Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "land cover mapping" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-15 z 15
    Tytuł:
    Using Geobia and Data Fusion Approach for Land use and Land Cover Mapping
    Autorzy:
    Wężyk, Piotr
    Hawryło, Paweł
    Szostak, Marta
    Pierzchalski, Marcin
    De Kok, Roeland
    Powiązania:
    https://bibliotekanauki.pl/articles/1052704.pdf
    Data publikacji:
    2016-03-15
    Wydawca:
    Uniwersytet im. Adama Mickiewicza w Poznaniu
    Tematy:
    classification
    hydrology
    OBIA
    rapideye
    SaLMaR
    Opis:
    Land Use and Land Cover (LULC) maps play an important role in an environmental modelling, and for many years efforts have been made to improve and streamline the expensive mapping process. The aim of the study was to create LULC maps of three selected water catchment areas in South Poland using a Geographic Object-Based Image Analysis (GEOBIA) in order to highlight the advantages of this innovative, semi-automatic method of image analysis. the classification workflow included: multi-stage and multi-scale analyses based on a data fusion approach. Input data consisted mainly of BlackBridge (RapidEye) high resolution satellite imagery, although for distinguishing particular LULC classes, additional satellite images (LANDSAT TM5) and GIS-vector data were used. Accuracy assessment of GEOBIA classification results varied from 0.83 to 0.87 (kappa), depending on the specific catchment area. The main recognized advantages of GEOBIA in the case study were: performing of multi-stage and multi-scale image classification using different features for specific LULC classes and the ability to using knowledge-based classification in conjunction with the data fusion approach in an efficient and reliable manner.
    Źródło:
    Quaestiones Geographicae; 2016, 35, 1; 93-104
    0137-477X
    2081-6383
    Pojawia się w:
    Quaestiones Geographicae
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Semiautomatic land cover mapping according to the 2nd level of the CORINE Land Cover legend
    Autorzy:
    Golenia, M.
    Zagajewski, B.
    Ochtyra, A.
    Hościło, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/92466.pdf
    Data publikacji:
    2015
    Wydawca:
    Oddział Kartograficzny Polskiego Towarzystwa Geograficznego
    Tematy:
    classification
    Corine Land Cover
    Landsat
    artificial neural networks
    Warsaw
    Opis:
    Actual land cover maps are a very good source of information on present human activities. It increases value of actual spatial databases and it is a key element for decision makers. Therefore, it is important to develop fast and cheap algorithms and procedures of spatial data updating. Every day, satellite remote sensing deliver vast amount of new data, which can be semi-automatically classified. The paper presents a method of land cover classification based on a fuzzy artificial neural network simulator and Landsat TM satellite images. The latest CORINE Land Cover 2012 polygons were used as reference data. Three satellite images acquired 21 April 2011, 5 June 2010, 27 August 2011 over Warsaw and surrounding areas were processed. As an outcome of classification procedure, the maps, error matrices and a set of overall, producer and user accuracies and a kappa coefficient were achieved. The classification accuracy oscillates around 76% and confirms that artificial neural networks can be successfully used for forest, urban fabric, arable land, pastures, inland waters and permanent crops mapping. Low accuracies were obtained in case of heterogenic land cover units.
    Źródło:
    Polish Cartographical Review; 2015, 47, 4; 203-212
    2450-6974
    Pojawia się w:
    Polish Cartographical Review
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Klasyfikacja pokrycia terenu metodą OBIA z wykorzystaniem zobrazowań satelitarnych RapidEye
    Land cover mapping based on OBIA of RapidEye satellite data
    Autorzy:
    Wężyk, P.
    Wójtowicz-Nowakowska, A.
    Pierzchalski, M.
    Mlost, J.
