo potvrdi existenciu druhho. Je to vemi dleit k pri identifikcii lovekom vytvorench objektov (napr. budova v blzkosti pristvacej drhy je pravdepodobne budova letiska). Vyluovac interpretan k na rozoznvanie ovocnch stromov a orechov v Sacremento Valley v Kanadez panchromatickch LMS v mierke 1:6000.Pri tvorbe klasifikanho systmu meme poui hierarchick alebo nehierarchick prstup.Hierarchick systmy sa asto pouvaj v prpadoch, ke je potrebn zhoda s nrodnmi klasifikanmi systmami. Prklady klasifikanch systmov:Klasifikan systm krajinnej pokrvky (LCCS Land Cover Classification System) navrhnut Organizciou Spojench nrodov pre vivu a ponohospodrstvo (FAO Food and Agriculture Organization of the United Nations).http://www.fao.org/DOCREP/003/X0596E/X0596E00.HTM

Prklady klasifikanch systmov:Klasifikan systm krajinnej pokrvky a vyuitia zeme (LULC Classification System) vyvinut Geologickou slubou USA (USGS US Geological Survey) pre interpretciu vyuitm dajov DPZ.http://landcover.usgs.gov/pdf/anderson.pdf

Rzne triedy je mon identifikova na snmke s rznou presnosou. Vekos MMU pre jednotliv triedy me by ovplyvnen aj ich dleitosou z hadiska ciea interpetcie. Napr.pre vzcne a dleit triedy me by zvolen menia MMU ako pre ostatn. V prpade, e vekos MMU nie je vbec definovan, sa mapuj vetky objekty rozoznaten na snmke.

