Informacja

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

Wyszukujesz frazę "Głowienka, Ewa" wg kryterium: Autor


Wyświetlanie 1-2 z 2
Tytuł:
Analyzing the Impact of Simulated Multispectral Images on Water Classification Accuracy by Means of Spectral Characteristics
Analiza wpływu charakterystyki spektralnej symulowanych obrazów multispektralnych na dokładność klasyfikacji wody
Autorzy:
Głowienka, Ewa
Michałowska, Krystyna
Powiązania:
https://bibliotekanauki.pl/articles/385406.pdf
Data publikacji:
2020
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
symulacja spektralna
ALI
Spectral Angle Mapper (SAM)
obrazy hiperspektralne
obrazy multispektralne
spectral simulation
hyperspectral images
multispectral images
Opis:
Remote sensing is widely applied in examining the parameters of the state and quality of water. Spectral characteristics of water are strictly connected with the dispersion of electromagnetic radiation by suspended matter and the absorption of radiation by water and chlorophyll a and b. Multispectral sensor ALI has bands within the ranges of electromagnetic radiation: blue and infrared, absent in sensors such as Landsat, SPOT, or Aster. The main goal of the article was to examine the influence of the presence of these bands on water classification accuracy carried out for simulated images ALI, Landsat, Spot, and Aster. The simulation of images was based on the hyperspectral image from a Hyperion sensor. Due to the spectral properties of water, all the operations on the images were carried out for the set of bands in visible and near-infrared (VNIR) spectral range. In the framework of these studies, the impact of removing individual bands or sets of bands on the classification results was tested. Tests were carried out for the area of the water body of the Dobczyce Reservoir. It was observed that the lack of a spectral response in the infrared range of ALI image can reduce the accuracy of a classification by as much as 60%. On the other hand, the lack of blue and red bands in the dataset for the classification decreased the accuracy of water classification by 15% and 10%, respectively.
Teledetekcja jest szeroko wykorzystywana w badaniu parametrów stanu oraz jakości wody. Charakterystyka spektralna wody jest ściśle związana z rozpraszaniem promieniowania elektromagnetycznego przez materię zawieszoną oraz absorpcją promieniowania przez wodę i chlorofil a i b. Multispektralny sensor ALI wyposażony jest w kanały w zakresach promieniowania elektromagnetycznego niebieskiego i czerwonego, których nie mają sensory, np. Landsat, SPOT czy Aster. Głównym celem artykułu było zbadanie, jak wpływa obecność tych kanałów na dokładność klasyfikacji wody przeprowadzonej na symulowanych obrazach ALI, Landsat, Spot i Aster. Symulację obrazów wykonano na podstawie hiperspektralnego obrazu z sensora Hyperion. Ze względu na właściwości spektralne wody wszystkie operacje na obrazach wykonywane były dla zakresu VNIR. Przetestowano wpływ na wyniki klasyfikacji usuwania pojedynczych kanałów lub zestawów kanałów symulowanych obrazów. Testy wykonano dla obszaru Dobczyckiego Zbiornika Wodnego. Zaobserwowano, że brak odpowiedzi spektralnej w zakresie podczerwonym obrazu ALI może obniżyć dokładność klasyfikacji nawet o 50%. Natomiast brak w zestawie danych do klasyfikacji kanału z zakresów niebieskiego i czerwonego powoduje obniżenie dokładności klasyfikacji wody odpowiednio 15% i 10%.
Źródło:
Geomatics and Environmental Engineering; 2020, 14, 1; 47-58
1898-1135
Pojawia się w:
Geomatics and Environmental Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Forest Community Mapping Using Hyperspectral (CHRIS/PROBA) and Sentinel-2 Multispectral Images
Autorzy:
Głowienka, Ewa
Zembol, Nicole
Powiązania:
https://bibliotekanauki.pl/articles/2174650.pdf
Data publikacji:
2022
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
hyperspectral
pre-processing
multispectral
Sentinel-2
CHRIS/PROBA
machine learning
Opis:
The possibility to use hyperspectral images (CHRIS/PROBA) and multispectral images (Sentinel-2) in the classification of forest communities is assessed in this article. The pre-processing of CHRIS/PROBA image included: noise reduction, radiometric correction, atmospheric correction, geometric correction. Due to MNF transformation the number of the hyperspectral image channels was reduced (to 10 channels) and smiling errors were removed. Sentinel-2 image (level 2A) did not require pre-processing. Three tree genera occurring in the study area were selected for the classification: pine (Pinus), alder (Alnus) and birch (Betula). Image classification was carried out with three methods: SAM (Spectral Angle Mapper ), MTMF (Mixture Tuned Matched Filtering), SVM (Support Vector Machine). For the CHRIS/PROBA image, the algorithm SVM turned out to be the best. Its overall accuracy (OA) was 72%. The poorest result (OA = 52%) was for the MTMF classifier. In the classification of Sentinel-2 multispectral image the best result was for the MTMF method: OA = 82%, kappa coefficient 0.7. For other methods, the overall accuracy exceeded 65%. Among the classified genera, the highest producer’s accuracy was obtained for pine (PA = 96%), and the broad-leaf genera: alder and birch had PA ranging from 42% to 85%.
Źródło:
Geomatics and Environmental Engineering; 2022, 16, 4; 103--117
1898-1135
Pojawia się w:
Geomatics and Environmental Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    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