    Szwed, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/131104.pdf
    Data publikacji:
    2012
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    wysokorozdzielcze zobrazowania satelitarne
    RapidEye
    analiza obiektowa obrazu
    OBIA
    segmentacja
    eCognition
    pokrycie terenu
    high-resolution satellite images
    object-based image analysis
    segmentation
    land use
    land cover
    Opis:
    Wraz z rozwojem teledetekcji i wysokorozdzielczych obrazów satelitarnych istotnym wyzwaniem dla współczesnych badań stało się zautomatyzowanie procesu klasyfikacji pozyskiwanych danych. Jedną z bardzo szybko rozwijających się metod automatycznej klasyfikacji jest analiza obiektowa obrazu (OBIA, ang. Object Based Image Analysis). Celem pracy było wykorzystanie metody OBIA w przygotowaniu aktualnej mapy pokrycia terenu będącej ważnym elementem dokumentacji niezbędnej dla studium uwarunkowań budowy nowej hydroelektrowni na środkowym odcinku Wisły. W pracy wykorzystano wysokorozdzielcze zobrazowania satelitarne RapidEye (5 kanałów spektralnych, w tym dwa w zakresie NIR) pokrywające obszar około 5.300 km2 oraz oprogramowanie eCognition (TRIMBLE Geospatial) a także warstwy informacyjne GIS. W wyniku przeprowadzonych analiz uzyskano mapę pokrycia terenu reprezentowaną przez 29 klas. Największą powierzchnię terenu badań zajmują obszary użytkowane rolniczo (59.5%, z czego 35.5% grunty orne) oraz lasy (29.1%, z czego 21.4% drzewostany iglaste), co świadczy o charakterze tej jednostki fizjograficznej. Analiza dokładności uzyskanych wyników wykazała, iż metoda OBIA daje bardzo dobre rezultaty (współczynnik Kappa równy 0.8) w daleko zautomatyzowanym procesie generowania aktualny map pokrycia terenu dla obszarów centralnej Polski na podstawie obrazów satelitarnych RapidEye.
    Parallel with the development of remote sensing and high resolution satellite images major challenge for modern research has become almost to automate the classification of the data obtained. One of the most rapidly developing methods for automatic classification is object-oriented image analysis (OBIA, Object Based Image Analysis). The aim of the present study was to use the OBIA method to create the current land cover map which is part of the documentation necessary for new water power-station on the middle part of Vistula river. In this paper the RapidEye satellite images (5 spectral bands, two in the NIR range) covering an area of about 5 300 km2 and eCognition Developer (TRIMBLE) software were used. As a result of the analysis and land cover map was obtained, represented by 29 classes. The largest area is covered by agricultural land (59.5%; arable land – 35.52%) and forests (29.1%; mainly coniferous 21.4%), reflecting the rural – forestry character of the area. Analysis of the accuracy of the obtained results has shown that the OBIA method gives quite good results (Kappa coefficient equal to 0.8) for land cover mapping of central part of Poland based on the RapidEye imageries.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2012, 23; 489-500
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Using a GEOBIA framework for integrating different data sources and classification methods in context of land use/land cover mapping
    Autorzy:
    Osmólska, A.
    Hawryło, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/145304.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    mapa użytkowanych gruntów
    mapa pokrycia terenu
    mapa leśna
    data fusion
    random forest
    supervised classification
    Sentinel-2
    Opis:
    Land use/land cover (LULC) maps are important datasets in various environmental projects. Our aim was to demonstrate how GEOBIA framework can be used for integrating different data sources and classification methods in context of LULC mapping.We presented multi-stage semi-automated GEOBIA classification workflow created for LULC mapping of Tuszyma Forestry Management area based on multi-source, multi-temporal and multi-resolution input data, such as 4 bands- aerial orthophoto, LiDAR-derived nDSM, Sentinel-2 multispectral satellite images and ancillary vector data. Various classification methods were applied, i.e. rule-based and Random Forest supervised classification. This approach allowed us to focus on classification of each class ‘individually’ by taking advantage from all useful information from various input data, expert knowledge, and advanced machine-learning tools. In the first step, twelve classes were assigned in two-steps rule-based classification approach either vector-based, ortho- and vector-based or orthoand Lidar-based. Then, supervised classification was performed with use of Random Forest algorithm. Three agriculture-related LULC classes with vegetation alternating conditions were assigned based on aerial orthophoto and Sentinel-2 information. For classification of 15 LULC classes we obtained 81.3% overall accuracy and kappa coefficient of 0.78. The visual evaluation and class coverage comparison showed that the generated LULC layer differs from the existing land cover maps especially in relative cover of agriculture-related classes. Generally, the created map can be considered as superior to the existing data in terms of the level of details and correspondence to actual environmental and vegetation conditions that can be observed in RS images.