EEA Eurpska agentra ivotnho prostredia

Ako vznik stereoskopick vnem? Je mon vaka binokulrnemu videniu mme dve oi, ktormi sa pozerme z dvoch mierne odlinch uhlov a rozdiely medzi pohadmi s v mysli spracovan do podoby hbkovho vnemu. To ist funguje aj pri LMS, ktor s snman z dvoch rznych uhlov. Ke pozorujeme jednu snmku jednm okom a druh druhm, dosiahneme steroskopick vnem. Ako vznik stereoskopick vnem? Je mon vaka binokulrnemu videniu mme dve oi, ktormi sa pozerme z dvoch mierne odlinch uhlov a rozdiely medzi pohadmi s v mysli spracovan do podoby hbkovho vnemu. To ist funguje aj pri LMS, ktor s snman z dvoch rznych uhlov. Ke pozorujeme jednu snmku jednm okom a druh druhm, dosiahneme steroskopick vnem. Klasifiktor minimlnej vzdialenosti (Minimum Distance classifier) je najjednoduchia metda, pri ktorej sa pota spektrlna vzdialenos medzi hodnotou klasifikovanho pixla astredom (priemerom) kadej triedy v spektrlnom priestore. Priemer predstavuje vlastne priemern vektor (mean vector). Pixel je potom zaraden do tej triedy, k priemeru ktorej je v spektrlnom priestore najbliie. Vhodou je, e tmto spsobom sa daj klasifikova vetky pixle v obraze. Meme vak tie definova prahov vzdialenos, za ktorou pixle ostan neklasifikovan. Nevhodou tejto metdy je, e neberie do vahy variabilitu tried. Preto v prpade, e s trnovacie mnoiny v spektrlnom priestore prli blzko pri sebe alebo maj prli vek rozptyl, je vhodnejie poui in klasifikan algoritmus.Paraleln klasifiktor (Parallelepiped classifier) je takisto jednoduch archly algoritmus, pri ktorom sa variabilita tried berie do vahy prostrednctvom ich rozsahu, t.j. minimlnej a maximlnej spektrlnej hodnoty vkadom psme. Toto ohranienie tried vytvra vspektrlnom priestore pravouhl oblasti a v dvojrozmernom spektrlnom priestore obdniky. Neznmy pixel je potom zaraden do kategrie poda toho, do ktorho obdnika padne, resp. je oznaen ako neklasifikovan, ak nepadne do iadneho z obdnikov. Tto metda je rchla a jednoduch a je neparametrick, teda nevyaduje normlne rozdelenie vstupnch dajov. Jej pouitie vak me by problematick v prpade, ak sa trnovacie mnoiny v spektrlnom priestore prekrvaj, o je ast prpad, pretoe daje DPZ vrznych psmach vykazuj korelciu alebo vysok kovarianciu. Kovariancia je tendencia dajov meni sa rovnako vobidvoch psmach. V 2D maj daje skorelciou tvar elipsy pretiahnutej nahor (pozitvna kovariancia) alebo nadol (negatvna kovariancia), preto ich pravouhl oblasti nevhodne vymedzuj. Ak sa klasifikovan pixel nachdza voblasti prekrytu dvoch pravouhlch oblast, je oznaen ako neist alebo je zaraden do jednej alebo do obidvoch tried.Klasifiktor maximlnej pravdepodobnosti (Maximum Likelihood classifier) je parametrick klasifiktor zaloen na predpoklade, e rozloenie spektrlnych hodnt trnovacch mnon je normlne, ie Gaussovsk. Toto rozdelenie umouje opsa polohu trnovacej mnoiny pomocou jej priemernej hodnoty, vekos pomocou rozptylu hodnt a tvar a orientciu pomocou kovariancie. Na zklade tchto parametrov meme vypota tatistick pravdepodobnos prslunosti neznmeho pixla k danej kategrii. Tto pravdepodobnos je vyjadren pomocou funkci hustoty pravdepodobnosti a v dvojrozmernom spektrlnom priestore sa zobraz v podobe eliptickch izolni pravdepodobnosti. Pixel je zaraden do tej kategrie, do ktorej patr s najvou pravdepodobnosou alebo je oznaen ako neznmy, ak s vypotan hodnoty pravdepodobnosti pod stanovenou prahovou hodnotou. MLC odstrauje nedostatky predchdzajcich metd vyuitm terie pravdepodobnosti. Jeho nevhodou je vpotov nronos, najm vprpade vieho mnostva spektrlnych kanlov alebo klasifikovanch tried.Hoci je vpotovo nronejia a je zaloen len na spektrlnych informcich, bola ustanoven ako tandardn tatistick metda digitlnej klasifikcie obrazu.Analyztor stanov prahov hodnotu rozptylu, ktor oddeuje okno povaovan za "hladk" (homognne) a za "drsn" (heterognne).Priemer prvho hladkho okna njdenho v obraze sa stva centrom prvho zhluku at., a km sa nedosiahne pecifikovan maximlny poet centier zhlukov (napr. 50).Potom sa spoja dva najbliie zhluky v meracom priestore a proces pokrauje, km nie je analyzovan cel obraz.Tto tabuka ilustruje tri mon typy vstupov nekontrolovanej klasifikcie. Idelny vsledok predstavuje typ 1, kedy sa d kad spektrlna trieda priradi jednmu typu objektov zujmu analyztora. Tento vstup sa vak objavuje, len ke maj objekty na scne vemi odlin spektrlne charakteristiky.astej je vstup typu 2, kde s rzne spektrlne triedy priraditen do niektorej zo elanch informanch tried. Tieto "podtriedy" mu ma mal informan hodnotu (napr. osvetlen a zatienen ihlinany) alebo predstavuj uiton rozdelenie (napr. mtna vs. ist voda alebo listne na nine a na pahorkatine). V oboch prpadoch sa mu spektrlne triedy spoji po klasifikcii do menieho potu elanch tried.Vstup 3 predstavuje problematickej vsledok, kedy niektor spektrlne triedy prislchaj viac ako jednej informanej triede. To znamen, e tieto informan kategrie s spektrlne podobn a v danej sade dajov sa nedaj oddeli (podobne ako triedy abiota a polia bez vegetcie pri klasifikcii scny SPOT). Poda akch kritri si vybra metdu klasifikcie?Hybridn klasifikcia predstavuje kombinciu metd kontrolovanej a nekontrolovanej klasifikcie. Bola vyvinut na zjednoduenie a zvenie sprvnosti isto kontrolovanej alebo nekontrolovanej klasifikcie. asto sa pouva napr. pri vegetanom mapovan, kedy variabilita spektrlnej odpovede njdench vzorov pochdza (1) z varicie v rmci samotnho vegetanho typu (druhy) a (2) z odlinch stanovitnch podmienok (pdy, sklon, orientcia, zpoj korn). Hybridn klasifikcia pomha analyztorovi pri vyhadvan spektrlnych podtried reprezentujcich dan triedu objektov.

