Interpret ácia obrazových údajov DPZ

1. Interpretáciaobrazových údajov DPZ

2. Interpretácia obrazu riadkové obrazové údaje interpretácia (ľudský mozog, počítač) využiteľné informácie

3. Mapovanie krajiny Údaje využívané pre mapovanie krajiny: 1. Terénny prieskum 2. Letecké meračské snímky (LMS) 3. Satelitné údaje Terénny prieskum – detailné mapovanie • využívajú sa topografické mapy veľkých mierok + GPS alebo geodetické meranie • časovo a finančne náročný • ťažko sa pomocou neho mapujú veľké alebo nedostupné územia • nerozoznáva regionálne vzory

4. Mapovanie krajiny Metódy založené na využití údajov DPZ: • poskytujú synoptický prehľad • celá scéna je snímaná ako obraz namiesto skupiny bodových údajov • monitorovanie javov v krajinev príslušných časových okamihoch LMS – prvá letecká snímka v roku 1858 (z balóna) • využitie LMS sa rozšírilo v rokoch 1920 až 1930 • lacnejšie, menej detailné ako TP, ale skúsený interpretátor môže získať presné informácie • finančne náročné v prípade rozsiahlych území • mierky LMS od 1:500 do 1:100 000, ale na mapovanie KP najčastejšie 1:10 000 až 1:40 000

5. Mapovanie krajiny Satelitné údaje - začali sa využívať v r.1972 spolu s vypustením prvého satelitu Landsat, neskôr v 80-tych rokoch SPOT (predtým malé rozlíšenie) • pravidelnéčasové intervaly - generovanie rozsiahlych databáz informácií o krajine • obrazové údaje z jedného územia v rôznych častiach spektra (špecifické vlastnosti krajiny) • vhodnosť pre mapovanie veľkých území • vhodnosť pre automatizované spracovanie • menej detailné a poskytujú minimálne informácie o využití zeme, v súčasnosti sú však už aj satelitné snímky s veľmi vysokým rozlíšením (VHR)< 1 m

6. Fotointerpretácia • vyhodnocovací postup na získavanie odborných (kvalitatívnych a kvantitatívnych) informácií o objektoch a javoch z obrazových záznamov DPZ • systém DPZ je potrebné vidieť ako celok od snímania údajov až po výsledky vyhodnotenia – účel vyhodnotenia musí byť v súlade s druhom a časom snímania, formou údajov, spôsobom spracovania snímok pred vlastnou interpretáciou atď.

7. Aspekty fotointerpretácie Vlnová dĺžka (pásmo) – ovplyvňuje druh a množstvo informácií, ktoré môžeme získať VID IČ RADAR

8. Aspekty fotointerpretácie Časové aspekty • ročné obdobie (mapovanie vegetácie, poľ.plodín) • denná doba (mapovanie pôdy - vlhkosť) • snímky s listami (vegetačné mapovanie) • snímky bez listov (topografické mapovanie, mestské objekty)

9. Aspekty fotointerpretácie Mierka snímky – ovplyvňuje úroveň využiteľných informácií • LMS malej mierky – 1:50 000 a menej • LMS strednej mierky – 1:12 000 až 1:50 000 • LMS veľkej mierky – 1:12 000 a viac • digitálne snímače - rozlíšenie

10. Fotointerpretácia Komplexný postup, pri ktorom sa využívajú: • všetky informačné komponenty snímky • odborné vedomosti a skúsenosti • poznatky o mieste vyhodnotenia • doplňujúce informácie (mapy, opisné, štatistické údaje a iné)

11. Fotointerpretácia Rozdiel medzi bežnou interpretáciou fotografií a interpretáciou leteckých a družicových snímok: • pohľad na objekty zhora • časté použitie vlnových dĺžok mimo viditeľného pásma spektra • zobrazenie zemského povrchu v nezvyklých mierkach a rozlíšeniach

12. Interpretačné znaky • tón / farba • tvar • veľkosť • rozlíšenie

13. Interpretačné znaky • tón / farba • tvar • veľkosť • rozlíšenie • textúra

14. Interpretačné znaky • tón / farba • tvar • veľkosť • rozlíšenie • textúra • vzor (štruktúra)

15. Interpretačné znaky • tón / farba • tvar • veľkosť • rozlíšenie • textúra • vzor (štruktúra) • tiene

16. Interpretačné znaky • tón / farba • tvar • veľkosť • rozlíšenie • textúra • vzor (štruktúra) • tiene • poloha • asociácia (vzájomné vzťahy)