    Źródło:
    Geodesy and Cartography; 2018, 67, 1; 99-116
    2080-6736
    2300-2581
    Pojawia się w:
    Geodesy and Cartography
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Integracja obrazów radarowych i optycznych dla potrzeb tworzenia map pokrycia terenu
    Integration of radar and optical data for land cover mapping
    Autorzy:
    Badurska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/130708.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    klasyfikacja
    integracja danych
    SAR
    tekstura
    classification
    data fusion
    texture
    Opis:
    Analizując wady i zalety danych pochodzących z różnych sensorów można stwierdzić, że dostarczane przez nie dane mogą okazać się często niekompletne lub niewystarczające. Dla danych optycznych ograniczeniem może okazać sie rejestracja w trudnych warunkach atmosferycznych, dla danych radarowych niewystarczająca rozdzielczość lub występowanie szumów radarowych. Biorąc pod uwagę te wszystkie czynniki, szczególnie interesujące wydaje sie być łączenie obrazów pochodzących z różnych źródeł i ich wspólne wykorzystanie. Korzyści płynące z integracji obrazów radarowych z optycznymi sprawdzono pod katem możliwości polepszenia wyników klasyfikacji obszarów miejskich. Próbowano odpowiedzieć na pytanie, w jakim stopniu dane radarowe mogą polepszyć wynik klasyfikacji i czy mogą być one alternatywnym źródłem w przypadku braku danych optycznych. Nie skupiono sie na samych technikach klasyfikacji, wykorzystano standardowe klasyfikatory w podejściu nadzorowanym. Zwrócono jednak uwagę na dynamicznie rozwijającą sie w ostatnim czasie klasyfikacje obiektowa i podjęto próbę porównania jej wyników z klasyczna klasyfikacja oparta na pikselach. Ponieważ w przypadku danych radarowych bardzo cennym źródłem informacji jest tekstura, to jej wykorzystaniu poświęcono główna część prac. W rezultacie, zastosowanie odpowiednio dobranych miar teksturalnych z tzw. macierzy zdarzeń (ang. Grey Level Co-occurence Matrix - GLCM) spowodowało wzrost dokładności wspólnej klasyfikacji w porównaniu do klasyfikacji uzyskanej dla poszczególnych sensorów.
    While analysing the advantages and drawbacks of data coming from different sensors , it can be observed that acquired data can be often incomplete or insufficient. Registration in difficult atmospheric conditions can be the limitation factor for optical data, whereas for the radar data it can be the insufficient resolution or occurring speckle effect. Taking into consideration all these factors, the integration of images from various sources and using them jointly seem to be very interesting. The benefits resulting from the integration of radar and optical images were checked for possible improvement of the results of classification of urban areas. The question is how radar images can improve the result of classification and whether they can be the alternative source in case of lack of optical images. The analysis of various techniques of classification was not the main concern, but the standard classification in supervised approach was used. The attention was also drawn to the objectbased classification developing very dynamically recently, and attempt was made to compare the results of pixel and object-based classification. Due to the fact that, for the radar data, the most important source of information is the texture, that was the main focus of the work. . Consequently, the use of suitably selected textural features from co-occurrence matrix (Grey Level Co-occurrence Matrix – GLMC) caused the increase of accuracy of joint classification, as compared to classification of images from individual sensors.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17a; 11-21
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An Accuracy Analysis Comparison of Supervised Classification Methods for Mapping Land Cover Using Sentinel 2 Images in the Al‑Hawizeh Marsh Area, Southern Iraq
    Autorzy:
    Alwan, Imzahim A.
    Aziz, Nadia A.
    Powiązania:
    https://bibliotekanauki.pl/articles/1838006.pdf
    Data publikacji:
    2021
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    land cover mapping
    Sentinel 2
    supervised classification
    maximum likelihood
    Support Vector Machine (SVM)
    confusion matrix
    Opis:
    Land cover mapping of marshland areas from satellite images data is not a simple process, due to the similarity of the spectral characteristics of the land cover. This leads to challenges being encountered with some land covers classes, especially in wetlands classes. In this study, satellite images from the Sentinel 2B by ESA (European Space Agency) were used to classify the land cover of Al Hawizeh marsh/Iraq Iran border. Three classification methods were used aimed at comparing their accuracy, using multispectral satellite images with a spatial resolution of 10 m. The classification process was performed using three different algorithms, namely: Maximum Likelihood Classification (MLC), Artificial Neural Networks (ANN), and Support Vector Machine (SVM). The classification algorithms were carried out using ENVI 5.1 software to detect six land cover classes: deep water marsh, shallow water marsh, marsh vegetation (aquatic vegetation), urban area (built up area), agriculture area, and barren soil. The results showed that the MLC method applied to Sentinel 2B images provides a higher overall accuracy and the kappa coefficient compared to the ANN and SVM methods. Overall accuracy values for MLC, ANN, and SVM methods were 85.32%, 70.64%, and 77.01% respectively.
