[Object-based versus Pixel-based : Forest Classification with eCognition and ERDAS Expert Classifier]

By Barbara Koch, Eva Ivits and Markus Jochum. - In: GIM int. - ISSN 1566-9076. - Roč.17, č.12 (2003), s.12-13, 15 : 4 obr. - Res. angl. - Lit.12.

Přeložila S. Semerádová (zkráceno)
Zdiby : VÚGTK, 2004. - 2 s.

Klíčová slova: DPZ, objekt, rastr, klasifikace

Úvod

Klasifikace družicových dat může pracovat jak s obrazovými elementy (pixely), tak s rozsáhlejšími celky (objekty). První přístup zařazuje jednotlivé pixely do tříd podle jejich statistických charakteristik, druhý tvoří ze sousedících pixelů podobných vlastností segmenty a teprve ty přiřazuje jednotlivým třídám.

Součástí projektu BIOASSES, zaměřeného na sledování změn biodiverzity, je určení skladby lesů z družicových snímků, především ze skenerů Landsat ETM (rozlišení 30 m) a IRS 1D Pan (5,6 m). Po předzpracování byly určeny základní typy půdního krytu odpovídající systému CORINE (použity byly metody Tasseled Cap, NDI, atd.), pro odstranění vlivu osvětlení bylo počítáno i s DEM. Ve druhém kroku se další klasifikací zjišťovaly stavové parametry - jde-li o les listnatý, jehličnatý, smíšený.

E-Cognition

Objektové metody vykazují dobré výsledky pro klasifikaci půdního krytu, protože dovolují začlenění kontextuálních informací i terénních prvků. Jejich slabou stránkou je ztráta detailu v homogenních celcích a také to, že rozdělování na segmenty je víceméně subjektivní. Segmenty přidělené stejné třídě se mohou lišit složením (jehličnatý les z 80, 90 nebo 100%) a rozložením. Objektová klasifikace byla provedena pomocí programu e-Cognition verze 3.1., kde je homogenita pixelů definována prostorovými

a spektrálními parametry. Vyznačeny byly segmenty o ploše nejméně 0,2 ha.

Expertní klasifikátor

Klasifikace obrazových prvků byla provedena pomocí expertního klasifikátoru v programu ERDAS Imagine verze 8.5. Tento klasifikátor vytváří znalostní rozhodovací strom. Klasifikace se provádí hierarchicky a její pravidla určuje uživatel. Pro srovnání pak byly stavové parametry určeny i klasickými postupy (Maximum Likelyhood, Minimum Distance, Box Classifier). Na závěr byly hranice objektů překryty s výsledkem pixelové klasifikace.

Vizuální interpretací snímku s vysokým rozlišením (QuickBird - 2,5 m) byl vytvořen referenční soubor. Přesnost klasifikace byla odhadnuta po srovnání s 330 náhodně vybranými vzorky, pro analýzu objektů bylo systematicky vybráno 75 z těchto vzorků a jejich hranice byly překryty s podrobným snímkem. Kvalita pixelové klasifikace byla odhadnuta vizuálním porovnáním s referenčním souborem.

Srovnání

Pixelový přístup určil jako les o něco větší plochu (905 oproti 878 ha) a jeho přesnost byla mezi 89 a 94%, tedy o 2 - 3% vyšší než u objektového přístupu. U stavových parametrů byla naopak přesnost objektové metody (82%) lepší než u pixelové (78%). U standardních metod je přesnost výrazně nižší (60 - 73%). Podíl jednotlivých tříd byl u prvních dvou postupů zhruba stejný, u dalších se lišil.

Uvnitř objektů

Objektová klasifikace poskytuje poměrně přesné vymezení stejnorodých ploch, podél hranic i uvnitř objektů se místy vyskytují nesrovnalosti. Odchylky podél hranic jsou často způsobeny různou velikostí pixelu referenčního snímku testovaných dat. U 23 ze 75 vybraných objektů pokrývá přiřazená třída méně než polovinu celkové plochy. Hierarchická pixelová klasifikace vykazuje nízkou korespondenci s referenčním souborem u 46, střední u 20 a vysokou u 9 vzorků ze 75. Nejhorší se zdají být výsledky pro smíšené lesy. Rozdíly ve velikosti pixelu způsobují navíc problémy při porovnání referenčních a testovaných dat a objevuje se nedostatečné odstranění vlivu sklonitosti. Ačkoli pixelová klasifikace nedávala vždy nejlepší výsledky při určování tříd, ukázala se být dobrým indikátorem heterogenity objektů.

Závěrečné poznámky