17. Interpretačné kľúče • súbory interpretačných znakov • dve základné časti: 1. súbor popísaných snímok (stereodvojíc) 2. grafický alebo slovný popis • dva základné druhy kľúčov: 1. výberové (selekčné) – početné príklady 2. vylučovacie (eliminačné) – rozhodovacie stromy • obdoba legendy na mape • nepoužívajú sa až tak často

18. Interpretačné kľúče • príklad vylučovacieho interpretačného kľúča:

19. Pomôcky Ďalšie pomôcky pri interpretácii: • texty • tabuľky • mapy • grafy • číselné údaje • fotografie • iné letecké alebo družicové snímky • metaúdaje (údaje o snímkach) • terénny prieskum • .....

20. Druhy fotointerpretácie • Vizuálna interpretácia – vykonáva ju interpretátor • Automatizovaná interpretácia – obrazová klasifikácia, vykonávaná počítačom • Čiastočne automatizovaná interpretácia – niektoré fázy spracovania sú vykonávané počítačom

21. Pravidlá fotointerpretácie Pred fotointerpretáciou je dôležité si zvoliť: • Klasifikačný systém (schému) • Minimálnu mapovaciu jednotku (MMU – Minimum Mapping Unit) • v závislosti od: • druhu snímok, ich rozlíšenia a iných vlastností • účelu vyhodnotenia • druhu fotointerpretácie • mierky výslednej mapy

22. Klasifikačný systém • predstavuje množinu kritérií, na základe ktorých sú oddeľované jednotlivé triedy objektov na snímke • odporúča sa vybrať niektorý z uznávaných klasifikačných systémov, ak už taký existuje pre javy, ktoré sú predmetom interpretácie • umožňuje to porovnanie výsledkov interpretácie s inými údajmi - interoperabilita

23. Klasifikačný systém • hierarchický systém - hlavné triedy sa delia na podtriedy, ktoré sú ďalej detailnejšie delené • výhodou je jednoduchá generalizácia a vhodnosť pre rôzne mierky • nehierarchický systém - môže obsahovať mix detailných a generalizovaných tried • dá sa ľahko modifikovať pre rôzne aplikácie • väčšina klasifikačných systémov je hierarchických a obyčajne obsahujú nejaký typ klasifikačného stromu

24. LCCS (Land Cover Clas. System) FAO Klasifikačný systém organizácie FAO

25. LULC (Land Use & Land Cover) USGS Klasifikačný systém Geologickej služby USA Level I Level II 1 Urban or Built-up Land 11 Residential 12 Commercial and Services 13 Industrial 14 Transportation,Communications, Utilities 15 Industrial and Commercial Complexes 16 Mixed Urban or Built-up Land 17 Other Urban or Built-up Land 2 Agricultural Land 21 Cropland and Pasture 22 Orchards, Groves, Vineyards, Nurseries.... 23 Confined Feeding Operations 24 Other Agricultural Land 3 Rangeland 31 Herbaceous Rangeland 32 Shrub and Brush Rangeland 33 Mixed Rangeland 4 Forest Land 41 Deciduous Forest Land 42 Evergreen Forest Land 43 Mixed Forest Land 5 Water, 6 Wetland, 7 Barren Land, 8 Tundra, 9 Perennial Snow or Ice

26. Klasifikačný systém vs. legenda • klasifikačný systém by mal byť nezávislý od mierky a použitých údajov • aplikáciou klasifikačného systému na konkrétnom území pre určitú mierku a konkrétnu sadu údajov je legenda • legenda predstavuje zoznam tried, a môže, ale nemusí byť odvodená od klasifikačného systému • u nás najpoužívanejšia legenda CORINE Land Cover (CLC) a Katalóg objektov ZB GIS (KO ZB GIS)

27. Minimálna mapovacia jednotka MMU - minimálna veľkosť areálu, resp.minimálna šírka línie, ktorá bude mapovaná ako samostatný objekt • má vplyv na veľkosť detailu interpretácie