    Źródło:
    Geomatics and Environmental Engineering; 2021, 15, 1; 5-21
    1898-1135
    Pojawia się w:
    Geomatics and Environmental Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wpływ algorytmów scalania danych na wyniki kartowania pokrycia terenu - wybrane aspekty
    The impact of various image data fusion methods on the results of land use and land cover mapping - selected aspects
    Autorzy:
    Pirowski, T.
    Garlewicz, B.
    Gryboś, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/129909.pdf
    Data publikacji:
    2018
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    integracja danych teledetekcyjnych
    klasyfikacja
    fotointerpretacja
    pokrycie i użytkowania terenu
    image fusion
    visual interpretation
    classification
    LULC
    Opis:
    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%).
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2018, 30; 67-82
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of Landsat imagery based vegetation indices to imperviousness index mapping
    Zastosowanie indeksów wegetacji do opracowywania map współczynnika nieprzepuszczalności na podstawie obrazów z satelity Landsat
    Autorzy:
    Drzewiecki, W.
    Osak, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/385630.pdf
    Data publikacji:
    2009
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    wskaźnik nieprzepuszczalności
    mapy pokrycia terenu
    indeksy wegetacji
    teledetekcja satelitarna
    Landsat TM
    imperviousness index
    land cover mapping
    vegetation indices
    satellite remote sensing
    Opis:
    The paper focuses on imperviousness index mapping with satellite remote sensing approach based on vegetation indices. Imperviousness factor can be defined as a percent of the total considered area covered by impervious surfaces (any materials that are impervious to water, such as rooftops, streets, driveways, parking lots, etc). With Landsat TM images comparable maps can be obtained for the time period from mid-80s to present. The imperviousness factor map of City of Cracow was prepared for 1996. Imperviousness factor accuracy was estimated for 20 percent.
    W publikacji przedstawiono zastosowanie teledetekcyjnej metody opartej na wskaźnikach wegetacji do sporządzania map współczynnika nieprzepuszczalności. Mapy te przedstawiają w odniesieniu do każdego piksela obrazu satelitarnego procentowy udział powierzchni o charakterze nieprzepuszczalnym, takich jak np. dachy budynków, drogi asfaltowe, parkingi itp. Wykorzystanie obrazów satelitarnych Landsat TM pozwala na uzyskanie porównywalnych map dla okresu od połowy lat 80. XX. wieku do chwili obecnej. Opracowanie wykonano dla obszaru Krakowa w roku 1996. Uzyskana dokładność oszacowania współczynnika nieprzepuszczalności wyniosła 20 procent.
    Źródło:
    Geomatics and Environmental Engineering; 2009, 3, 4; 43-52
    1898-1135
    Pojawia się w:
    Geomatics and Environmental Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sub-pixel classification of middle-resolution satellite images – evaluation of regression trees applicability to monitor impervious surfaces coverage
    Podpikselowa klasyfikacja średniorozdzielczych obrazów satelitarnych – ocena możliwości zastosowania drzew regresji w monitoringu pokrycia terenu powierzchniami nieprzepuszczalnymi
    Autorzy:
    Drzewiecki, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/385386.pdf
    Data publikacji:
    2010
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    wskaźnik nieprzepuszczalności
    mapy pokrycia terenu
    drzewa regresji
    teledetekcja satelitarna
    Landsat TM
    imperviousness index
    land cover mapping
    regression trees
    satellite remote sensing
    Opis:
    The aim of the presented research was to test the method of assessing the imperviousness index on the basis of middle-resolution satellite images with the use of regression trees. The task also included evaluation of the applicability of the method to monitor the changes of impervious surfaces coverage. The research has been done in the catchments of Prądnik and Dłubnia rivers (Malopolska region, Poland). The imperviousness index has been assessed for two time periods – current state (2007) and the mid-1990s. The training and verification data for both time periods have been obtained from aerial orthophotomaps for urban, suburban, rural, industrial and commercial areas. In both time states the best assessment of imperviousness index have been achieved for the variants where the regression trees were built on the basis of all satellite data accessible for the time period. However, it is worth notifying that the variant with the input data limited to three images from spring, summer and autumn provided comparable accuracy of the results. These models have the systematic error between 1.3–2.2%, the mean error between 15.8–16.4% and correlation coefficient between 0.85-0.86 for the mid-1990s. For the year 2009 these values are respectively: 1.4–1.7%, 15.7–16.0% and 0.86. The accuracy of the imperviousness index obtained in the present research is comparable with the accuracy obtained with the use of regression trees in research reported in the literature. The comparison has shown high accuracy of imperviousness index change assessment for the whole population of pixels in verification dataset. The systematic error is 0.1%. However, the obtained assessment accuracy for a single pixel (š14.5%) can be too low for some applications.
