T v rz kel s xii
This presentation is the property of its rightful owner.
Sponsored Links
1 / 21

TÁVÉRZÉKELÉS XII. PowerPoint PPT Presentation


  • 75 Views
  • Uploaded on
  • Presentation posted in: General

TÁVÉRZÉKELÉS XII. KÖRNYEZETGAZDÁLKODÁSI AGRÁRMÉRNÖKI BSc TERMÉSZETVÉDELMI MÉRNÖKI BSc. ELŐADÁS/GYAKORLAT ÁTTEKINTÉSE. Utófeldolgozási módszerek ismertetése A képosztályozás eredményének értékelése hibamátrix és kappa-index számítással

Download Presentation

TÁVÉRZÉKELÉS XII.

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


TÁVÉRZÉKELÉS XII.

KÖRNYEZETGAZDÁLKODÁSI AGRÁRMÉRNÖKI BSc

TERMÉSZETVÉDELMI MÉRNÖKI BSc


ELŐADÁS/GYAKORLAT ÁTTEKINTÉSE

  • Utófeldolgozási módszerek ismertetése

  • A képosztályozás eredményének értékelése hibamátrix és kappa-index számítással

  • Az ellenőrzött osztályozási módszer bemutatása egy esettanulmányon keresztül

  • Kvantitatív értékelési módszerek

  • Nevezetes vegetációs indexek ismertetése

HEFOP 3.3.1.


Képosztályozás utófeldolgozása

Az osztályozás pontosságának ellenőrzése

  • Az osztályozott terület és a valós adatok vizuális értékelése (igaz-hamis), amely gyakran szubjektív hibával terhelt

  • Az osztályozott kép és a valós adatok mennyiségi összehasonlítása (km2, %, stb.). Csak a kumulált értékeket hasonlítja össze.

  • Az osztályozott területen a térbeli egyezőséget is elemzi (helyspecifikus elemzés). Megvizsgálja, hogy az osztályozással létrehozott kategóriák térben mennyire térnek el a valós adatoktól (overall accuracy).

  • Az osztályozott terület és a valós adatoknál az összes osztály összehasonlítása, hibamátrix készítésével (error matrix, confusion matrix).

HEFOP 3.3.1.


Képosztályozás utófeldolgozása

Hibamátrix

A hibamátrix a leggyakrabban alkalmazott hiba-értékelési eljárás, aminek előnye, hogy az egyes osztályok közötti kapcsolatokra is rámutat (Hay, 1988; Yuan, 1997). A hibamátrix átlós értékei mutatják azokat a pixel-értékeket, ahol helyes volt az osztályba sorolás. Szintén osztályonként értékelhettük a két fő osztályba sorolási hibát: a téves osztálybasorolás (comission) és a téves osztályból kihagyást (omission) valamint a teljes hibát (overall accuracy).

HEFOP 3.3.1.


ahol

és

Képosztályozás utófeldolgozása

Kappa-index

A Kappa-indexet a mért és az osztályozott képek értékelésére lehet használni, ahol a főátló mentén található értékek a tényleges megfigyelési értékek (p0) és a Kappa (k ) az alábbiak szerint számolható.

HEFOP 3.3.1.


Nevezetes indexek

A növényi biofizikai változók vizsgálatánál széles körben elterjedt módszer a növényi vegetációs indexek alkalmazása. A vegetációs indexeket Baret és Guyot (1991) két nagy csoportra osztotta a távolságon alapuló indexek, amelyek többnyire összeg vagy különbség indexek, amelyek egy vagy több sáv lineáris kombinációjaként állíthatók elő (sDVI, GVI, PVI, DVI, WDVI) illetve a hányados típusú meredekségen alapuló indexek (RVI, NDVI, IPVI, TVI, SAVI, SAVI2, TSAVI, IMSAVI, EMSAVI, ARVI, SARVI).

HEFOP 3.3.1.


Ellenőrzött osztályozás lépései ENVI térinformatikai programmal

  • LANDSAT felvétel geometriai transzformációja

  • Ellenőrző területek létrehozása a terepi GPS mérési adatokból (ROI tool)

  • Tanítóterületek kijelölése terepi GPS adatokból (ROI tool)

  • A tanítóterületek ellenőrzése (ROI separability /Jeffries-Matusita)

  • Maszk létrehozása az ellenőrző területekből (Mask)

  • Ellenőrzött osztályozás (Supervised classification/Maximum likelihood)

  • Az osztályozás pontosságának ellenőrzése hibamátrix-szal (Post classification/Confusion matrix)

HEFOP 3.3.1.


Képosztályozás

Landsat ETM felvétel B1,B2,B3 csatornái

HEFOP 3.3.1.


Képosztályozás

tanítóterületek

Tanítóterületek kijelölése

HEFOP 3.3.1.


