Wpływ algorytmów scalania danych na wyniki kartowania pokrycia terenu - wybrane aspekty

W artykule dokonano waloryzacji wybranych metod scalania danych teledetekcyjnych o różnej rozdzielczości pod kątem ich przydatności do kartowania pokrycia i użytkowania terenu. Analizie poddano oryginalne dane Landsat ETM+ (30m), dane Landsat przeliczone do 5m z dodanym do zestawu kanałem IRS PAN 1D (5m) oraz dane Landsat i IRS PAN scalone czterema metodami: IHS, PCA, WMK i PL, charakteryzującymi się wyraźnie odmiennymi algorytmami integracji. Opracowanych w ten sposób sześć zestawów danych poddano klasyfikacji spektralnej metodami maksymalnego prawdopodobieństwa, drzew decyzyjnych i sieci neuronowych. Wyniki uzyskane na danych sprzed i po integracji zestawiono dodatkowo z analizami fotointerpretacyjnymi, wykonanymi równolegle do analiz klasyfikacyjnych. Testy potwierdziły przewagę metody fotointepretacyjnej nad wynikami klasyfikacji spektralnej, w zależności od zestawu danych, o 6-11% wartości dokładności całkowitej mapy pokrycia i użytkowania terenu. Scalenie danych poprawia ogólną dokładność klasyfikacji o 9% pomiędzy pracą na oryginalnym obrazie Landsat (30m) a zintegrowanym Landsat z IRS (5m), pozwalając uzyskać dokładność 64%. Dla metody fotointerpretacyjnej wzrost dokładności wynosi 6%, osiągając 71%. Wybór metody integracji jest drugorzędny - zróżnicowanie wyników w metodzie fotointerpretacyjnej wynosi 1%, dla metod klasyfikacyjnych około 5% (najlepsza - PL; najgorsza - IHS). Znaczenie dla wyników klasyfikacji ma wybór algorytmu: z wszystkich testowanych zestawów danych najlepsze wyniki uzyskano dla sieci neuronowych (64%), następnie dla drzew decyzyjnych (62%) i metody największego prawdopodobieństwa (59%).

The article valorises selected methods of merging remote sensing data of different resolution in terms of their suitability for mapping land use and land cover. The original Landsat data (30m) was analyzed, Landsat data converted to 5m with IRS PAN 1D (5m) added to the set and Landsat and IRS PAN data merged with four methods: IHS (transformation into space intensity, hue, saturation), PCA (principal components analysis), WMK (Wiemker's method) and PL (laplace pyramid), characterized by distinctly different integration algorithms . Six sets of data developed in this way were subjected to spectral classification by maximum probability methods, decision trees and neural networks. The results obtained on the data from before and after the integration were additionally compiled with photointerpretation analyzes, made in parallel to the classification analyzes. The research area was the city of Kraków with adjacent suburban areas, 10x20 km in size. For the research objective being pursued, 5 reference squares 500m x 500m were prepared, ensuring diversity and representativeness for the entire analysis area. The reference data was based on a photo interpretation aerial photographs with a field pixel size of 0.75m. The tests confirmed the predominance of the photo interpretation method over the results of spectral classification, depending on the data set, by 6-11% of the accuracy value of the total land use and land cover maps. Merging data improves the overall accuracy of the 9% classification between work on the original Landsat image (30m) and the integrated Landsat with IRS (5m), allowing for an accuracy of 64%. For the photointerpretation method, the increase is 6%, reaching the accuracy of 71%. The choice of the method of integration is secondary - the variation in results in the photointerpretation method is 1%, for classification methods about 5% (best - PL, worst - IHS). The choice of the algorithm is important for classification results: of all the tested data sets, the best results were obtained for neural networks (64%), then for decision trees (62%) and the maximum probability method (59%).