    Celem prezentowanych badań było sprawdzenie możliwości zastosowania drzew regresji do szacowania wskaźnika nieprzepuszczalności powierzchni terenu na podstawie średniorozdzielczych obrazów satelitarnych. W ramach badań przeprowadzona została również ocena stosowalności tej metody jako narzędzia monitoringu pokrycia terenu powierzchniami nieprzepuszczalnymi. Badania przeprowadzono na obszarze obejmującym zlewnie rzek Prądnik i Dłubnia. Wskaźnik nieprzepuszczalności oszacowano dla dwóch stanów czasowych – roku 2007 i połowy lat 90. XX wieku. W obu przypadkach dane treningowe i weryfikacyjne pozyskano z ortofotomap lotniczych dla obszarów o zróżnicowanym użytkowaniu (terenów zabudowy miejskiej, podmiejskiej, wiejskiej, przemysłowej oraz handlowej). W przypadku obu stanów czasowych najlepsze oszacowanie wskaźnika nieprzepuszczalności uzyskano w wariantach, w których do budowy drzew regresji użyto wszystkich dostępnych obrazów satelitarnych z poszczególnych okresów. Na uwagę zasługuje jednak fakt, iż porównywalną dokładność oszacowania uzyskano także w wariantach, w których dane wejściowe ograniczone były jedynie do trzech obrazów pozyskanych w okresie wiosennym, letnim i jesiennym. Zbudowane modele pozwalały na oszacowanie wskaźnika nieprzepuszczalności dla stanu z połowy lat 90. z błędem przeciętnym wynoszącym 1.3–2.2%, błędem średnim pomiędzy 15.8% a 16.4% oraz współczynnikiem korelacji w granicach 0.85–0.86. Dla roku 2007 wartości te wyniosły odpowiednio: 1.4–1.7%, 15.7–16.0% i 0.86. Uzyskany w prezentowanych badaniach poziom dokładności oszacowania wartości wskaźnika nieprzepuszczalności jest porównywalny z wynikami uzyskiwanymi z zastosowaniem drzew regresji przez innych autorów. Ocena dokładności oszacowania zmian wskaźnika nieprzepuszczalności wykazała bardzo wysoką dokładność ich określenia w odniesieniu do całości populacji pikseli w próbce weryfikacyjnej. Błąd systematyczny wyniósł w tym przypadku 0.1%. Należy jednak zauważyć, iż uzyskany dla pojedynczego piksela błąd średni na poziomie š14.5% może być zbyt duży dla niektórych zastosowań takiego podejścia jako narzędzia monitoringu zmian pokrycia powierzchni terenu.
    Źródło:
    Geomatics and Environmental Engineering; 2010, 4, 4; 61-75
    1898-1135
    Pojawia się w:
    Geomatics and Environmental Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Spatial-temporal dynamics land use/land cover change and flood hazard mapping in the upstream citarum watershed, west Java, Indonesia
    Autorzy:
    Yulianto, Fajar
    Suwarsono, Suwarsono
    Nugroho, Udhi Catur
    Nugroho, Nunung Puji
    Sunarmodo, Wismu
    Khomarudin, Muhammad Rokhis
    Powiązania:
    https://bibliotekanauki.pl/articles/1050869.pdf
    Data publikacji:
    2020-03-31
    Wydawca:
    Uniwersytet im. Adama Mickiewicza w Poznaniu
    Tematy:
    land-use/land-cover
    flood hazard
    remote sensing
    Citarum watershed
    West Java
    Indonesia
    Opis:
    This study presents the information on the dynamics of changes in land use/land cover (LULC) spatially and temporally related to the causes of flooding in the study area. The dynamics of LULC changes have been derived based on the classification of Landsat imagery for the period between 1990 and 2016. Terrain surface classification (TSC) was proposed as a micro-landform classification approach in this study to create flood hazard assessment and mapping that was produced based on the integration of TSC with a probability map for flood inundation, and flood depth information derived from field observation. TSC as the micro-landform classification approach was derived from SRTM30 DEM data. Multi-temporal Sentinel-1 data were used to construct a pattern of historical inundation or past flooding in the study area and  also to produce the flood probability map. The results of the study indicate that the proposed flood hazard mapping (FHM) from the TSC as a micro-landform classification approach has the same pattern with the results of the integration of historical inundation or previous floods, as well as field investigations in the study area. This research will remain an important benchmark for planners, policymakers and  researchers regarding spatial planning in the study area. In addition, the results can provide important input for sustainable land use plans and strategies for mitigating flood hazards.