Poda akch kritri si vybra metdu klasifikcie?Hybridn klasifikcia predstavuje kombinciu metd kontrolovanej a nekontrolovanej klasifikcie. Bola vyvinut na zjednoduenie a zvenie sprvnosti isto kontrolovanej alebo nekontrolovanej klasifikcie. asto sa pouva napr. pri vegetanom mapovan, kedy variabilita spektrlnej odpovede njdench vzorov pochdza (1) z varicie v rmci samotnho vegetanho typu (druhy) a (2) z odlinch stanovitnch podmienok (pdy, sklon, orientcia, zpoj korn). Hybridn klasifikcia pomha analyztorovi pri vyhadvan spektrlnych podtried reprezentujcich dan triedu objektov.

Nie je mon obraz rozdeli tak, aby to bolo idelne pre vetky klasifikan lohy.

Existuje vek mnostvo segmentanch algoritmov, ktor boli vyvinut nielen na segmentciu obrazovch dajov DPZ, ale aj inch obrazovch dajov, ktor sa pouvaj napr. v biolgii, medicne at.Objektovo-orientovan klasifikcia je aksi podmnoina klasifiktorov zaloench na oblastiach, pretoe okrem objektovo-orientovanch klasifiktorov, ktor vyuvaj vzjomn vzahy medzi objektami existuj aj obyajn klasifiktory zaloen na oblastiach, ktor vyuvaj len spektrlne alebo textrne vlastnosti jednotlivch segmentov (napr. klasifiktory v prostred SPRING).Pri objektovo-orientovanom prstupe jednotliv objekty o sebe navzjom vedia. Pri klasifikcii to znamen, e jednotliv obrazov oblasti (segmenty) poznaj svojich susedov. Obrzok znzoruje hierarchick truktru obrazovch objektov, ktor sa vytvra v procese viacrovovej segmentcie v prostred Definiens Developer. Tento algoritmus umouje vytvori segmentan rovne s rznou mierou abstrakcie objektov (t.j. s rznou priemernou vekosou segmentov). To je vhodn pri klasifikcii, ke rzne objekty potrebujeme (meme) rozoznva s rznou detailnosou. V takejto hierarchickej truktre s navzjom prepojen nielen obrazov objekty na jednej hierarchickej rovni, ale aj medzi jednotlivmi rovami. Kad objekt preto okrem svojich susedov pozn aj svoje nadobjekty a podobjekty. Takmto spsobom meme pomocou objektovo-orientovanho prstupu pri klasifikcii danho objektu vyuva nielen vlastnosti objektu samotnho, ale aj vlastnosti jeho susedov ako aj nadobjektov a podobjektov. Tento obrzok znzoruje postup, akm sa dopracovvame od prvotnch obrazovch dajov (a vytvorench obrazovch objektov) a k elanm objektom zujmu, ktor koreponduj s objektmi relneho sveta.Pri fuzzy klasifikcii metdou najbliieho suseda sa funkcie prslunosti tvoria automaticky v mnohorozmernom prznakovom priestore. Poet rozmerov zvis od potu vlastnost pouitch pri klasifikcii, ktor vyber uvate. Definiens Developer ponka irok spektrum vlastnost obrazovch objektov, ktor meme poui na definovanie tried pri oboch klasifikanch metdach. Okrem spektrlnych vlastnost obrazovch objektov sa daj poui aj ich priestorov vlastnosti (tvar, vekos), textrne vlastnosti, vlastnosti zaloen na atribtoch pomocnch rastrovch alebo vektorovch vrstiev, vlastnosti vyjadrujce vzahy objektov k susedom alebo nadobjektom a podobjektom, a v neposlednom rade aj vlastnosti zaloen na predchdzajcej klasifikcii (napr. meme objekty klasifikova na zklade susedstva alebo vzdialenosti k objektom uritej triedy).Pri fuzzy klasifikcii metdou najbliieho suseda sa objekt zarad do tej triedy, k vzorovmu objektu (signatre) ktorej m najmeniu vzdialenos v prznakovom priestore. Stupe prslunosti je potom dan