Oglądaj/Otwórz
advertisement
https://panel.plagiat.pl/web/main/printReport.html Raport podo bienstwa Ty tu l: Zastosow anie danych hiperspektralnych i sztucznych sie drzewiastych Karkonoskiego Parku Narodowego Aut or : Edwin Raczko Pr omot or : Bogdan Zagajewski Dat a Rap ort u Podobiens twa: 2017-03-20 21:06:39 Ws pólc zynnik podob iens t wa 1: 9,8% 3,4% Ws pólc zynnik podob iens t wa 2: Ws pólc zynnik podob iens t wa 5: 9,8% 3,4% 0,0% Dlug osc fr azy dla Ws pólc zy nnik a Podo bien st wa 2: 25 L iczba slów: 28 688 L iczba zn akó w: 214 475 Ws pólc zynnik podob iens t wa 3: Ws pólc zynnik podob iens t wa 4: euronowych do klasyfikacji gatunków Adr es y s tr on pominiet yc h przy s prawdzaniu: >> Lp . Najdluzsze fragmenty zidentyfikowane jako po dobne Tyt ul lub ad res url zródla (Nazw a bazy) Aut or L iczba ident y cznyc h s lów 1 URL_ http://w ww.ekoportal. gov.pl/fileadmin/Ekoportal/ Konf erencja/2014/prezentacje/5_4_Bogdan_Zagajewski_Uniwersytet_Warszawski.pdf 90 2 URL_ http://w ww.ekoportal. gov.pl/fileadmin/Ekoportal/ Konf erencja/2014/prezentacje/5_4_Bogdan_Zagajewski_Uniwersytet_Warszawski.pdf 78 3 URL_ http://w ww.ekoportal. gov.pl/fileadmin/Ekoportal/ Konf erencja/2014/prezentacje/5_4_Bogdan_Zagajewski_Uniwersytet_Warszawski.pdf 71 4 URL_ http://w ww.ekoportal. gov.pl/fileadmin/Ekoportal/ Konf erencja/2014/prezentacje/5_4_Bogdan_Zagajewski_Uniwersytet_Warszawski.pdf 70 5 Ocena przydatnosci sieci neuronowych i danych hiperspe alnych do klasyfikacji roslinnosci Tatr Wysokich Uniwersytet Warszawski (Wydzial Geografii i Studiów Re alnych) Bogdan Zagajewski 49 6 URL_ http://w ww.ekoportal. gov.pl/fileadmin/Ekoportal/ Konf erencja/2014/prezentacje/5_4_Bogdan_Zagajewski_Uniwersytet_Warszawski.pdf 45 7 URL_ http://geoinformatics.uw.edu.pl/anna-jarocinska/ 42 8 Porównanie klasyfikacji obszarów miejskich symulatorami FuzzyARTMAP i Support Vector Machines Uniwersytet Warszawski (Wydzial Geografii i Studiów Re alnych) Maria Koc 36 9 URL_ http://geoinformatics.uw.edu.pl/wp-content/uploads/sites/26/2015/02/Wydawnictw o_pokonferencyjne_55_KPN_Klasyfikacja_lesne.pdf 10 Ocena przydatnosci sieci neuronowych i danych hiperspe alnych do klasyfikacji roslinnosci Tatr Wysokich Uniwersytet Warszawski (Wydzial Geografii i Studiów Re alnych) >> Dokumenty, w których odnaleziono fragmenty podobne: z efBooks 35 Bogdan Zagajewski 35 i Zródlo Paperit y.org Lp . 1 z 27 Tyt ul Aut or Lic zba ident yc zny ch slów (liczba f ragmentów ) 1 Operational Tree Species Mapping in a Diverse Tropical Forest (Claire A.Baldeck;Gregory P.Asner;Robin E.Martin; Christopher with Airborne Imaging Spectroscopy B.Anderson;David E.Knapp;James R.Kellner;S. JosephWrig t;) http://paperity.org/p/73485209 52 (5) 2 Remotely-Sensed Indicat ors of N-Related Biomass Alloca in Schoenoplectus acutus http://paperity.org/p/60802643 33 (4) n (Jessica L.O’Connell;Kristin B.Byrd;MaggiKelly;) 3 Alien Plant Monitor ing w it h Ultr alight Air borne Imaging Spec tr osc opy ht tp ://p aper it y.o rg/p/60547576 (MaríaCalv iño-Cancela;RoiMéndez-Rial; Jav ierRegueraSalgad o;J ulioMart ín-Herrero; ) 29 (1) 4 Leaf optical properties reflect variation in photosynthetic metabolism and its sensitivity to temperature http://paperity.org/p/47370283 (Shawn P.Serbin;Dylan N.Dillaway;Eric L.Kruger;Philip A.Townsend;) 22 (1) 5 A Statistical Investigation on a Seismic Transient Occurred in Italy Between the 17th and 20th Centuries http://paperity.org/p/78278121 (P. L.Bragato;) 20 (2) 6 Spatio-t emporal analysis of land use/land cover patt ern changes in Arasbaran Biosphere Reserve: Iran http://paperity.org/p/77889959 (Vahid AminiParsa;AhmadrezaYavari;AthareNejadi;) 19 (2) 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html 7 Drivers of forage availability: An integration of remo ensing (;) and traditional ecological knowledge in Karamoja sub-region, Uganda http://paperity.org/p/74424935 18 (1) 8 Scientific and technical challenges in remote sensing of plant canopy reflectance and fluorescence http://paperity.org/p/47202734 17 (1) (ZbynekMalenovský;Kumud BandhuMishra;FrantišekZemek;UweRascher;LadislavNedbal;) 9 Novel application of heuristic optimisation enables th creation (;) and thorough evaluation of robust support vector machine ensembles f or machine learning applications http://paperity.org/p/74951678 10 Unveiling Undercover Cropland Inside Forests Using Landscape Variables: A Supplement to Remote Sensing Im Classification http://paperity.org/p/73148058 11 Effective Key Parameter Determination for an Automat ic Approach to Land Cover Classification Based on Multisp Remote Sensing Imagery http://paperity.org/p/60758265 15 (1) (YohannesAyanu;ChristopherConrad;AnkeJentsch;ThomasKoe er;) 15 (2) (YongWang;DongJiang;DafangZhuang;YaohuanHuang;WeiWang;XinfangYu;) 15 (1) (AndreasSpiegler;Thomas R.Knösche;KarinSchwab;JensHaue M.Atay;) 14 (1) e tral 12 Modeling Brain Resonance Phenomena Using a Neural Mass Model http://paperity.org/p/60879366 n;Fatihcan 13 Land Surface Reflectance Retrieval from Hyperspectral Data (Si-BoDuan;Zhao-LiangLi;BoCollected by an Unmanned Aerial Vehicle over the Baotou Test HuiTang;HuaWu;LinglingMa;EnyuZhao;ChuanrongLi;) Site http://paperity.org/p/60692617 14 (1) 14 CBFS: High Performance Feature Selection Algorithm Based on Feature Clearness http://paperity.org/p/61177122 (MinseokSeo;SejongOh;) 12 (1) 15 Est imat ing misclassification error: a closer look at crossvalidation based methods http://paperity.org/p/54537946 (Songt hipOunpraseuth;Shelly Y Lensing;Horace JSpencer;R ph LKodell; ) 12 (1) 16 Phenotype prediction from genome-wide association stud s: application to smoking behaviors http://paperity.org/p/57431742 (DankyuYoon;Young JinKim;TaesungPark;) 11 (1) 17 Dynamic Range of Vertebrate Retina Ganglion Cells: Importance of Active Dendrites and Coupling by Electrical Synapses http://paperity.org/p/60905130 (RodrigoPublio; Cesar CelisCeballos;Antonio C.Roque;) 10 (1) 18 Multispectral Imaging for Determination of Astaxanthin Concentration in Salmonids http://paperity.org/p/61337635 (Bjørn S.Dissing;Michael E.Nielsen;Bjarne K.Ersbøll;StinaFrosch;) >> 6 (1) Do ku men ty, w których o dnaleziono fr agm en ty p odobne: z Bazy Aktów Prawnych (BAP) Nie wykryto zadnych zapozyczen >> Do ku men ty, w których o dnaleziono fr agm en ty p odobne: z macierzystej Bazy danych Pogrubiona czcionka oznaczono dokument y zawierajace fr Lp . menty podobne, których dlugosc przekroczyla limit w spólczynnika podobienstwa 2. Tyt ul (Nazw a bazy) Aut or Lic zba ident yc zny ch slów (liczba f ragmentów ) 1 Ocena pr zy dat nos ci sieci neur onowy ch i dany ch hiper spe t ralny ch do k lasy fikac ji ros lin nosc i Tat r B ogdan Zagajewsk i Wysok ic h Uni wersyt et War szawsk i (Wy dzial Geogr af ii i St udiów Regionalnych) 2 Porówn anie klas yf ik acji obs zaró w miejs kich s ymulat or ami FuzzyARTMAP i Support Vect or Machines Uni wersyt et War szawsk i (Wy dzial Geogr af ii i St udiów Regionalnych) Maria K oc 3 Wykorzystanie obrazów hiperspektralnych do klasyfikacji pokrycia terenu Zlewni Bystrzanki Uniwersytet Warszawski (Uniwersytet Warszawski) Dawid Olesiuk >> 2 z 27 69 (4) 7 (1) Baza swiato wego Internetu Pogrubiona czcionka oznaczono dokument y zawierajace fr Lp . 