    Źródło:
    Quaestiones Geographicae; 2020, 39, 1; 125-146
    0137-477X
    2081-6383
    Pojawia się w:
    Quaestiones Geographicae
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Unmanned Aerial Vehicles for Three‑dimensional Mapping and Change Detection Analysis
    Autorzy:
    Gbopa, Adetola Olufunmilayo
    Ayodele, Emmanuel Gbenga
    Okolie, Chukwuma John
    Ajayi, Akinwumi Olaitan
    Iheaturu, Chima Jude
    Powiązania:
    https://bibliotekanauki.pl/articles/1838008.pdf
    Data publikacji:
    2021
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    UAV technology
    3D mapping
    orthophoto
    land cover
    change detection analysis
    Opis:
    Unmanned Aerial Vehicles (UAVs), commonly known as drones are increasingly being used for three dimensional (3D) mapping of the environment. This study utilised UAV technology to produce a revised 3D map of the University of Lagos as well as land cover change detection analysis. A DJI Phantom 4 UAV was used to collect digital images at a flying height of 90 m, and 75% fore and 65% side overlaps. Ground control points (GCPs) for orthophoto rectification were coordinated with a Trimble R8 Global Navigation Satellite System. Pix4D Mapper was used to produce a digital terrain model and an orthophoto at a ground sampling distance of 4.36 cm. The change detection analysis, using the 2015 base map as reference, revealed a significant change in the land cover such as an increase of 16,306.7 m2 in buildings between 2015 and 2019. The root mean square error analysis performed using 7 GCPs showed a horizontal and vertical accuracy of 0.183 m and 0.157 m respectively. This suggests a high level of accuracy, which is adequate for 3D mapping and change detection analysis at a sustainable cost.
    Źródło:
    Geomatics and Environmental Engineering; 2021, 15, 1; 41-61
    1898-1135
    Pojawia się w:
    Geomatics and Environmental Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Opracowanie maski obszarów leśnych w celu monitoringu kondycji zdrowotnej lasów w Polsce na podstawie wieloletnich obserwacji satelitarnych
    Development of forest cover mask to monitor the health condition of forests in Poland using long-term satellite observations
    Autorzy:
    Bartold, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/1294000.pdf
    Data publikacji:
    2016
    Wydawca:
    Instytut Badawczy Leśnictwa
    Tematy:
    lesnictwo
    Polska
    lasy
    stan zdrowotny lasu
    monitoring
    obserwacje satelitarne
    program CORINE Land Cover
    pokrycie terenu
    Znormalizowany Wskaznik Wegetacji
    baza CORINE Land Cover 2012
    CORINE Land Cover 2012
    forest condition
    NDVI
    satellite images
    vegetation mapping
    Opis:
    The work presented here aims at developing cover mask for monitoring forest health in Poland using remote sensing data. The main objective was to assess the impact of using the mask on forest condition monitoring combined with vegetation indices obtained from long-term satellite data. In this study, a new mask developed from the CORINE Land Cover 2012 (CLC2012) database is presented and its one-kilometer pixel size matched to low-resolution data derived from SPOT VEGETATION satellite registrations. For vegetation mapping, only pixels with a cover ≥50% of broad-leaved and mixed forests defined by CLC2012 were taken into account. The masked pixels were used to evaluate spatial variability in eight Natural-Forest Regions (NFRs). The largest coverages by masked forests were obtained in Sudetian (65.7%), Carpathian (65.9%) and Baltic (51.3%) regions. For other forest regions the coverage was observed to be around 30–50%. Time-series of the Normalized Difference Vegetation Index (NDVI) comprising SPOT VEGETATION images from 1998 until 2014 were computed and cross-comparison analyses on ≥50% and <50% forest cover masks brought up frequent differences at a level higher than 0.05 NDVI in seven out of eight NFRs. An exception is the Sudetian region, where the data was highly consistent. Furthermore, the Mann-Whitney U non-parametric test revealed statistically significant differences in two regions: Baltic and Masurian-Podlasie NFR. The comparative analysis of NDVI confirmed that there is a need for additional investigation of the quality of newly developed forest mask combined with vegetation and meteorological data.