28. Minimálna mapovacia jednotka • veľkosť MMU by mala byť približne 10-násobkom veľkosti pixla • na výslednej mape určitej mierky je ťažké vyjadriť plošný areál menší ako 0,10 inch (2,54 mm) na jednej strane • MMU nemusí byť rovnako veľká pre všetky triedy v rámci klasifikačného systému • areály < MMU – zlúčenie so susednými areálmi

29. Projekt CORINE Land Cover • program CORINE (Coordination of Information on the Environment) – schválený Európskou komisiou v roku 1985 • cieľom bolo zabezpečovať kompatibilné údaje o životnom prostredí členských štátov EÚ • v r.1991 sa rozhodlo, že 3 projekty sa rozšíria aj na štáty strednej a východnej Európy – medzi nimi aj projekt Land Cover (CLC) – vytvorenie digitálnej bázy údajov o krajinnej pokrývke v mierke 1:100 000 aplikáciou družicových snímok • projekt koordinuje EEA (European Environmental Agency) • databázy CLC 1970, CLC 1990, CLC 2000

30. Projekt CORINE Land Cover • údaje Landsat TM, ETM+, SPOT, IRS • geometrická presnosť < 50 m, od CLC90 < 25 m • MMU plošná 25 ha (500 x 500 m, čo v mierke 1:100 000 predstavuje 5 x 5 mm) • MMU líniová 100 m (1 mm v mierke 1:100 000) • geometrická presnosť údajov CLC < 100 m • tematická presnosť < 85 % • metóda interpretácie – počítačom podporovaná vizuálna interpretácia • CLC 2006 – mala by byť hotová v roku 2009 www stránka CLC Slovensko

31. Legenda CORINE Land Cover • 3 hierarchické úrovne: 5 tried na prvej hierarchickej úrovni 15 tried na druhej hierarchickej úrovni 44 tried na tretej hierarchickej úrovni • Geografický ústav SAV – Feranec, Oťahel • r.1995-96 – návrh legendy CLC pre mierku 1:50 000 pre krajiny strednej a východnej Európy • doplnená 4.hierarchická úroveň

32. Vizuálna interpretácia • najjednoduchšia a najrozšírenejšia metóda • najstaršia – vyvinutá pre takmer 100 rokmi, keď boli k dispozícii iba analógové LMS • vyhodnocovateľ na základe pozorovania kvalitatívnych a kvantitatívnych charakteristík objektov a s použitím vlastných znalostí a skúseností, prípadne rôznych pomocných materiálov určuje na snímke rôzne objekty a javy • dá sa vykonávať pohotovo a s minimálnym technickým vybavením

33. Vizuálna interpretácia • 3D interpretácia – využíva stereoskopické videnie • potrebná snímková dvojica (sterodvojica) • špecializovaný fotogrametrický softvér (Image Station, PCI geomatica, Leica Photogrammetry Suite, Socet Set, PhoTopol) • ZB GIS – 3D údaje (X,Y,Z)

34. Vizuálna interpretácia • 2D interpretácia – na snímke (rovina), ortofotosnímke, ortofotomape • postačuje GIS softvér alebo iný softvér určený na digitalizáciu (ArcMap, Geomedia, Quantum GIS, GRASS, Geomatica, IrasC + Microstation, Topol, AutoCAD, R2V)

35. Vizuálna interpretácia • v minulosti – zakresľovaním priamo do snímky alebo na priehľadnú fóliu, s využitím rôznych pomôcok a prístrojov • jednoduché - lupa, šošovkový alebo zrkadlový stereoskop • zložitejšie - stereokomparátor, prekresľovač, obkresľovač • v súčasnosti – počítačom podporovaná (computer aided) vizuálna interpretácia (napr. digitalizácia na obrazovke, 3D interpretácia s využitím stereookuliarov)

36. Obrazová klasifikácia • proces triedenia pixlov do konečného počtu tried na základe ich údajových hodnôt • klasifikácia obrazu je úzko spätá s pojmom rozoznávanie vzoru (Pattern Recognition) • ide o hľadanie zmysluplných vzorov v údajoch (spektrálnych, ale aj iných vizuálnych alebo akustických), ktoré môžeme extrahovať klasifikáciou • napr.technika OCR (Optical Character Recognition), rozoznávanie PSČ, ľudskej reči, ľudských tvárí, klasifikácia emailov atď.

