Określenie składu gatunkowego lasów Góry Chojnik (Karkonoski Park Narodowy) z wykorzystaniem lotniczych danych hiperspektralnych APEX

• Autorzy: Raczko E. , Zagajewski B. , Ochtyra A. , Jarocinska A. , Marcinkowska-Ochtyra A. , Dobrowolski M.

Warianty tytułu

EN

Identification of tree species in Mt Chojnik (Karkonoski National Park) forest using airborne hyperspectal APEX data

• Języki publikacji: PL

Abstrakty

EN

We used hyperspectral data from APEX scanner (288 spectral bands in 380−2500 nm spectral range; 3,5 m spatial resolution) to classify five tree species occurring in the area of Mt. Chojnik in the Karkonoski National Park (south−western Poland). Data used to delimit learning and veri− fication polygons were acquired during field research in August 2013, when ground truth polygons were acquired using device equipped with GPS receiver. Raw APEX data went through radio− metric and geometric correction at VITO office. To reduce processing time, 40 most informative bands were selected using information content analysis. The Support Vector Machines (SVM) algorithm was used for classification of the following tree species: Fagus sylvatica L., Betula pendula Roth, Pinus sylvestris L., Picea alba L. Karst and Larix decidua Mill. Final classification had 78.66% overall accuracy with Kappa coefficient equal to 0.71. The best classified species included beech (87.09%) and pine (83.96%), while the worst results were obtained for larch (60.29%). Low accuracy for larch could be caused by the fact that most of larch trees in the research area grow in small patches, which made it hard to specify large enough sample of training data. All classified tree species had producer's accuracy of at least 60%, with the highest value reaching 87%. User's accuracies were from 53% for pine to 85% for beech. It is possible to classify tree species using hyperspectral data with moderate to high accuracy even if the data used lacked atmospheric correction. Further work will focus on improving the classification accuracy and use of neural networks based classification methods. Results from this paper will serve as basis for tree species map of the Karkonoski National Park.

Słowa kluczowe

PL

lesnictwo; Karkonoski Park Narodowy; gory; Chojnik; lasy; sklad gatunkowy; metody badan; teledetekcja; pomiary hiperspektralne; skaner APEX

• Wydawca: -
• Czasopismo: Sylwan
• Rocznik: 2015
• Tom: 159
• Numer: 07
• Opis fizyczny: s.593-599,rys.,tab.,bibliogr.

Twórcy

autor

Raczko E.

• Zakład Geoinformatyki, Kartografii i Teledetekcji, Uniwersytet Warszawski, ul.Krakowskie Przedmieście 30, 00-927 Warszawa

autor

Zagajewski B.

• Zakład Geoinformatyki, Kartografii i Teledetekcji, Uniwersytet Warszawski, ul.Krakowskie Przedmieście 30, 00-927 Warszawa

autor

Ochtyra A.

• Zakład Geoinformatyki, Kartografii i Teledetekcji, Uniwersytet Warszawski, ul.Krakowskie Przedmieście 30, 00-927 Warszawa
• Kolegium Międzywydziałowych Indywidualnych Studiów Matematyczno-Przyrodniczych, Uniwersytet Warszawski, ul.Żwirki i Wigury 93, 02-089 Warszawa

autor

Jarocinska A.

• Zakład Geoinformatyki, Kartografii i Teledetekcji, Uniwersytet Warszawski, ul.Krakowskie Przedmieście 30, 00-927 Warszawa

autor

Marcinkowska-Ochtyra A.

• Zakład Geoinformatyki, Kartografii i Teledetekcji, Uniwersytet Warszawski, ul.Krakowskie Przedmieście 30, 00-927 Warszawa

autor

Dobrowolski M.

• Karkonoski Park Narodowy, ul.Chałubińskiego 23, 58-570 Jelenia Góra

Bibliografia

• Bigdeli B., Samadzadegen F., Reinartz P. 2013. A Multiple SVM System for Classification of Hyperspectral Remote Sensing Data. Journal of the Indian Society of Remote Sensing 41 (4): 763−776.
• Dalponte M., Bruzzone L., Gianelle D. 2012. Tree species classification in the Southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data. Remote Sensing of Environment 123: 258−270.
• Feret J. B., Asner G. P. 2013. Tree Species Discrimination in Tropical Forests Using Airborne Imaging Spectroscopy. IEEE Transactions on Geoscience and Remote Sensing 51 (1): 73−84.
• Jadczyk P. 2009. Natural Effects Of Large−Area Forest Decline In The Western Sudeten. Environment Protection Engineering 35 (1): 49−56.
• Kokaly R. F., Despain D. G., Clark R. N., Livo K. E. 2003. Mapping vegetation in Yellowstone National Park using spectral feature analysis of AVIRIS data. Remote Sensing of Environment 84: 437−456.
• Marcinkowska A., Zagajewski B., Ochtyra A., Jarocińska A., Raczko E., Kupkova L., Stych P., Meuleman K. 2014. Mapping vegetation communities of the Karkonosze National Park using APEX hyperspectral data and Support Vector Machines. Miscellanea Geographica 18 (2): 23−29. doi: 10.2478/mgrsd−2014−0007.
• Olesiuk D. 2008. Wykorzystanie obrazów hiperspektralnych do klasyfikacji pokrycia terenu zlewni Bystrzanki. Praca magisterska wykonana w Katedrze Geoinformatyki i Teledetekcji, Warszawa.
• Pal M., Mather P. M. 2006. Some issues in the classification of DAIS hyperspectral data. International Journal of Remote Sensing 27 (14): 2895−2916.
• Raczko E. 2014. Klasyfikacja gatunków drzewiastych Góry Chojnik (KPN) na podstawie lotniczych obrazów hiperspektralnych APEX i sztucznych sieci neuronowych. Praca magisterska wykonana w Zakładzie Geoinformatyki i Teledetekcji, Warszawa.
• Rajee G., Hitendra P., Kushwaha S. P. S. 2014. Forest tree species discrimination in western Himalaya using EO− 1 Hyperion. International Journal of Applied Earth Observation and Geoinformation 28: 140−149.
• Shen G., Sakai K., Hoshino Y. 2010. High Spatial Resolution Hyperspectral Mapping for Forest Ecosystem at Tree Species Level. Agricultural Information Research 19: 71−78.
• Zagajewski B., Olesiuk D. 2009. SNNS classification of hyperspectral data of extensively used agricultural areas. EARSeL eProceedings 8 (2): 107−113.
• Zagajewski B. 2010. Ocena przydatności sieci neuronowych i danych hiperspektralnych do klasyfikacji roślinności Tatr Wysokich. Teledetekcja Środowiska 43: 113.