    Źródło:
    Leśne Prace Badawcze; 2016, 77, 2
    1732-9442
    2082-8926
    Pojawia się w:
    Leśne Prace Badawcze
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A Study of Land Cover Change Detection in Oddusuddan DS Division of Mullaitivu District in Sri Lanka Based on GIS and RS Technology
    Autorzy:
    Pathmanandakumar, V.
    Powiązania:
    https://bibliotekanauki.pl/articles/1031751.pdf
    Data publikacji:
    2020
    Wydawca:
    Przedsiębiorstwo Wydawnictw Naukowych Darwin / Scientific Publishing House DARWIN
    Tematy:
    Change Matrix
    Change detection
    Geographical Information System & Remote Sensing
    Land covers Mapping
    Satellite Image Analysis
    Opis:
    Land cover change analysis between 1997 and 2016 was conducted in Oddusuddan Divisional Secretariat, Mullaitivu District, using remote sensing and geographic information system incorporated with field verifications. Various Satellite images and different digital maps have been used for extracting information. The overall objective of this study was to detect the magnitude of land cover change in Oddusuddan between 1997 and 2016. The methodology of this study was a change detection analysis of satellite imagery with Landsat ETM data. Two dates of Landsat image data of the 1997 and 2016 were used to produce a land cover map. The Maximum Likelihood algorithm was used for supervised classification to detect changes for twenty years. The result showed that during the last twenty years, the forest cover declined from 453.02 km2 in 1997 to 447.14 km2 in 2016. It was noticed that socio-economic factors were the major driving forces for the land cover change.
    Źródło:
    World News of Natural Sciences; 2020, 29, 3; 198-211
    2543-5426
    Pojawia się w:
    World News of Natural Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Mapy podstawowych form pokrycia i użytkowania terenu zlewni Raby powyżej Zbiornika Dobczyckiego - porównanie dokładności klasyfikacji pikselowej i obiektowej obrazów LANDSAT TM
    Mapping of basic land-use/land cover types in upper Raba watershed - accuracy comparison of pixel-based and object-based approaches to LANDSAT TM images classification
    Autorzy:
    Badurska, M.
    Drzewiecki, W.
    Tokarczyk, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/132383.pdf
    Data publikacji:
    2009
    Wydawca:
    Polskie Towarzystwo Geograficzne
    Tematy:
    Landsat TM
    klasyfikacja pikselowa
    klasyfikacja obiektowa
    ocena
    dokładność klasyfikacji
    zlewnia Raby
    pokrycie i użytkowanie terenu
    pixel based classification
    object-based classification
    classification accuracy assessment
    Raba watershed
    land-use
    land cover
    Opis:
    The research presented in the paper has been aimed at mapping the basic types of land-use in the upper Raba watershed (south Poland). The maps have been prepared for a study of the influence of land-use changes within the watershed on the sediment yields introduced into the reservoir. Because the erosion models used for sediment yields prediction need only to identify the main land-use / land cover classes (arable land, meadows and pastures, forests, waters, developed areas), the maps have been based on classification of middle-resolution satellite images (Landsat TM). In the research the results of traditional pixel-based classification were compared to the ones obtained in the object based approach. Six different Landsat TM images were classified. The methodology of both classification approaches have been described in the paper. The accuracy assessment of the classification results was based on their comparison with the land use types defined by the photo interpretation of colour composite images. The assessment was done by two operators. Each of them used different set of two hundred and fifty randomly generated sample points. In most cases the pixel-based approach resulted in higher overall accuracy. However, if overall accuracy confidence intervals are taken into consideration, none of the methods can be definitely recognised as a better one.