Képosztályozás

Tanítóterületek páronkénti összehasonlításának eredményei (Jeffries-Matusita távolság) :

Cukorrépa (1023 pixel) - Gyep (554 pixel) - 1,99846049

Tarló (784 pixel)- Gyep (554 pixel) - 1,99966561

Kukorica (676 pixel) - Gyep (554 pixel) - 1,99973253

Lucerna (841 pixel) - Gyep (554 pixel)- 2,00000000

Cukorrépa (1023 pixel) - Kukorica (676 pixel)- 2,00000000

Lucerna (841 pixel)- Kukorica (676 pixel)- 2,00000000

Lucerna (841 pixel)- Cukorrépa (1023 pixel)- 2,00000000

Szántó (650 pixel)- Cukorrépa (1023 pixel) - 2,00000000

Tarló (784 pixel) - Cukorrépa (1023 pixel)- 2,00000000

Tarló (784 pixel)- Kukorica (676 pixel)- 2,00000000

Szántó (650 pixel)- Lucerna (841 pixel)- 2,00000000

Szántó (650 pixel)- Kukorica (676 pixel)- 2,00000000

Tarló (784 pixel)- Lucerna (841 pixel)- 2,00000000

Szántó (650 pixel)- Tarló (784 pixel)- 2,00000000

Szántó (650 pixel)- Gyep (554 pixel)- 2,00000000

HEFOP 3.3.1.


Képosztályozás

Osztályozott (maximum likelihood) felvétel

HEFOP 3.3.1.


Képosztályozás

Ellenőrző terület

HEFOP 3.3.1.


Képosztályozás ellenőrzése hibamátrix és kappa index számítással

Ellenőrző terület

HEFOP 3.3.1.


Nevezetes indexek

A távolságon alapuló indexek közül a közeli infravörös és a vörös csatornák reflektancia értékeinek hányadosán alapulóreflektancia viszonyszámindexet (Ratio Vegetation Index, RVI) zöld biomassza mennyiségének, levélfelületnek (LAI), klorofiltartalom mennyiségi meghatározására alkalmazták.

HEFOP 3.3.1.


Nevezetes indexek

Világszerte a legelterjedtebb vegetációs index a normalizált vegetációs index (Normalized Difference Vegetation Index, NDVI) amelyet levélfelület, zöld biomassza mennyiségének, a klorofiltartalomnak, növényi szövet víztartalmának meghatározására alkalmazzák. Az NDVI nagy területek biomassza-változásának idősoros elemzésére is előszeretettel alkalmazott univerzális mutatószám.

HEFOP 3.3.1.


Nevezetes indexek

HEFOP 3.3.1.


Nevezetes indexek

  • Difference Index (DI) and Normalized Difference Index (NDI)

HEFOP 3.3.1.


ELŐADÁS/GYAKORLAT ÖSSZEFOGLALÁSA

  • A képosztályozás utófeldolgozási mechanizmusának ismertetése

  • A hibamátrix és kappa-index ismertetése a képosztályozás eredményének értékelése során

  • Az ellenőrzött osztályozási módszer bemutatása az ENVI képfeldolgozó szoftverrel, egy esettanulmányon keresztül

  • Kvantitatív értékelési módszerek ismertetése

  • Nevezetes vegetációs indexek csoportosítása és ismertetése

HEFOP 3.3.1.


ELŐADÁS/GYAKORLAT ELLENÖRZŐ KÉRDÉSEI

  • Ismertesse a hibamátrixot és a kappa-indexet

  • Mutassa be az ellenőrzött képosztályozás főbb lépéseit

  • Határozza meg az NDVI, RVI, SAVI indexeket

HEFOP 3.3.1.


ELŐADÁS/GYAKORLAT Felhasznált forrásai

  • Szakirodalom:

  • Czimber, K. (1997): Geoinformatika. Soproni Műhely, Sopron, 119 p.

  • Kraus, K. (1988): Fotogrammetria. Budapest, 384 p.

  • Sárközy, F. (1991): Térinformatika. Budapest – interaktív oktatási anyag, URL: http://bme-geod.agt.bme.hu/tutor_h

    /

  • Egyéb források:

  • Russ, J.C. (1999): The image Processing Handbook, Third Edition, CRC Press LLC, Boca Raton, Florida, 771 p

  • Sabins, F. F., (1996): Remote Sensing. Principles and Interpretation. W. H. Freeman and Co. Los Angeles, 494 p

HEFOP 3.3.1.


KÖSZÖNÖM A FIGYELMÜKETKÖVETKEZŐELŐADÁS/GYAKORLAT CÍME

  • Több előadást átfogó oktatási téma előadássorozatának címei: Képosztályozási módszerek

  • Következő előadás megértéséhez ajánlott ismeretek kulcsszavai: ortofotó, földhasználat, parcella, képosztályozás

Előadás anyagát készítették: Burai Péter (DE ATC)

HEFOP 3.3.1.


  • Login