967 (55) menty podobne, których dlugosc przekroczyla limit w spólczynnika podobienstwa 2. Adres ur l zródla Lic zba ident yc zny ch slów (liczba f ragmentów ) 1 URL_ ht tp ://w ww.ekopo rt al. gov.pl/fileadmin/Eko port al/Konf er nc ja/2014/ prezentacje/5_4_Bog dan_Zag ajewsk i_Uniwer syt et_War szaw ski.pdf 445 (14) 2 URL_ ht tp ://g eoin for matics .uw.edu.pl/wp-cont en t/up load s/sit es/26/2015/02/Wydawnic tw o_pok onf erency jne_55_K PN_Klasy fikacja_les ne.pdf 235 (15) 3 URL_ ht tp ://w ww.t andfo nlin e.co m/doi/pdf /10.1080/01431161.20 6.1274447 156 (17) 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html 4 URL_ http://geog.ucsb.edu/ ~bodo/pdf/alonzo14_santa_barbara_ ar.pdf 93 (9) 5 URL_ http://edoc.hu-berlin.de/dissertationen/van-der-linden ebastian-2008-01-29/HTML/N13729.html 86 (5) 6 URL_ https://cran.r-project.org/ web/packages/hsdar/vignette 47 (3) eferences.pdf 7 URL_ ht tp ://g eoin for matics .uw.edu.pl/anna-jar ocinsk a/ 47 (2) 8 URL_ http://ieeexplore.ieee.org/servlet/opac?punumber=36 41 (4) 9 URL_ http://outdoormagazyn.pl/ 2013/12/bezpieczne-karkonosze limat-gor-i-zwiazane-z-tym-zagrozenia/ 35 (5) 10 URL_ http://w ww.mdpi.com/ 2072-4292/7/8/10689/htm 33 (3) 11 URL_ http://w ww.rese.ch/products/atcor/atcor_paper.html 25 (3) 12 URL_ http://ediss.uni-goettingen.de/bitstream/handle/11858/00-1735-0000-000D-EFA9-3/ balavarca.pdf?sequence=1 23 (1) 13 URL_ http://home.agh. edu.pl/~galia/research/jeziorko/raport% 20koncow y% 20KBN%20nr%205T12E% 20005%2025.pdf 19 (1) 14 URL_ https://en.wikipedia.org/wiki/Deep_learning 17 (2) 15 URL_ http://sci2s.ugr.es/keel/pdf /specific/articulo/bioinfo 16 (2) tics374.pdf 16 URL_ http://w ww.sciencedirect.com/science/article/pii/S0034425712002842 16 (1) 17 URL_ https://softw are.rc.fas.harvard.edu/lds/research/spelk 15 (1) lizabeth-spelke/ 18 URL_ http://tw iki.fotogrametria. agh.edu.pl/bin/view/Publikacje/WebHome 14 (1) 19 URL_ https://pl.wikipedia.org/wiki/Ro%C5%9Blina_drzewiasta 13 (1) 20 URL_ http://w ww.dlr.de/eoc/Portaldata/60/Resources/dokumente/2_dfd_la/DFD-LAX-AS_Projects_en.pdf 12 (2) 21 URL_ https://theses.lib.vt.edu/theses/available/etd-0522200 00240028/unrestricted/van_Aardt_ETD. pdf 12 (2) 22 URL_ http://sciaga.pl/tekst/40748-41-parki_narodowe_w_polsce 11 (2) 23 URL_ http://w ww.aboutgis.com/Publications/Mountrakis_SVM_re iew_in_remote_sensing_ISPRS2010.pdf 10 (1) 24 URL_ https://www.osapublishing.org/ ao/f igure.cfm?uri=ao-50-24-4755-g010 10 (1) 25 URL_ http://bashanfoundation.org/alexei/alexeianthocyan.pdf 6 (1) Szczególy Raportu po dobien stwa. Na zielon o oznac zone sa f rag men ty odnalezio ne w t ek st ac h z zaso b w Int ernetu. Na c zerw ono oznac zo ne s a f ragmenty odnalezione w dokument ac h z Bazy dan ych Uczelni. Na po maranc zowo oznac zone s a f ragment y odnalezione w teks tach z bazy Ref Book s. Niebieskim k olor em t la oznaczone sa fr agment y o dnalezione w dok umentach z B a ów Pr awny ch. UNI WERSYTET WA RSZAWSKI Wydzial Geograf ii i St udiów Regionalnych Edwin Raczko Zastosowanie danych hiper spek t ralnych i szt ucznych sieci neuronowych do klasyfikacji gatunków drzewiastych Karkonoskiego Parku Narodowego Rozprawa doktorska w zakresie nauk o Ziemi dyscypl ina geografia Rozprawa doktorska przygotowana pod kierunkiem dr. hab. Bogdana Zagajewskiego Warszawa, marzec 2017 3 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html Oswiadczenie autora rozprawy: Swiadomy odpowiedzialnosci prawnej oswiadczam, ze niniejsza pr aca dyplomowa zostala napisana przez mnie samodzielnie i nie zawiera t resci uzyskanych w sposób niezgodny z obowiazuj acymi przepisami. Oswiadczam równiez, ze przedstawiona pr aca nie byla wc niej pr zedmiot em procedur zwiazanych z uzysk aniem doktoratu. ........................... ........................................ data i podpis autora rozprawy Oswiadczenie promotora rozprawy: Oswiadczam, ze niniej sza praca zost ala przygot owana pod moim k ierunkiem i st wier dzam, ze spelnia ona warunki do pr zedst awienia jej w post epowaniu doktorskim. Tekst rozprawy zostal sprawdzony w systemie plagiat.pl. ........................... ........................................ data i podpis promotora rozpraw y Slowa kluczowe klasyfikacja, sztuczne sieci neuronowe, dane hiperspek ne, klasyfikacja gatunków drzew Keywords classification, artificial neural networks, hyperspect data, tree species classification Abstract Knowledge of tree species composition in forest is an important topic in forest management. Accurate tree species maps allow acquiri ng more details of forest biophysical variables. This research focused on developing methods f tree species identification using aerial hyperspectral data. Research area was the Karkonoski National Park located in south-western Poland. High resolution (3,35m) APEX hyp ectral data (288 spectral bands in range from 413 to 2440 nm) were used as a basis for tree species classification. Beech (Fagus sylvatica L.), birch (Betula pendula Roth alder (Alnus Mill.), larch (Larix decidua Mill), pine (Pinus sylvestris L.) and spruce (Picea abies L. Karst) were classified. Noisy bands (includi ng water vapor absorpt on range) were taken out of whole dataset before band selection procedure. Remaining bands went thought PCA (Princi pal Component Analysis) analysis to find out bands with hi hest i nformation load. Each band had its information load assessed and was ranked based on amount of information it held. Finally 40 most informative bands were selected for fi al classifications. Feed forward multi-layered-perceptron w ith single hidden layer was applied. To simulate such network we used R statistical program and package nnet. Methods of the best artifici al neural network architecture determination (number of neurons in hidden layer) and network trai ning parameters w ere used. The output maps w ere verifi ed us ng field collected data. Final tree species maps cover whole area of KPN; achieved median overall accuracy of 87%, wi th median producer accuracies for all classes exceeding 6 respectively. Cl ass pine achieved l owest median produc Best classi fied classes were spruce, beech and bi rch with median producer accuracies of 93%, 88% and 83% and user accuracies of 68% and 75%. Results show great potential i n hyperspectral data as tool for identifying tree species location in diverse mountainous forest. Na poczatku bylo Slow o... Wstep 9 1. Teledetekcja hiperspektralna 15 1.1. Procedury korekcji obrazów hiperspektral nych 22 1.2. Procedury przetw arzania danych hiperspektralnych 23 1.3. Klasyfikacja obrazów teledetekcyjnych 24 1.4. Ocena dokladnosci klasyfikacji 25 1.5. Procedury wyboru danych w ykorzystanych w klasyfik ji 27 1.6. Lotnicze obrazy hiperspektralne APEX 29 1.7. Klasyfikacja drzewostanów na podstawie obrazów hi pektralnych 30 2. Sztuczne sieci neuronowe 34 2.1. Perceptron w ielow arstwowy 36 2.2. Algorytm wstecznej propagacji bledu 40 2.3. Charakterystyka symul atora sztucznych sieci neuronowych „nnet” 41 2.4. Zastosowanie sztucznych sieci neuronowych do klas fikacji drzewostanu 42 3. Obszar i obiekt badawczy 44 3.1. Warunki przyrodnicze Karkonoszy 46 3.2. Roslinnosc Karkonoszy 47 4. Metodyka 51 4.1. Pozyskanie danych 52 4.2. Pozyskanie terenowych danych wzorcowych do klasyf kacji i weryfikacji 55 4.3. Przygotowanie zestawu danych do uczenia i weryfikacji 57 4.4. Procedura wyboru kanalów spektralnych 58 4.5. Przygotowanie Numerycznego Modelu Terenu, Numerycznego Modelu Pokrycia Terenu i Znormalizowanego Numerycznego Modelu Pokrycia Terenu 60 4.6. Przygotowanie maski drzewostanu 61 4.7. Optymalizacja struktury sieci neuronowej 63 4.8. Iteracyjna ocena dokladnosci klasyfikacji 64 4.9. Klasyfikacja zobrazowan APEX sztucznymi sieciami neuronowymi 65 5. Wyniki 66 5.1. Dokladnosc korekcji atmosferycznej zobrazowan APEX 66 5.2. Analiza informacyjnosci zobrazowania APEX 67 5.3. Optymalizacja struktury sztucznej sieci neuronowej 68 5.4. Rozmieszczenie analizowanych gatunków drzewiastyc 69 5.5. Wysokosc anal izowanych gatunków drzewiastych 74 6. Przydatnosc obrazów APEX i sztucznych sieci neuronowych do klasyfikacji gatunków drzewiastych 75 4 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html 6.1. Róznice udzialu gatunków drzew w KPN uzyskanego n podstawie klasyfikacji i z danych oficjalnych 81 6.2. Porównanie w yników klasyfikacji APEX z dostepnymi danymi KPN 83 6.3. Dyskusj a na temat czasu wykonania badan terenowyc . 