    Źródło:
    Teledetekcja Środowiska; 2009, 42; 15-21
    1644-6380
    Pojawia się w:
    Teledetekcja Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Mapping of impervious surfaces with the use of remote sensing imagery: Support Vector Machines classification and GIS-based approach
    Wizualizacja powierzchni nieprzepuszczalnych z wykorzystaniem zdjęć teledetekcyjnych: klasyfikacja support vector machines i podejście oparte na GIS
    Autorzy:
    Sobieraj, Janusz
    Fernández Marín, Marcos
    Metelski, Dominik
    Powiązania:
    https://bibliotekanauki.pl/articles/27312146.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    klasyfikacja
    powierzchnia nieprzepuszczalna
    maszyna wektorów nośnych
    teledetekcja
    system informacji geograficznej
    użytkowanie gruntów pokrycie gruntów
    ArcGIS
    uczenie maszynowe
    classification
    impervious surface
    support vector machine
    remote sensing
    geographic information system
    land use land cover
    machine learning
    Opis:
    This study focuses on the problem of mapping impervious surfaces in urban areas and aims to use remote sensing data and orthophotos to accurately classify and map these surfaces. Impervious surface indices and green space assessments are widely used in land use and urban planning to evaluate the urban environment. Local governments also rely on impervious surface mapping to calculate stormwater fees and effectively manage stormwater runoff. However, accurately determining the size of impervious surfaces is a significant challenge. This study proposes the use of the Support Vector Machines (SVM) method, a pattern recognition approach that is increasingly used in solving engineering problems, to classify impervious surfaces. The research results demonstrate the effectiveness of the SVM method in accurately estimating impervious surfaces, as evidenced by a high overall accuracy of over 90% (indicated by the Cohen’s Kappa coefficient). A case study of the “Parkowo-Leśne” housing estate in Warsaw, which covers an area of 200,000 m², shows the successful application of the method. In practice, the remote sensing imagery and SVM method allowed accurate calculation of the area of the surface classes studied. The permeable surface represented about 67.4% of the total complex and the impervious surface corresponded to the remaining 32.6%. These results have implications for stormwater management, pollutant control, flood control, emergency management, and the establishment of stormwater fees for individual properties. The use of remote sensing data and the SVM method provides a valuable approach for mapping impervious surfaces and improving urban land use management.
    Niniejsze badanie koncentruje się na problemie wyznaczania powierzchni nieprzepuszczalnych na obszarach miejskich i ma na celu wykorzystanie danych teledetekcyjnych i ortofotomap do dokładnej klasyfikacji i wizualizacji tych powierzchni. Wskaźniki powierzchni nieprzepuszczalnych i oceny terenów zielonych są szeroko stosowane w planowaniu przestrzennym i urbanistycznym do oceny środowiska miejskiego. Władze lokalne polegają również na oszacowaniu wielkości powierzchni nieprzepuszczalnych w celu obliczania opłat za wodę deszczową i skutecznego zarządzania odpływem wody deszczowej. Jednak dokładne określenie wielkości nieprzepuszczalnych powierzchni jest poważnym wyzwaniem. W niniejszym badaniu zaproponowano wykorzystanie metody Support Vector Machines (SVM), podejścia opartego na rozpoznawaniu wzorców, które jest coraz częściej stosowane w rozwiązywaniu problemów inżynieryjnych, do klasyfikacji powierzchni nieprzepuszczalnych. Wyniki badań pokazują skuteczność metody SVM w dokładnym szacowaniu powierzchni nieprzepuszczalnych, o czym świadczy wysoka ogólna precyzja wynosząca ponad 90% ( na co wskazuje współczynnik Kappa Cohena). Studium przypadku osiedla „Parkowo-Leśne” w Warszawie o powierzchni 200 000 m² pokazuje skuteczne zastosowanie metody. Wyniki wskazują, że powierzchnie przepuszczalne stanowiły około 67,4% całego kompleksu, podczas gdy powierzchnie nieprzepuszczalne stanowiły pozostałe 32,6%. Wyniki te mogą mieć wpływ na zarządzanie wodami opadowymi, kontrolę zanieczyszczeń, zapobieganie powodziom, zarządzanie kryzysowe i ustalanie opłat za wodę opadową dla poszczególnych nieruchomości. Wykorzystanie danych teledetekcyjnych i metody SVM zapewnia cenne podejście do wizualizacji powierzchni nieprzepuszczalnych i poprawy zarządzania użytkowaniem gruntów miejskich.
    Źródło:
    Archives of Civil Engineering; 2023, 69, 3; 129--146
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-15 z 15

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies