Accuracy assessment of automatic image processing for land cover classification of St. Petersburg protected area

• Autorzy: Bogoliubova A. , Tymkow P.

Warianty tytułu

PL

Ocena dokładności automatycznej klasyfikacji pokrycia terenu dla obszaru chronionego Sankt Petersburga

• Języki publikacji: EN

Abstrakty

EN

This study analyzes the evaluation of land cover supervised classification quality. Authors put forward the hypothesis that the overall accuracy of image classification depends on its division into parts of the same area. The dependence is described by the logarithmic curve – Т = 4.3004·ln(x) + 72.697, because the determination coefficient is maximum (R2 = 0.9678). The research area was the Yuntolovo reserve, the protected area near St. Petersburg (Russia). In order to increase the overall accuracy of the land cover automatic classification based on aerial images, a new methodology of data preprocessing was introduced. The proposed method of estimating the overall classification accuracy of land cover protected areas increases on average by 10% by dividing the source aerial image into no more than 10 equal parts. With further partitioning of the image into parts of the same area, the overall accuracy is slightly increased. Pixel-based image analysis of supervised classification and error matrix were evaluated using ILWIS 3.31 software and in our own software in .NET environment.

PL

W pracy dokonano analizy sposobów oceny jakości klasyfikacji pokrycia terenu na danych obrazowych. Autorzy wysunęli hipotezę, że ogólna dokładność klasyfikacji obrazu zależy od jego podziału w procesie klasyfikacji na podobszary. Zależność tę opisano krzywą logarytmiczną Т = 4,30044ln(x) + 72,697, dla której uzyskano najwyższy współczynnik determinacji (R2 = 0,9678). Badania prowadzono dla rezerwatu Yuntolovo, chronionego obszaru w pobliżu Sankt Petersburga (Rosja). W celu zwiększenia ogólnej dokładności automatycznej klasyfikacji pokrycia terenu na podstawie zdjęć lotniczych autorzy zaproponowali nową metodologię wstępnego przetwarzania danych. Proponowana metoda, polegająca na podziale obrazu klasyfikowanego na nie więcej niż dziesięć równych części, poprawia ogólną dokładność klasyfikacji pokrycia obszarów lądowych średnio o 10%. Podział na większą liczbę części nie zwiększa już znacząco jakości klasyfikacji, a dodatkowo wprowadza niejednoznaczności spowodowane zmniejszaniem próby uczącej. Klasyfikację obrazów i analizę dokładności prowadzono z wykorzystaniem pakietu ILWIS 3.31 oraz autorskiego oprogramowania stworzonego w środowisku NET.

Słowa kluczowe

EN

automatic image processing; land cover; classification; protected area; St.Petersburg city

• Wydawca: -
• Czasopismo: Acta Scientiarum Polonorum. Geodesia et Descriptio Terrarum
• Rocznik: 2014
• Tom: 13
• Numer: 1-2
• Opis fizyczny: p.5-22,fig.,ref.

Twórcy

autor

Bogoliubova A.

• National Mineral Resources University, Russia

autor

Tymkow P.

• Wroclaw University of Environmental and Life Science, Grunwaldzka 53, 50-357 Wroclaw, Poland

Bibliografia

• Adamczyk J., Będkowski K., 2005. Metody cyfrowe w teledetekcji. Wydawnictwo SGGW.
• Anderson J.R., Hardy E.E., Roach J.T., Witmer R.E., 1976. A land use and land cover classification system for use with remote sensor data. USGS Professional Paper 964, U.S. Geological Survey.
• Bogoliubova A.A., 2012. The aerospace monitoring of land cover protected areas in St.-Petersburg: Thesis...Ph.D. / National Mineral Recourses University. St.-Petersburg, 144.
• Bogoliubova A., Tymków P., 2014. Land cover changes and dynamics of Yuntolovsky reserve, Ejpau 17(3), #03.Available Online: http://www.ejpau.media.pl/volume17/issue3/art-03.html
• Chandr A.M., Gosh C.K., 2008. Remote sensing and GIS. Moscow, Techno sphere, 312.
• Congalton R.G., 1991. A review of assessing the accuracy of classification of remotely sensed data. Remote Sensing of Environment, 37, 35–46.
• Congalton R.G., Green K., 1999. Assessing the accuracy of remotely sensed data: Principles and practices. Lewis Publishers, Boca Raton.
• Congalton R.G., Mead R.A., 1983. A quantitative method to test for consistency and correctness in photo interpretation. Photogrammetric Engineering and Remote Sensing, 49, 69–74.
• Jensen J.R., 1996. Introductory digital: A remote sensing perspective (2nd ed). Chapter 8, Thematic Information Extraction: Image Classification. Upper Saddle River, NewJersey: Prentice-Hall, 234–252.
• Jensen J.R., 2005. Introductory digital image processing: A remote sensing perspective (3rd ed.). Upper Saddle River, New Jersey, Prentice Hall.
• Jensen J.R., Cowen D.C., 1999. Remote sensing of urban/suburban infrastructure and socioeconomic attributes. Photogrammetric Engineering and Remote Sensing, 65 (5), 611–622.
• Hubert-Moy L., Cotonnec A., Du L., Chardin A., Perez P., 2001. A comparison of parametric classification procedures of remotely sensed data applied on different landscape units. Remote Sensing of Environment, 75, 174–187.
• Kubik T., Paluszyński W., Iwaniak A., Tymków P., 2008. Klasyfikacja obrazów rastrowych z wykorzystaniem sztucznych sieci neuronowych i statystycznych metod klasyfikacji. Wydawnictwo Uniwersytetu Przyrodniczego we Wrocławiu, 86.
• Landis J., Koch G.G., 1977. The measurement of observer agreement for categorical data. Biometrics, 33, 159–174.
• Lillesand Thomas M., 2004. Remote Sensing and Image Interpretation (5th ed.). Chapter 7, Digital Image Processing. New York: John Wiley and Sons, 550–610.
• Lillesand T.M., Kiefer R.W., 2000. Remote Sensing and Image Interpretation, 4th ed. Wiley & Sons.
• Lillesand T.M., Kiefer R.W., Chipman J.W., 2004. Remote sensing and image interpretation. 5th Edn. John Wiley and Sons, Inc. USA.
• Rosenfield G.H., Fitzpatrick-Lins K., 1986. A coefficient of agreement as a measure of thematic classification accuracy. Photogrammetric Engineering and Remote Sensing, 52(2), 223–227.
• Tymków P., 2009. Application of photogrammetric and remote sensing methods for identification of resistance coefficients of high water flow in river valleys. Wydawnictwo Uniwersytetu Przyrodniczego we Wrocławiu, 102.
• Volkova E.A., 2005. Regional complex natural state reserve «Yuntolovsky» / Saint-Petersburg, 202