88 7. Podsumow anie i wnioski 89 Literatura 97 Spis rycin 113 Spis tabel 114 Wstep Zarzadzanie zasobami srodowiska lesnego wymaga dokl adn j inwentaryzacji oraz informacji o dynamice zmian zachodzacych w ekosystemie lesnym, dotyczy to zarówno komponentów biotycznych, jak i abiotycznych. Glów ny nacisk powinien byc polozony na monitoring skladu gatunkowego poszczególnych zbiorowisk, ich rozmieszczenia przestrzennego i ocene kondycji (Shen i inni, 2010). Z uw agi na rozleglosc obszarów lesnych, tradycyjne kartowanie lasu jest trudne i kosztochlonne (Peerbhay i inni, 2013). Z drugiej strony wzrost w iedzy ekologicznej i lesnej oraz wzrost zasobnosci materialnej krajów wysoko rozwinietych, zacheca do przebudowy drzewostanów zgodni e z warunkami siedliskowymi. Pozwala to zachowac bioróznorodnosc, gdyz coraz czesciej las postrzegany jest nie tylko jako obszar gospodarczej uprawy drzew, ale tez jako dom dla zwierzat i siedlisko cennych roslin (Martinez del Castillo i inni 2015). Tradycyjne podejscie do l esnictwa nakazuje w ykonywanie taksacji zasobów lesnych z wykorzystaniem obserwacji terenow ych, powtarzanych co pewien czas, wspartych fot nterpretacja zdjec obszarów lesnych (Martin i inni, 1998; Bergsen i inni, 2015). Takie podejscie do problemu taksacji zasobów lesnych jest czesto drogie, wymaga duzych nakl ów pracy i czasu oraz jest powaznym wyzwaniem organizacyjnym (Peerbhay i inni, 2013). Klasyczne metody okreslani a skl adu gatu kowego sa szybko rozbudowywane o teledetekcje, bazujaca na interakcji miedzy fala elektromagnetyczna a strukturami anatomicznymi, morfologicznymi oraz procesami fizjolog cznymi zachodzacymi w badanych roslinach, dostarczajac unikatow ych informacj i o obiektach. Szczególne miejsce w teledetekcji zajmuje teledetekcja hiperspektralna. J t t o t echnologia rej est ruj aca i przetwarzajaca dane pozysk ane w sposób zdalny w wask ch zakresach widma elek tromagnet ycznego, w co naj mniej 40 ciaglych spektralnych kanalach (Goetz i i nni, 1985). W 1988 roku Miedzynarodowe Towarzyst wo Fotogramet rii i Teledet ek cj (International Society for Phot ogrammet ry and Remot e Sensing – ISPRS) zdefiniowalo teledetekcje i fotogrametrie jako „dzial nauk technicznych zajmujac sie pozyskiwaniem wiarygodnych infor macji o obiekt ach zycznych i ich ot oczeniu droga rej est racj i, pomiaru i int erpret acji obrazów lub ich reprezentacj i cyfr owych, uzyskiwanych dziek i sensor om niebedacym w bezposrednim kontakcie z t ymi obiek tami” (Statut II ISPRS, Lazaridou i Patmios, 2012). Sa to zaawansowane metody, w ymagajace skomplikowanych algorytmów oraz odpowi ednio przygotowanej kadry analitycznej. Jednym z naj trudniejszych obiektów badan sa obszary górskie. Wyni ka to z ograniczonej dostepnosci terenu i mnogosci zachodzacych procesów srodowiskowych (np. w gradienci e wysokosci). Zastosow anie teledetekcji umozliw ia pozyskanie danych z rozleglych terenów w krótkim czasie wedlug identyczn , powtarzalnej i obiektywnej metody. Prowadzenie badan nad srodowiskiem metodami blizszymi naukom przyrodniczym, jak biol ogia czy lesnictwo, na tak rozleglym obszarze tarcza wielu ciekawych i cennych wyników, ale nie jest w stanie dostarczyc calosciowej wiedzy na temat calego obszaru zainteresowania. Polaczeni e róznych metod badawczych pozwoli uzyskac wiarygodny obraz stanu i zmian zachodzacych na analizowanym obszarze (Brovkina i inni, 2017). Motywacja do podjecia niniejszej pracy byla zwiekszaja a si e dostepnosc nowoczesnych narzedzi oraz danych (czesto bezplatnych), które pozwalaja opracowac metody analizy stanu srodowiska poprzez dokumentowanie zasobów srodow ska i jego dynamicznych zmian. Jako obszar badawczy zostal w ybrany teren Karkonoskiego Parku Narodow ego, który po katastrofalnych wydarzeniach lat osiemdziesiatych XX w. odradza sie zaskakujaco szybko, a znaczna czesc drzewostanu Karkonoszy powaznie wówczas naruszona, jest obecnie bankiem genów do odtwarzania jodly, buka, czy odradzaj o sie swierka, który dotkni ety byl masow ym w ymieraniem (Mazurski, 1986; Jadczyk, 2009). Obszary dotkniete kleska przeszly przez etap odbudowy, w tym sterowanej przez c lowieka (Danielewicz i inni, 2012). Wiazal o sie to z wprowadzaniem nowych gatunków, ale takze odtworzeniem genotypów wlasciwych dla Karkonoszy. Postepy w odtworz iu lasów Karkonoszy wynikaja z aktywnych dzialan realizowanych przez Karkonoski Park Narodow y . W koncu XX w. pojawil sie w Europie dostep do lotniczy danych hiperspektralnych, które rejestruja widmo w dziesiatkach, a nawet setkach waskich zakresów spektralnych. Umozliwily one prowadzenie na niespotykana wczesniej s ale szczególowych analiz srodowiska i kartow anie go w duzych skalach z duza powtarzalnoscia (Mueller i inni, 1998; Feret, Asner, 2013; Brovkina i inni, 2017). Wynikalo t miedzynarodowych projektów badawczych na terenie Europy, np. HySens, HyEurope '99, '03, '04, '05, '07, czy bi ezacej dzi alalnosci European Facility for Airborne Research ( UFAR). Nie bez znaczenia jest takze dzialalnosc EARSeL Special Interest Group (SIG) on Imagi ng Spectroscopy , czy EARSeL SIG on Forestry . Organizacje te przoduja w bad ach nad rozw ojem technik hiperspektralnych oraz zastosowaniem teledetekcji w lesnictwie. W Polsce, po pierwszych eksperymentalnych pracach w latach 2001-2002, zaczynaj byc realizowane projekty koncentrujace sie na wykorzystani u lotniczych danych hiperspektralnych i ze skaningu lidarowego ALS w lesnictw ie (np. BIOCOMES, LIFE+ ForBi ensing PL, HABITars). Oznacza to, ze takze polskie jednostki intensywnie pracuja nad opracowaniem nowych metod i narzedzi do badania lasów. Uzycie ich jest coraz tansze, a skala analiz srodowiska coraz wieksza przy zachowaniu optymalnej rozdzielczosci przestrzennej (wielkosc piksela ponizej 5 metrów) zapisanej w setkach kanalów spektralnych, np. 288 skanera APEX, czy 450 kanalów HySpex. Pozwala to na: opracowanie szczególowych map kondycji analizowanej rosl innosci (Ze’ev i inni, 2006; Jarocins a 2016), kartow anie gatunków inw azyjnych (Rocchini i inni , 2015), klasyfikacje roslinnosci (Oldeland i inni, 2010; Marcinkowska i inni, 2014), badania struktury lasów (S dmeier, Deering 1999), analizy zmian pokrycia terenu (Martinez del Castillo i inni, 2015), zawartosci glównych barwni w i pierwiastków chemicznych w roslinach (Kozhoridze i inni, 2016) czy wielkosci bi asy (Ali i inni, 2015). Wielu z tych zastosowan nie dal o by sie uzyskac tradycyj nymi metodami dla calych parków narodow ych lub duzych kompleksów lesnych. Narzedzia te zaczynaja byc powszechnie wykorzystyw ane w biezacych pracach Bialowieskiego PN, Karkonoskiego PN, czy Tatrzanskiego PN, a takze innych zwartych lasów (np. Puszcza Niepolomicka; Wezyk i inni, 2003), czy kompleksów lesnych Lasów Panstwowych (lasy wokól Milic 2015) równiez w miastach (np. Las Bielanski w Warszawie, 2015). Przyczynia sie to do zrozumienia naturalnych procesów w skalach lokalnych, ale takze pozwala interpolowac uzyskane wyniki na poziom satelitarny, umozliwiajac opracowanie metod i interpretacje wyników na skale calej planety (Lausch i inni, 2016). Dzieki aktual nym i pelnym informacjom m na podejmow ac decyzje korzystnie dla zarzadzania i ochrony srodowiska (na duza, a nawet globalna skale) (Abrams i inni, 2011). Jak juz wspomniano, ostatnie lata przyniosly znaczny rozwój sensorów hiperspektralnych, co pociagnelo za soba coraz szersze w ykorzystanie tego typu danych podczas analiz, takze w Polsce. Dane hiperspektralne powoli przestaja byc drogim eksperymentem, a zaczynaja byc jedna ze skuteczniejszych metod badania srodowiska (Lawley i inni, 2016). Generuje to istotny wzrost i losci zbieranych danych. Zw iekszaja one nasze rozumienie wielu czesto wzajemni e pow iazanych procesów przyrodniczych, ale ich gromadzenie, przetwarzanie i archiwi zowanie staje sie realnym problemem (Herold i i ni, 2016). Jako przyklad moze sl uzyc zobrazow anie APEX Karkonoszy, które w spakowanej postaci zajmuje ponad 1TB pojemnosci dysku twardego. Taka il osc danych nie miesc la sie na standardowych komputerach w czasie, gdy byly wykonywane zobrazowania. Oznacza to, ze konieczne jest opracow anie metod wyboru danych, kompresji i optymaliz ji procedur przetwarzania danych (Adam, Mutanga, 2009; Thenkabail i inni, 2012). Oczywi scie taki stan rzeczy poza nowymi mozliwosciami woju stwarza tez szereg problemów zwiazanych ze zbieraniem, przetwarzaniem i archiwizowaniem ni erzadko bardzo duzych zbiorów danych (obecnie czyms normalnym sa zestawy operacyjnych danych o w ielkosci ponad 2TB). Tak duze pliki danych absorbuj naczne zasoby obliczeniowe i magazynowe, które sa dosyc drogie i nierzadko stanow a znaczna czesc kosztów w projektach badawczych. W zw iazku z mozliwosciami jak e daje teledetekcja, wazne jest opracowanie metod selekcji i optymalizacji przetwarzania danych teledetekcyjnych. Czesto uzywanymi algorytmami wykorzystywanymi do klasy ikacji drzewostanu sa maszyny wektorów nosnych (SVM) , anal iza dyskryminacyjna (DA), Random Forest (RF) oraz algorytm maksymalnego prawdopodobienstwa (Maximum Likelihood – ML, Fassnacht i inni, 2016). Wymienione algorytmy maja szereg dobrze udokumentowanych zalet i wad, natomiast slabo zbadana jest skutecznosc wykorzystania sztucznych sieci neuronowych SSN (Artificial Neural Net – ANN) do klasyfi kacji gatu ków drzew. Sa to nieparametryczne klasyfikatory, wyrózniajace sie sposród innych metod klasyfikacji glównie pod wzgledem mozliw osci anal itycznych oraz aplikacyjnych, dyz odpowiednio wytrenowane sztuczne sieci neuronowe umozliwiaja klasyfikacje innych, nieznanych obszarów niz te, na 5 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html których uczona byla si ec (nawet jezeli obszary testowe znajduja si e w i nnych miejscach sw iata). Po drugie, ze wzgledu na nieparametryczne podejscie do rozwiazania problemu, analiza zbioru nie jest oparta na charakterystykach st ystycznych zestawu danych, co umozliwia poprawna klasyfikacje nawet wtedy gdy kl asyfikowane obiekty sa trudne do rozróznienia na podstawie miar statystycznych. Nalezy spomniec tez, ze SSN nie sa bez w ad – najpowazniej sze to dlugi czas treningu sieci oraz trudnosci z doborem optymalnych parametrów uczenia si eci. Na potrzeby niniejszej pracy skoncentrowano sie na alg ytmach sztucznych sieci neuronowych (SSN), a szczególna uw aga przypadla pakietow i o nazwie „nnet” symulujacemu dzi alanie sztucznej sieci neuronowej (Venables, Ripley 2002). Bazuje ona na powszechnie dostepnym programie R (R Core Team, 2015). Wybrany symulator symuluje perceptron wi elow arstwowy z jedna warstw a ukryta . Zaletami pakietu „nnet” jest latw osc przeprowadzenia analiz oraz procedury treni ngu i klasyfikacji danych. Obecnosc programu w pakiecie R znacznie ulatwia tworzenie wlasnych, komp etnych rozwi azan bazujacych na jednym srodow isku wykonawczym. Wynika to z powszechnej dostepnosci kodów zródlowych opartych o zasady Open Source. Dzieki realizacji projektu EUFAR HyMountEcos w roku 2012 pozyskano bardzo dobrej jakosci obrazy hiperspektralne APEX. Dane z lotniczego skanera APEX sa pierwszym i jedynym do tej pory zobrazowaniem hiperspektral nym, tóre objelo caly teren Karkonoszy (KPN, KRNAP w raz z otulinami). Sensor APEX nalezy do najnowoczesniejszych na swiecie, dostarczajac obrazy w ponad 300 kanalach spek ralnych w zakresie od 400 do 2500 nm. Rozdzi elczosc przestrzenna zalezna jest od wysokosci lotu samol otu, standardowo oscyluje wokól 3-5 m. Na uwage zasluguje duza rozdziel zosc radiometryczna , wynoszaca 14 bitów w zakresie sw iatla widzialnego i bliskiej podczerw ieni i 13 bitów w zakresie dalszej podczerwieni (SWIR, Vreys i inni, 2016). Tak duza rozdzielczosc spektral na (waskie kanaly spektralne o szerokosci 5 nm) pozwalaja na dokonanie szeregu analiz zawartosci nutrientów, substancji budulcowych, wody, c orofilu i barw ników ochronnych, niedajacych sie wykonac na danych wielospektralnych czy ortofotomapie. Lotnicze obrazy APEX stanowia cenny material do identyfikacji drzewostanów, a z drugiej strony jest to istotny material referencyjny do kolejnych zobrazowan i oceny zmian kondycji lasów w nastepnych latach. Reasumujac nalezy stwierdzic, ze lotnicza teledetekcja srodowiska oferuje cenne dane oraz algorytmy umozliw iajace szczególow e rozpoznanie gatunków rosli nnych, a takze ocene ich kondycji. Powszechne w ykorzystanie technologi i hiperspektralnej wymaga jednak optymalizacji procedur przetwarzania obrazów (korekcja obrazów, wybór najbardziej cennych zakresów spektralnych, klasyfikacja oraz ocena dokladnosci pozyskanych materialów wynikowych), ale w efekcie uzyskane dane sa wysokiej rozdzielczosci i moga byc z powodzeniem weryfikowane w edlug tych samych, obiekty nych metod. Stanowi to istote monitori ngu obszarów chronionych, na których prow adzi sie stala kontrole zmian srodowiska. Celowe staje sie opracowanie metod pozyskania, przetw arzania, selekcji, analizy i archiwizacji danych hiperspektralnych. Procedury te dynamicznie sie zmieniaja, w miare rozw oju nowych al gorytmów i metod badawczych, umozli wiajac w ieloczasowe analizy danych oraz prow adzenie monitoringu srodowiska. Idac k metodom nieparametrycznym oraz lotniczym zobrazowaniom hiperspektralnym, które zapewni aja optymalne jakosciow o obrazy do analiz stanu srodowiska, niniejsza praca ma y gl ówne cele: • opracowanie i przetestowanie metod przetwarzania dan ch hiperspektralnych skupiajac sie na metodach selekcji najbardziej informacyjnych kanalów zobrazowania oraz procedurach optymalizacji procesu klasyfikacji, • opracowanie metody klasyfikacji wybranych szesciu gatunków drzew w Karkonoski m Parku Narodowym, wsród których sa: swierk (Picea abies L. Karst), brzoza (Betula pendula Roth), buk (Fagus sylvatica L.), modrzew (Larix decidu Mill), sosna (Pinus sylvestri s L.) i olcha (Alnus Mill), • aplikacyjnym celem pracy jest opracowanie mapy wystepow ania wybranych gatunków drzew Karkonoskiego Parku Narodowego na podstawi e uzyskanej klasyfikacji oraz porównanie jej z obecnym stanem wiedzy na temat skladu gatunkowego KPN. 1. Teledetekcja hiperspektralna Istota teledetekcji jest zdol nosc opisania cech fizycznych i chemicznych obiektu badan bez kontaktu fizycznego. Nosnikiem informacji jest fala elektromagnetyczna lub dzwiekowa (sonary). W teledetekcji wykorzystuje sie oddzialywani promieniowania elektromagnetycznego w róznych dl ugosciach fal z badanymi obiektami; zaczynajac od zakresu swi atla wi dzialnego (VIS) przez bliska (NIR), srednia (SWIR) i ermalna podczerw ien (TIR), a konczac na zakresie radarowym. Wyznaczanie wlasciwosci spektralnych obi ektu, czyli zaleznosci miedzy wlasciwosciami obiektu a i loscia odbitego promieniowania w poszczególnych zakresach widma elektromagnetycznego, pozwala na identyfikacje oraz ocene obiektu (Hunt, 1979; Merzlyak i inni, 2003). Koncepcja teledetekcji hiperspektralnej opiera sie interakcjach promieniowania elektromagnetycznego z obiektami . Interakcje te zaleza od konkretnej dlugosci fali elektromagnetycznej, dlatego szerokosci polówkowe filt stosowanych w teledetekcji hiperspektralnej sa bardzo waskie (kilka nanometrów). Wykorzystujac immanentna wl asciwosc kazdego obiektu na powierzchni Ziemi, jaka jest wspólczynnik odbi cia spektralnego , mozliw e jest opisani e taki ego obiektu krzywa spektralna (Ryc. 1). Padajace na powierzchni e Ziemi promieniowanie elektromagnetyczne pochodzace od Slonca oddzialuje z powierzchnia, na która pada. W zal eznosci od cech fi cznych danej powierzchni promieniowanie elektromagnetyczne o róznej dlugosci fali bedzie przez nia bardziej lub mniej odbijane lub absorbowane. Przeprowadzajac szczególowa analize charakterystyki spektralnej mozna zidentyfikowac w iele cech danego obiektu bez bezposredniego kontaktu. Stosunkowo szybko udalo sie poczyni c znaczne postepy w identyfikacji gleb i mineralów za pomoca danych hiperspektralnych (Goetz, 2009). Wiekszosc mineralów wystepujacych na powierzchni Ziemi ma cechy latwe do identyfikacji w podczerwi eni termalnej 2 um; Vaughan i inni, 2003). Postep badan nad baldachimem roslinnym napotkal wieksz opór, zwiazany glównie z kompleksowoscia takich powierzchni (rosliny, przeswi jaca gleba, skaly) oraz duza zmiennosci a flory. Oddzialywanie promieniowania elektromagnetycznego z powierzchniami zajmowanymi przez roslinnosc generuje mnogosc ni ejedno ych spektralnie pikseli (miksele). Wynika to z procesów zachodzacych w roslinie (absorpcja, odbicie, transmisj a promieniowania elektromagnetycznego). Ludzkie oko jest stanie rejestrowac promieniowanie elektromagnetyczne w zakresie mniej wiecej od 400 do 670 nm (Dowling, 1987); wykorzystujac techniki hiperspektral ne z latwoscia mozna uzyskac informacje na temat interakcji obiektów ze swiatlem z dalszych zakresów wi dma (podczerw ien). Ryc. 1. Porównanie charakterystyk spektralnych pozyskanych z det ekt ora wielospekt r alnego oraz symulacj i char akt er yst yk spek tr alnych 218-kanalowego zobrazowania EnMAP Typowa roslinnosc ma kil ka cech, które odrózniaja ja od reszty obiektów na powierzchni Ziemi. Analizujac krzywa spektralna dla roslinnosci (Ryc. 2) w zakresie pasma wi dzialnego promieniowania elektromagnetycznego mozna yróznic nastepujace cechy: znaczaca absorpcja promi eniow ania w zakresie widzialnym, w tym zwiekszone odbicie w pasmie sw iatla zielonego oraz niskie odbicie spektralne w zakresie promieniowani a niebieskiego i czerwonego (zwiazane z absorbcja swiatla przez chlorofil). W zakresie promieniowania podczerw onego mozna spostrzec nastepujace cechy typowe dla zdrowej roslinnosci: krzywa czerw ieni (red edge) w okolicach 700 nm majaca posredni zwiazek z wigorem roslin, tzw. plaskow yz zieleni (green plateau), na podstaw ie którego mozna w ywnioskowac informacje na temat struktury komórkow ej danej rosli ny oraz jej stanu. Niskie wartosci wspólczynnika odbicia w zakresie 1400–1500, 1900-2000 oraz 2400-2500 nm zwiazane sa z duza zawartosci a wody w rosl inach a 2 piki w zakresie 1600-1800 i 2100-2300 nm odpow iadaj a za zawartosc nutrientów oraz cukrów, np. celuloza i ligniny. Dane hiperspektralne pozw alaja wyznaczyc zakresy promieniowania elektromagnetycznego, które sa powiazane z zawartoscia róznych substancji w roslinie. Ryc. 2. Wplyw czynników na przebieg krzywej odbicia sp ktralnego. Zródlo: Zagajewski i inni, 2009 Na przyklad fale o dlugosci 710 nm mozna wykorzystac od analizy zawartosci chlorofilu (Gitel son, Merzlyak, 1997), a 1720 nm z powodzeniem wykorzystuje sie do analizy zwartosci ligniny i celulozy (Dawson i inni, 1998). Tak krótka analiza cech roslinnosci przybli za ogrom mozliwosci badan wykorzystujacych techniki hiperspektralne w badaniach roslinnosci (Tabela 1). W wiel u przypadkach sa to bardzo w askie zakresy widma, które nie moga byc identyfikow ane innymi metodami niz teledetekcja hiperspektralna. Tabela 1. Wybrane zakresy absorpcji promieniowania elektromagnetycznego przez rosliny (Zagajewski, 2010) Dlugosc f ali (nm) Zast osowanie Zródlo infor macj i 439 analiza absorpcji neoksant yny (ksant ofil) Ruban i nni, 1993 443 analiza absorpcji wiolaksant yny (k santof il) Ruban i inni, 1993 445 analiza absorpcji lut einy (ksant ofil) Ruban i inni 1993 446 analiza absorpcji a-karot enu Ruban i inni, 1993 6 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html 463 analiza absorpcji b-karot enu Ruban i inni, 1993 470 analiza absorpcji k ar ot enoidów ogólem Ruban i inni, 1993 530-630 analiza zawart osci chlorofilu Git elson, Merzlyak, 1997 531 analiza cyklu ksant of ili i procesy absor pcj i ener g pr zez t ylakoidy; naj czesciej st osowane miary t o PRI (Phot ochemical Reflectance I ndex) i LUE (phot osynt hetic L ight Use Ef ficiency) Bar ton, Nort h, 2001 540 analiza zawart osci chlorofilu Git elson, Merzlyak, 7 550 analiza zawart osci chlorofilu, zak res do analiz ch orozy Git elson, Merzlyak, 1997, Adams i inni, 1999 555 nor malizacj a efek tu wplywu at mosf ery oraz analiza AV I (A ngular Veget at ion I ndex) Plummer i inni, 994; Nort h, 2002 570 analiza cyklu ksant of ili (podobnie j ak zak res 531 m); wr azliwy na zawart osc chlorofilu Bart on, Nor t h, 2001; Git elson, Merzlyak, 1997 650 analiza chloroz Adams i inni, 1999 663,2 analiza absorpcj i chlorof ilu a L icht ent haler, We burn, 1983 646,8 analiza absorpcj i chlorof ilu b L icht ent haler, We burn, 1983 670 nor malizacj a efek tu glebowego i analizy AV I, k anal o analiz niewielkich ilosci chlorof ilu Plummer i inni, 1994; North, 2002; Git elson, Mer zlyak , 1997 680 analiza absorpcji chlorofilu Dat t , 2000 695 analiza st resu r oslinnego Plant Stress Index ( 760/695 nm) Cart er, 1994 697-713 analiza konarów dr zew lisciast ych Cochrane, 2002 680 analiza zawart osci chlorofilu Dat t , 1999 690 analiza zawart osci chlorofilu Git elson, Merzlyak, 7 696-733 analiza drzew lisciast ych Cochrane, 2000 700 analiza zawart osci chlorofilu Git elson, Merzlyak, 7 703, 704 analiza st resu r oslin (r ed edge inf lect ion) S aw i inni, 1998; Dat t , 1999 710 analiza zawart osci chlorofilu Git elson, Merzlyak, 7 719 analiza st resu r oslin (r ed edge inf lect ion) Shaw i inni, 1998 750, 754 analiza st resu r oslin (r ed edge inf lect ion) D , 1999 760/695 analiza stresu roslin Plant St ress I ndex Cart er, 1994 842-950 analiza drzew lisciast ych Cochrane, 2001 850 analiza zawart osci chlorofilu Dat t , 1999 870 nor malizacj a efek tu glebowego, AVI anal iza Plummer i inni, 1994; Nort h, 2002 900 analiza t ur gor u roslin (zawar t osc wody) Fourt y, Ba t , 1998 970 analiza absorpcji wody w lisciach Aldak heel, Danson, 1997 1240 analiza turgoru roslin iglast ych Dawson i inni, 1998 1380 analiza turgoru roslin (zawar tosc wody) Fourt y, B et , 1998 1450 analiza absor pcji wody w lisciach A ldakheel, Dans , 1997 Dlugosc f ali (nm) Zast osowanie Zródlo infor macj i 1510 analiza absor pcji bialek i zwiazków azot u w dr zew ch iglastych Dawson i inni, 1998 1630 nor malizacj a fr akcj i absor bowanej ener gii z zak resu f otosynt ezy (f APA R) Plummer i inni, 1994; Nor t h, 2002 1650-1850 analiza zawart osci wody w zbozach (pszenicy) Ti an i i nni, 2001 1720 analiza zawar tosci ligniny i celulozy Dawson i in i, 1998 1730 analiza suchych lisci, absorpcj a weglowodor ów Dat 2000; Hoerig i inni, 2001 1870 analiza zawar tosci suchej masy Fourt y, Baret , 1998 1910 analiza turgoru roslin (zawar tosc wody) Fourt y, B et , 1998 2160 analiza zawar tosci suchej masy Fourt y, Baret , 1998 2180 analiza absor pcji bialek i zwiazków azot u Dawson i inni, 1998 2310 analiza suchych lisci, absorpcj a weglowodor ów H oer ig i inni, 2001; Fourt y, Baret , 1998 Pierwsze lotnicze zastosow ania teledetekcji hiperspekt nej wiaza sie ze skanerem profilujacym GERS, skonstruowanym na poczatku lat 1980., który dokonywal pomiaru wspólczynnika odbicia w zakresie od 400 do 2500 nm w 6 kanalach spektralnych. Dopiero w 1987 roku udalo sie zbudowac obrazujacy skaner lotni zy (Airborne Imaging Spectrometer – AIS 1) mierzacy w tym samym zakresi e widma i obrazujacy w 128 kanalach spektralnych (Goetz, 2009). Pierwsze eksperymenty z obrazami hi perspektralnymi w Europie mialy miejsce w DLR Oberpfaffenhofen (Niemcy) pod koniec lat 1990. i wiazaly sie one glów nie z sensorem DAIS 7915 (Mueller i inni, 1998). Gwaltowny rozwój technik komputerowych oraz procesu mi iaturyzacji elementów optoelektronicznych spowodow al pojawienie sie wiekszej liczby sensorów teledetekcyjnych operujacych na trzech poziomach: satelitarnym, lotnicz m i terenowym. Obecnie dzial a znaczna liczba sensorów satelitarnych, z których czesc oferuje swoje dane nieodplatnie. Dane pochodzace z sensorów lotniczych staja sie ogólni dostepne, glównie ze w zgledu na rosnaca liczbe sensorów lotniczych oraz stosow anie samolotów typu UAS , na których instaluje sie skanery hiperspektralne, np. norweski Hy pex (w najblizszych miesiacach ma byc dostepna wersja skanera z zakresu SWIR przeznaczona dla UAS). Wykorzystanie teledetekcji hiperspektralnej w badaniac stanu oraz ocenie roslinnosci prowadzone sa od poczatku powstania tej dziedziny, czyli od lat 1980. (Vane, Goetz, 1988; Hope i inni, 1993; Kokaly i inni , 2003). Badania hiperspektralne prowadzi sie takze w lasach, wykorzystujac dane pozyskane w terenie np. z przenosnych kamer hiperspektralnych oraz spektrometrów terenowych, a nastepnie przenosi si uzyskane wyniki na poziom lotniczy czy satelitarny (np. Hyperion). Przykladem takich badan jest ocena spektralnej zmiennosci krzyw ych spektralnych dla szesciu gatunków drzew (Pinus taeda, Pinus vi rginiana, Pinus echinata, Quercus coccinea, Quercus alba, Liriodendron tulipifera; Aardt , Wynne, 2001). Badania potw ierdzily mozliwosc klasyfika ji gatunków drzewiastych na poziomie dokladnosci 62-99% wzgledem badan terenowych. Próba klasyfikacji na symulowanych danych Landsat dala niska dokladnosc, pot ierdzajac potrzebe wykorzystania danych o w yzszej rozdzielczosci spektralnej , gdyz najwieksze róznice spektralne miedzy gatunkami drzew wystepuja w zakresi e 350-1850 nm (Aardt, Wynne, 2001). Dane z hiperspektralnych sensorów AVIRIS oraz Hyperion wykazaly przydatnosc obrazów hiperspektralnych do oceny zawartosci azotu w koronach drzew, blad pomiarowy w yniósl od 7 do 15% dla danych AVIRIS oraz 7 do 47% dla danych satelitarnych o pikselu 30 m (Hyperi on) w porównaniu z pomiarem laboratoryjnym sredniej zawartosci azotu w slinach (Martin i inni, 2008). Teledetekcja hiperspektralna zostala tez z powodzeniem uzyta do pomiaru nie tylko zawartosci barwników fotosyntetycznie czynnych, ale równiez wybranych substancji budulcowych roslin (wegiel, azot, potas, fosfor, wapn, magnez, cynk, mangan, bor, zelazo; Asner i inni, 2011). Wykorzystujac naziemne pomiary hi spektralne ponad 6000 koron drzew tropikalnych uzyskano wysokie korelacje zawartosci pigmentów i chlorofilu w roslinach (R2 > 0,68) uzyskanych na podstawie pomiarów spektrometrycznych z laboratoryjnymi pomiarami biometrycznymi. Korelacje zawartosci pierw iastków chemi cznych z pomiarami spektrometrycznymi dla potasu, wegla, wapnia, azotu i fosforu wyniosly ponad R2 > 0,50. Stw ierdzono duza uzytecznosc zakresu do 400 do 2500 nm w badaniu chemizmu roslin (Asner i inni, 2011). Poza dostarczani informacji na temat zawartosci pigmentów w roslinach, tel edetekcja potw ierdzila tez swoja przydatnosc w kartowaniu gatunków inw azyjnych. Wykorzystujac dane z lotniczego anera hiperspektralnego Carnegie Airborne Observatory (CAO) z sukcesem zidentyfikowano obszary wystepow ania Psidium cattleianum na obszarze Wao Kele O Puna Forest Reserve na Hawaj ach (Barbosa i inni , 2016). Wykorzystano zmodyfikowany al gorytm SVM, a jednym z problemów napotkanych w pracy bylo poprawne zidentyfikowanie szu anego gatunku w bogatym gatunkowo lesie. Uzyskane wyniki porównano z pomiarami terenowymi uzyskujac wysokie korelacje (R2 > 0,83). Do niedawna, w Polsce dostepnosc danych hiperspektraln ch byla limitowana niewielka iloscia sprzetu, jaka posiadaly jednostki naukowe. Poczatek prac badawczych wykorzystujacych zobrazowania hiperspektralne w Polsce, wiaze sie ze zobrazowaniem AISA , na podstawie którego zbadano zawartosci pigmentów w aparacie asymi lacyjnym 7 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html sosen Puszczy Niepolomickiej (Wezyk i inni, 2003). Wyk ane zobrazow anie mialo 34 kanaly spektralne o rozdzielczosci przestrzennej wynoszacej 1 metr. Na podstawie przeprowadzonych badan terenowych stwierdzono wysoki s ien korelacji zawartosci chlorofilu a wskaznikami PSRI i PRI . Poza mozliwosci a oceny ogólnej kondycj i czy dostarczenia informacji na temat zmi ennych biofizyczny h roslinnosci, teledetekcja hi perspektralna byla tez czesto wykorzystywana do identyfikacji i kartowania zbiorowisk roslinnych (Zagaj ewski, 2010). Lotnicze dane z sensora DAIS 7915 pozwolily odróznic 42 klasy pokrycia terenu, identyfikuj ac miedzy innymi rzadki e i cenne zbiorowiska niel esne na obszarze Tatr Wysokich . Do tego celu w ykorzystane staly klasyfikatory SAM i sztuczne sieci neuronowe (SNNS ). Uzyskane wyni ki wykazaly przydatnosc zestawów skladajacych sie z 20 kanal ów skompresowanych (MNF) i 40 wybranych kanalów spektralnych. Dokladnosci producenta klasyfikacji oscylowaly odpowiednio wokól 74 i 84%, natomiast dokladnosci uzytkownika wynosily powyzej 63 i 67%. Anali zowano takze w plyw wykorzystania róznych zestawów danych, liczby pi kseli treningowych oraz algorytmów na koncowy wyni k (Zagajewski, 2010). 1.1. Procedury korekcji obrazów hiperspektral nych Dane pozyskane w trakcie nalotu, zw ane tez danymi surowymi, wymagaja przeprowadzenia kilku procedur przed ich wykorzystaniem w pracach badawczych. Pierw sza czynnoscia jest korekcja geometryczna, czyl i przetransformowanie ych pozyskanych w ukladzie wspólrzednych sensora na uklad w spólrzednyc geograficznych. Dzieki jednoczesnemu zbieraniu danych spektral nych i informacji dotyczacej polozenia sensora w przestrzeni (za pomoca róznicowego odbiornika DGPS z ntegrowanego z sensorem) oraz wychylen samolotu plaszczyznach ? , f , ? rejestrowanych przez inercyj ny system naw igacji (Inertial Navigation System – INS) mozliwe j t przypisanie kazdemu pikselow i zobrazowania wspólrzednych geograficznych (Schläpfer, Ri chter, 2002; Schläpfer i inni, 2012). Zebrane dane musza zostac poddane procesowi ortorektyfikacji, aby zniwelowac w plyw róznych katów widzenia sensora oraz ruchów platformy zbierajacej dane na obraz wynikow y (Zhang i inni, 2016). Dodatkowo w tym procesie wszelkie zniek tal cenia obrazu (sygnalu) wynikajace z niestabilnosci pl atformy zbierajacej dane (samolot) oraz efekty wywolane rzezba terenu zostaja zmi nimalizow ane (Schläpfer i inni, 1998). Kolejnym krokiem jest przeprowadzanie kalibracji radiometrycznej zobrazow ania, która polega na przeliczeniu wartosci pozyskanych podczas nalotu (Digital Number – DN) na radiancje (ilosc energii doci erajacej do sensora; Schaepman i inni, 2015). Dodatkowo korekcja radiometryczna pozwala na usuniecie z obrazów efektów wynikajacych z w lasciwosci sensora (spectral-smile, dark-current) bazujac na kalibracji sensora w laboratorium (Sterckx i inni, 2015). Ostatni m krokiem podczas przetwarzania danych hi perspektralnych jest wykonanie korekcji atmosferycznej. Zebrane przez sensor dane zawieraja nie tylko sygnal odbity od powierzchni ziemi, ale takze pochodzacy z rozpraszani a sw iatla w atmosferze czy odbitego od chmur i innych obiektów. Obecnie stosuje sie dwa podej scia d korekcji atmosferycznej: (a) podejscie empiryczne bazujace na danej scenie, (b) dejscie oparte na modelach transferu promieniowania w atmosferze (Radiative Transfer Models – RTMs). Z reguly stosowanie podejscia opartego na modelu transferu prom eniowania w atmosferze jest trudniejsze, ale daje lepsze efekty (Gao i inni, 2009). Zadaniem korekcji atmosferycznej jest przeliczenie danych o radiancji uzyskanych podczas nalotu na wspólczynnik odbicia. Korekcja atmosferyczna polega na usunieciu wplywu w arstwy atmosfery (glównie efektów rozpraszania wynikajacych z obecnosci w atmosferze czasteczek tlenu pary wodnej, dwutlenku wegla oraz miejscowo wystepujacych koncentracji aerozoli i pylów) znajdujacej sie miedzy sensorem a powierzchnia terenu na wartosci wspólczynni a odbicia dla poszczególnych pikseli zobrazowania (Streckx i inni, 2015). Dzieki tej czynnosci mozna zmierzyc wspólczynnik odbicia spektralnego danej powierzchni bez potrzeby kompensowani a uzyskanych pomiarów o stan atmosfery nad dana powierzchnia. Prawidlowo wykonana korekcj a pozwal a pozyskiwanie z poziomu lotniczego charakterystyk spektralnych obarczonych niewielkim bledem i porównywalnych z pomiarem naziemnym (Ri chter, Schläpfer, 2002). 1.2. Procedury przetw arzania danych hiperspektralnych Jedna z pierw szych czynnosci przeprowadzona po wykonan u korekcji zebranych danych teledetekcyjnych jest wyznaczenie zbioru danych, na których zostana wykonane analizy. Dane hi perspektralne cechuja si e setkami kanalów spekt nych, a co za tym idzie takze duzym rozmiarem (rozumianym jako zajete miejsce na twardym dysku komputera) oraz dlugim czasem przetw arzania. Ponadto ze wzgledu na duz rozdzielczosc spektralna (liczba kanalów ), sasiadujace ze soba kanaly spektralne sa ze soba skorelowane (Thenkenbai l i inni, 2004). Czesc algorytmów klasyfikujacych moze zos dotknieta tzw. „klatwa wielowymiarow osci” (Hughes, 1968). Objawia sie ona spadkiem dokladnosci klasyfikacji w raz dlatego czestym rozwiazaniem jest zmniejszenie tej liczby dbaj ac o to by nie zanizac wyników. Dzieje sie to na dr odze ze wzrostem liczby klasyfikowanych kanalów zobrazowani wyboru najbardziej informacyjnych kanalów lub tez kompresji danych. Sa dwie metody selekcj i danych: (a) manualna – wizualne przegladanie poszczególnych kanalów, (b) automatyczna, która redukuje przestrzen spektralna baz j ac na cechach statystycznych obrazu (Feilhauer i inni, 2015). Obliczenie nowego zestawu danych wejsciow ych odbywa si e na podstawie algorytmów redukujacych liczbe kanalów obrazu, np. Minimum Noise Fracti on (MNF ), Principal Component Anal ysis (PCA). Szczególnie popularne sa metody PCA i MNF ze wzgledu na jakosc uzyskiwanych wyników oraz z aczna redukcje ilosci uzytych danych (Zabalza i inni, 2014; Fassnacht i inni, 2016). Przykladowo, wybór od 20 do 40 kanalów po transformacji MNF pozwala uzyskac wyniki ty ko o kilka procent gorsze niz pelny zestaw danych spektralnych (Zagajewski, 2010), czyli redukcja oryginalnego zest awu danych o 60-80% daje wyniki podobne jak pel ny zestaw (Ghosh i inni, 2014). 