sklonom funkcie prslunosti, ktor tvor klasifiktor automaticky a kles so vzdialenosou od vzorovho objektu. V mieste vzorovho objektu nadobda stupe prslunosti hodnotu 1 a postupne kles a k hodnote 0. Strmos sklonu funkcie me uvate definova. Na prklade dvoch vlastnost a dvoch tried (ervenej a modrej) vidme, e vzorov objekty s reprezentovan malmi kruhmi. Ke neznmy objekt padne do modrej asti, bude zaraden do triedy modr a naopak. Biele asti reprezentuj oblasti, kde je stupe prslunosti k obom triedam men ako prahov hodnota (defaultne 0,1) a objekt ostane neklasifikovan.Najpouvanejou metdou hodnotenia sprvnosti klasifikcie je prprava klasifikanej chybovej matice (Classification Error Matrix). Je to tvorcov matica, ktorej bunky vyjadruj poet pixlov patriacich poda vsledkov klasifikcie do uritej triedy krajinnej pokrvky v porovnan so skutonou krajinnou pokrvkou (referenn daje). Stpce matice predstavuj referenn daje a riadky predstavuj vsledky klasifikcie. Poet riadkov a stpcov sa rovn potu tried v hodnotenej klasifikcii. Na diagonle matice sa nachdzaj sprvne klasifikovan pixle, mimo diagonly sa nachdzaj chyby. Bunky mimo diagonly v riadkoch matice predstavuj chyby z prilenenia alebo nadhodnotenia (Errors of Commission), bunky mimo diagonly v stpcoch predstavuj chyby z vynechania alebo podhodnotenia (Errors of Omission). Chyby nadhodnotenia udvaj, ak as dajov bola nesprvne zaraden do danej triedy, priom v skutonosti patr do inej triedy. Chyby podhodnotenia naopak udvaj, ak as dajov mala by zaraden do danej triedy a bola zaraden do inej, nesprvnej. Vydelenm potu sprvne klasifikovanch pixlov potom vetkch pixlov dostvame celkov presnos klasifikcie (Overall Accuracy). Podobne meme vypota aj presnos klasifikcie v jednotlivch kategrich. almi asto pouvanmi hodnoteniami kategri s producentsk a uvatesk presnos. Producentsk presnos (Producers Accuracy) vypotame ako podiel sprvne klasifikovanch pixlov danej kategrie a celkovho potu referennch pixlov danej kategrie. Udva nm, ako dobre boli klasifikovan referenn pixle danej kategrie. Uvatesk presnos (Users Accuracy) vypotame zase ako podiel sprvne klasifikovanch pixlov danej kategrie a celkovho potu pixlov klasifikovanch do danej kategrie. Tto presnos vyjadruje pravdepodobnos, e pixel klasifikovan do danej kategrie skutone reprezentuje tto kategriu aj v terne. Producentsk a uvatesk presnos s vlastne opakom chb podhodnotenia a nadhodnotenia.Pri retrospektvnej analze sa ako zklad zoberie najnovia snmka z asovho radu, ktor sa vizulne interpretuje a vsledky interpretcie sa porovnvaj so starmi snmkami, priom sa identifikuj zmeny. Pri metde aktualizcie je zkladom najstaria snmka z asovho radu.Pri aktualizcii (retrospektvnej analze) sa nevytvra plne nov vrstva dajov, ale vyuva sa kpia pvodnej vrstvy, v ktorej s spolon hranice nezmenench arelov ponechan bez zmeny a modifikuj sa len hranice zmenench arelov. In prstup spova v priamej tvorbe vrstvy zmien. Nov vrstva dajov sa potom vytvor zlenm pvodnej vrstvy s vrstvou zmien. Vhodou tohto prstupu je jednoduch elimincia arelov nerelnych typov zmien. Obidva prstupy zabrauj vzniku nepresnost vo vslednej vrstve zmien , a zrove minimalizuj as tvorby novej vrstvy dajov.Vo vine regionlnych projektov nie je celkov zmena vrozmedz 1 a 5 rokov via ne 10% plochy zemia.