37. Obrazová klasifikácia • klasifikácia obrazových údajov DPZ – na základe digitálnych hodnôt pixlov (DN – Digital Number) – numerická klasifikácia

38. Multispektrálna klasifikácia • multispektrálna klasifikácia - zaraďovanie pixlov do tried na základe ich meracích vektorov • merací vektor (measuremenet vector)- sada údajových hodnôt pre jeden pixel vo všetkých n pásmach

39. Multispektrálna klasifikácia • rôzne typy objektov – rôzne kombinácie DN

40. Príznakový priestor • n spektrálnych pásiem tvorí n-rozmerný spektrálny priestor, ktorý sa všeobecne nazýva príznakový priestor (feature space) • je to n-rozmerný abstraktný priestor s počtom rozmerov odpovedajúcim počtu vlastností (príznakov), ktorými je objekt (pixel,vzor) opísaný Scatter Plot

41. založená na pixloch založená na oblastiach pixel-based, per-pixel, classification region-based, per-field, per-parcel classification Delenie klasifikácie

42. Delenie klasifikácie • podľa stupňa zasahovania užívateľa do klasifikačného procesu: Kontrolovaná klasifikácia Nekontrolovaná klasifikácia supervised classification unsupervised classification

43. Kontrolovaná klasifikácia • pozostáva z troch krokov: 1. trénovací krok - analyzátor identifikuje reprezentatívne trénovacie oblasti a vytvára numerický opis spektrálnych vlastností každej záujmovej triedy klasifikačnej pokrývky na scéne 2. klasifikačný krok - každý pixel obrazu zaradí do tej triedy KP, na ktorú sa najviac podobá - ak nie je dostatočne podobný žiadnej triede KP, označí sa ako "neznámy" 3. výstupný krok - vzniká výstupný obraz, v ktorom je každý pixel označený buď atribútom príslušnej triedy alebo atribútom „neznámy“ - 3 druhy výstupov – tematické mapy, štatistické tabuľky a digitálne údaje pre GIS

44. Kontrolovaná klasifikácia

45. Klasifikačný krok • aplikácia rozhodovacieho pravidla (decision rule) -matematický algoritmus, ktorý s využitím trénovacích údajov vykonáva triedenie pixlov do oddelených tried • stovky typov klasifikátorov • tri najznámajšie: 1. klasifikátor minimálnej vzdialenosti (Minimum Distance Classifier) 2. paralelný klasifikátor (Parallelepiped Classifier) 3. klasifikátor maximálnej pravdepodobnosti (Maximum Likelihood Classifier)

46. Klasifikátor min.vzdialenosti • najjednoduchšia metóda • počíta sa vzdialenosť neznámeho pixla od priemeru každej triedy v spektrálnom priestore • neberie do úvahy variabilitu tried

47. Paralelný klasifikátor • takisto rýchla a jednoduchá metóda • triedy sú ohraničené minimálnymi a maximálnymi hodnotami – pravouhlé oblasti (obdĺžniky v 2D) • problémy pri prekryte

48. Klas. max.pravdepodobnosti • parametrický klasifikátor – vyžaduje normálne (Gaussovo rozdelenie) • triedy sú ohraničené izolíniami pravdepodobnosti • rozšírením je Bayesiánsky klasifikátor, kt. berie do úvahy a priori pravdepodobnosti

49. Trénovací krok • trénovacie množiny (signatúry) – sady pixlov, ktoré reprezentujú rozoznateľný vzor alebo potenciálnu triedu • dôležité je, aby obsahovali len pixle danej triedy • nemusia nutne obsahovať veľa pixlov ani byť rozptýlené po celom území, ale musia reprezentovať všetky variácie danej triedy na scéne (reprezentatívne a kompletné) • môžeme ich vytvoriť zberom jednotlivých pixlov al. digitalizáciou polygónov (zhluky pixlov) • iteratívny proces – zahŕňa pridávanie, vymazávanie a spájanie signatúr

50. Trénovací krok • výber klasifikačnej schémy: Aké triedy chceme extrahovať? • informácie o údajoch: Aké triedy sa tam pravdepodobne vyskytujú?