1.3. Klasyfikacja obrazów teledetekcyjnych Klasyfikacja jest definiowana przez Slownik Jezyka Pol kiego (1978) jako „systematyczny podzial róznych przedmiotów lub zjawisk na klasy, dzialy, poddzialy itp. wedlug okreslonej zasady; zaklasyfikow anie danego przedmiotu ub zjawiska do odpowiedniego dzialu, grupy”. W teledetekcji klasyfikacja oznacza przypisanie „klas” do poszczególnych pikseli zobrazowania. Klasy moga zawierac bardzo ogóln formy pokrycia terenu (np.: las, zabudowania) lub dotyczyc wasko zdefiniowanych obiektów (gatunek drzewa, siedlisko). Proces klasyfikacji obrazu wymaga przeprow adzenia nastepujacych kroków (Mather, Koch, 2011): • w yznaczenie klas, które maja byc sklasyfikow ane na o ie (identyfikacja), • przypisanie kazdemu pikselowi obrazu w artosci danej klasy, bazujac na wlasciwosciach pikseli i uzywajac do tego klasyfikatora lub al gorytmu decyzyjnego. Klasyfikacja moze byc wykonana na dwa sposoby. Pierwsz m jest automatyczne podziel enie pikseli obrazu na grupy, przy uzyciu tylko cech obrazu, bez przedstawiania algorytmowi klasyfikujacemu w zorców klas, które chcemy yróznic. Jest to klasyfikacja nienadzorowana (Mohri i inni, 2012). Drugim sposobem jest wykorzystanie algorytmu klasyfikujacego, któremu przedstawione zostana wzorce las, które maj a zostac w yróznione na obrazie. Klasyfikator nastepnie przypisuje piksele obrazu do odpowiednej klasy biorac pod uwage wlasciw osci wzorców – metode te nazyw Proces klasyfikacji wymaga dostarczenia zasad/regul, w ie klasyfikacja nadzorowana (Mohri i inni, 2012). ug których poszczególne piksel e sa przypisywane do wyróznianych klas. W przypadku przetwarzania danych metodami cyfrowymi, zwykle zestaw zasad klasyfikacyjnych zostaj zapisany w postaci algorytmu klasyfi kacyjnego (klasyfikatora). Algorytmy klasyfikujace dzielone sa na parametryczne i nieparametryczne. Algorytmy parametryczne oparte sa na statystycznych charakterystykach danych uzytych do treningu klasyfikatora. Takie algorytmy bazuja na statystycznym prawdopodobienstwie rozkladu wzorców dla danej klasy (Yugal, Sahoo, 2012) na przyklad algorytmy oparte na drzewach decyzyjnych (Decision Tree – DT). Algorytmy nieparametryczne nie opieraja sie na charakterystykach tatystycznych danych treningowych, wykorzystujac inne metody do wydzi elenia klas (np. regresja, sztuczne sieci neuronow e; Yugal, Sahoo, 2012). 1.4. Ocena dokladnosci klasyfikacji Ocena dokladnosci klasyfikacji ma za zadanie zweryfikowani e uzyskanych wyników. Jest to jeden z wazniejszych etapów pracy, pozwalajacy na ocene prawidlowosci wyników. Podstawowym elementem oceny klasyfikacji poszczególnyc obiektów jest macierz bledów, w postaci tabel i krzyzow ej wyników klasyfi kacji oraz danych weryfikacyjnych. Klasy przypisane do pikseli sklasyfikowanego obrazu porównuj sie z zestaw em danych weryfikacyjnych na podstawie których sprawdzona zostaje zgodnosc wyników kl asyfikacji ze stanem faktycznym (Campbell, 1996; Foody, 2002). Ocena dokladnosci polega na obliczeniu ogólnej dokladn ci klasyfikacji (overall accuracy), dokladnosci producenta (producer accuracy) i uzytkow nika (user accuracy) dla kazdej klasy oraz powszechni e wykorzystywanego wspólczynni ka appa (Cohen, 1960): • dokladnosc calkowita (ogólna) – stosunek liczby poprawnie sklasyfikowanych pikseli w zgledem wszystkich pikseli wzorcowych wydzielonych dla kazdej z k las, • dokladnosc pr oducent a – stosunek poprawnie sklasyfikowanych pi kseli danej kl • dokladnosc uzytkownika – stosunek pikseli wlasci wie do wszystkich pikseli w zestawie testowym dl a tej klasy, lasyfikowanych w danej klasie do wszystkich pikseli zaklasyfikow anych do tej kategorii, • w spól czynnik kappa – pokazuje stopien podobienstwa w konanej klasyfikacji w porównaniu z klasyfikacja realizowana przypadkowo. W osc 0 oznacza pelne natomiast 1 brak podobienstwa (Cohen, 1960). Wartosci kappa wi eksze od 0,75 sa uznawane za dow ód w y onania dobrej klasyfi kacji (Montserud, Leamans, 1992). Dokladnosc producenta bywa tez nazywana bledem 8 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html niedoszacowania, a dokladnosc uzytkownika – bledem przeszacow ania (Mather, Koch, 2011). Proces oceny dokladnosci jest mocno zwiazany z wyborem w zorców do uczenia klasyfikatora i weryfikacji w yniku. W trakcie tego procesu badacz dzieli zebrane wzorce na dwie grupy: do uczenia i weryfikacji. Oba zestawy musza byc niezalezne. Zestaw do uczeni a klasyfikatora sluzy wytrenowaniu klasyfikatora, który wykonuje kl asyfikacje zobrazowania. Poprawnosc otrzymanego wyniku oceniana jest wedlug zes u w eryfi kacyjnego. Takiego typu podejscie do weryfikacji wyniku jest standardem w teledetekcji oraz innych naukach wykorzystujacych zaawansowane algorytmy klasyfikacji ( czenie maszynowe, informatyka, biologia, itp.). Opisane pow yzej podejscie, mimo ze szeroko uzyw ane, obarczone jest pewnymi wadami (Foody, 2002), takimi jak problemy wyni ajace z uzycia macierzy bledów (brak odniesienia do przestrzennej zgodnosci wyniku z rzeczywistym stanem), bledy przy rej estracji obrazu oraz przy wykonywaniu pomiarów erenowych, czy nieodpowiednia strategia doboru poligonów pomiarowych. Kolejna wada to fakt, ze badacz dobiera wzorce do uczeni a i w eryfi kacji kierujac sie wlasna op nia. Moze to wprow adzic pewnego rodzaju stronniczosc do wyniku oraz zanizyc lub zawyzyc otrzymane miary dokladnosci. Wazne jest tez, ze klasyfikacje nadzorowane sa wrazliw na zestaw danych uzyty do ich uczenia (Ghosh i inni, 2014). Dokladnosci klasyfikacji beda sie zmi en aly w zaleznosci od danych, które zostana przedstawione klasyfikatorowi oraz uzyte do weryfikacj i wyniku. Kolejna wada jest jednorazowy proces klasyfikacji i weryfikacji wyn ku, który nie potrafi odpowiedziec na pytanie jak zmienialby sie miary dokladnosci, gdyby zestaw do uczenia i w eryfikacji zostal dobrany inaczej (np. przez innego badacza). Jednym ze sposobów rozwiazania powyzszych problemów jest wykorzystanie technik opartych na metodzie Monte Carlo (Braga-Neto, Dougherty, 2004; Khatami i inni, 2017) lu k-krotny sprawdzian krzyzowy (k-fold cross valdiation, Baldeck i inni, 2015). Z reguly takie techni ki polegaja na wi elokrotnym powtórzeniu klasyfikacji, przy zmienianym za kazdym razem zestawie do testów i weryfikacji oraz obserwacji zmian w wynikach. Dzieki zastosowaniu takiego podejscia oraz wlaczaniu do niego losowego dobierania zorców do zestaw u do uczenia i weryfikacji, mozna zredukowac w plyw badacza na wyniki oraz zaobserwow ac efekty, których klasycznie przeprowadzona ocena dokladnosci ni ykryje. Otwarta kwestia zostaje równiez stosunek liczby wzorców uzytych do uczenia i weryfikacji. W przypadku k-krotnego sprawdzianu krzy owego nie istnieje uniwersalnie optymalne k, przy którym wynik nie bylby zawyzony lub zanizony (Bengio, Grandvalet, 2004). W literaturze mozna spotkac podejscia, w któryc (a) uzyto 2/3 danych do treningu i 1/3 do testu (Graves i inni, 2016), (b) autorzy sami ybrali liczebnosci wzorców w zestawie treningowym oraz z góry okreslona liczbe w szystkich pikseli testowych (Tagliabue i inni, 2014), (c) czy tez rozwiazania bazujace na wybrani u 1/5 wszystkich w zorców jako zestaw testowy (Baldeck i inni, 2015). Wiekszosci nowszych prac stosuje sie metode wi elokrotnego powtórzenia treningu i weryfikacji podcz oceny dokladnosci wyniku, tak aby lepiej ocenic jakosc wyniku (Kim, 2009; Cho i inni, 2012; Alonzo i i nni, 2013, Fassnacht i inni, 2014). Koncepcja ta bedzie wykorzystana w niniejszej pracy, by uniknac tendencyjnej oceny dokladnosci. Wynika to bezposrednio z przyjetego stosunku wzorców w zestawie do uczenia i weryfikacji (Foody, 2002). Prace, w których zestaw do uczenia jest wielokrotnie w iekszy niz zestaw do weryfikacji sa narazone na zawyzanie otrzymanych wyników. Jest to spowodowane niewystarczajacym rozmiarem zestaw u do weryfikacji oraz faktem, ze zestaw do weryfikacji moze nie byc w stanie odpowi ednio przetestowac klasyfikatora. Dodatkowo taki zestaw weryfikacyjny naraza nasz model a duza wariancje wyników w przypadku wykorzystania metod Monte Carlo (Hastie i inni, 2009). Z drugiej strony, jezeli zestaw do weryfikacji jest znacznie wiekszy ni z zestaw do uczenia istnieje ryzyko nieswiadomego zanizania wyników. Klasyfikatory zwykle dzialaja z zalozeniem, ze zestaw treningowy jest reprezentatywny dla badanej populacji. asyfikator w ytrenowany na stosunkowo malej liczbie wzorców moze nie byc w stanie objac wariancji, jaka wystepuje w klasach, które chcemy klasyfikowac. Wymienione powyzej zjawiska bardzo wyraznie dotykaja analizy oparte na niew ielkiej li czbie wzorców i staja sie mniej w idoczne przy wi ekszych zestaw ach wzorców. Wykorzystanie procedury oceny dokladnosci opartej na metodach Monte Carl o (iteracyjna ocena dokl adnosci) pozwala na spostrzezenie, czy takie zjawisko wystepuje w naszym zestawie danych oraz pozwala ocenic jak duzy wplyw ma ono na koncowy wynik. Mimo wykorzystania metod opartych o wielokrotny podzial wzorców, wyni ki maja tendencje do bycia zanizonymi (Ef , 1979). Pew nym usprawnieniem redukujacym ten efekt jest metoda 0,632 Estimate (Efron, 1983). Zaklada ona, ze w kazdej iteracji 63,2% losow o wybranych unikatowych w zorców zostaje uzyte jako zestaw do treningu klasyfikatora, natomiast pozostale 36,8% wzorców do zweryfikow ania wyniku (Efron, 1983; Fassnacht i inni, 2014). Metoda ta zostala wykorzystana w nizej prezentowanych badaniach. 1.5. Procedury wyboru danych w ykorzystanych w klasyfik ji Ze wzgledu na duza rozdzielczosc spektralna rejestrowanych danych hi erspektralnych (200-500 kanalów), do dalszych analiz nalezy wybrac tylko najbardziej wartosciowe informacje (Thenkabail i inni, 2004). Niektórzy autorz rekomenduja redukcje liczby uzywanych danych (Hughes, 1968; Fassnacht i inni, 2014; Ghosh i inni, 2014). Wiaze sie to z potrzeba w yboru naj lepszych kanalów zobrazowania. Procedura wyboru kanalów ma za zadanie uzyskanie w ysokiej dokladnosci klasyfikacji przy jednoczesnie maksymalnej redukcji liczby kanalów spektralnych. W literaturze mozna spotkac sie z dwoma podejsciami do rozwiazania powyzszego problemu: (a) wyznaczenie mni ejszego zastawu kanalów spektralnych lepiej oddajacego charakterystyke klasyfi owanych klas lub (b) obl iczenie nowego zestawu danych w ejsciowych, przy uzyciu algorytmów redukujacych liczbe kanalów obrazu (MNF, PCA, itd.). Pierwsza metoda jest ez niektórych oceniana, jako dostarczajaca wyniki o mniejszej dokladnosci niz przeksztalcenia wykonane na kanalach MNF (Fassnacht i inni, 2016). Wada tej metody jest wrazliwosc algoryt ów PCA i MNF na prezentowane dane, która sprawia ze wnioski oraz wartosci wni esione przez nie do przetwarzania danych sa zalezne od zestaw u danych. Ponadto algorytmy ypu MNF czy PCA transformuja obraz do innej przestrzeni (ze spektral nej do nowej przestrzeni obserwacji), co powoduje ze trudno jest interpretowac znaczeni e poszczególnych alów po transformacji oraz przelozyc uzyskane wnioski na inne badania. Drugie podejscie polegajace na wyborze naj lepszych kanalów spektralnych pozbaw ione jest tych ad, ale w ymaga zastosowania algorytmu wyboru kanalów. Do tych metod mozna zaliczyc manualna selekcje kanalów, wykorzystanie algorytmu Random Forest, metody analizy resji (stepwise regresion), algorytm genetyczny i inne (Feil hauer i inni, 2015; Fassnacht i inni, 2016). Lee i inni (2016) wykazali przydatnosc metody PCA, wskazujac jednoczesni ze potrzeba przynaj mniej 12 kanalów PCA, aby osiagnac satysfakcjonujace rezultaty. Liczba wykorzystanych kanal ów po transformacji j est zalezna od zastosow ania (Lee i i ni, 2016). Pewna kontrowersja jest liczba uzytych w klasyfikacji kanalów spektral nych lub kanalów po transformacji MNF. Fassnacht i inni (2014) stw ierdzili, ze klasyfikacja dla zestaw u danych po transformacji MNF, przy porównaniu do identycznej liczby oryginalnych kanalów spektralnych, daje wyzsza dokladnosc. Ghosh i i nni (2014) sugeruja wykorzystanie 25 kanalów po transformacji MNF jako optymalnego zestawu klasyfikacyjnego do identyfikacji drzewostanów. Natomi ast Mas i Flores (2008) zalecaja uzycie przynajmniej 40 orygin nych kanalów, co zdaje sie miec wiecej sensu dla danych spektralnych, niz dla danych po transformacji PCA czy MNF. Kwestia optymalnego wyznaczenia liczby kanalów i metod ich w yboru badz transformacj i pozostaj e istotna, poniewaz liczba uzytych kanalów podczas przetw arzania danych ma znaczacy wplyw na czas przetwarzania oraz zapotrzebowania na zasoby obliczeniowe. Zastosowana w niniejszej pracy metoda w yboru danych jest pewnego rodzaju hybryda powyzszych metod – zamiast uzywac kanaly po transformacji PCA, autor wykorzystal inna wl asciwosc PCA do oceny przydatnosci danego kanalu spektralnego. Bazujac na dotychczasowych pracach (Thenkabail i inni, 2012; Sommer i inni, 2015) oceniono informacyjnosc danego kanalu spektralnego w kazdej skladowej glównej CA poprzez anal ize magnitudy wartosci czynników, która mozna interpretowac jako korelacje pomiedzy poszczególnymi kanalami spektralnymi a danym czynnikiem glównym. W ten sposób przypisano kazdemu kanalowi spektralnemu w artosc, która pozwala na ocene istotnosci danego kanalu wspólczynnik uzytecznosci kanalu (band l oading, eigenvalue). Wyzsze wartosci oznaczaja bardziej istotne kanal y spektral ne, niosace wi ecej przydatnej informacji. Uzycie powyzszej procedury pozwala na posortowanie kanalów sp ralnych zobrazow ania w kolejnosci udzialu poszczególnych kanalów spektralny h w kanalach PCA. Metoda PCA sprawdzila sie jako narzedzie do wybrania najlepszych kanalów zobrazowania, co wymiernie zwiekszylo dokladnosc kl asyfikacji wykonanej ztucznymi sieciami neuronowymi (Pu, 2009). 1.6. Lotnicze obrazy hiperspektralne APEX Na Uniwersytecie w Zurichu rozpoczeto prace planistycz e nad przygotowaniem nowego sensora hiperspektralnego w roku 1993. Zaowocowalo to przyznaniem grantu na konstrukcje i wdrozenie skanera w 1995 roku. Sensor zostal zbudowany przez konsorcjum szwajcarsko-belgijskie w ramach programu ESA-PRODEX . Prace konstrukcyjne i badaw cze trwaly do 2008 roku, kiedy to gotowy sensor wszedl w faze kalibracyjna (Itten i inni, 2008). Sensor APEX jest aktywnie uzywany od 2009 roku; rejestruje w zakresie od 380 do 2500nm w maksymalnie 534 kanalach spektralnych (Tabela 2). APEX jest urzadzeniem zbudowanym z dwóch detektorów, przystosow anych do zbierania charakterystyk spektralnych w zakresie widzialnym i bliskiej podczerwieni (VNIR) oraz sredniej podczerwieni (SWIR). Tabela 2. Charakterystyki skanera APEX (za Popp i inni 2012) VNIR SWIR Zakres spektralny 380,0- 971,7 nm 941,2-2501,5 nm L iczba k analów spekt ralnych do 334 198 9 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html Szerokosc polówkowa filtra 0,6-6,3 nm 6,2-11 nm Pole widzenia (FOV) 28° Instantaneous Field of View ( I FOV ) 0,028° ( ˜ 0,5 mr ad) Rozdzielczosc przestrzenna 2,5 m @ 5000 AGL Celem budow y skanera APEX jest testowanie róznych rozw azan technicznych i opracowanie algorytmów dla planowanych sensorów satelitarnych, takich jak Sentinel 2 i 3 oraz EnMAP (D ' Odorico i inni, 2010). 1.7. Klasyfikacja drzewostanów na podstawie obrazów hi pektralnych Jednym z pierwszych zespolów badawczych zajmujacych si oblematyka klasyfikacji drzewostanu za pomoca danych hiperpsektralnych byl zespól z USGS pod kierow nictwem R.F. Kokaly (2003). Badacze wykorzystali dane pochodzace z sensora AVIRIS do klasyfikacji osmiu typów roslinnosci w lesie, wsród których znalazly sie gatunki drzewi aste: swierk (Picea engelmannii), dw a gatunki sosny (Pinus c torta, Pinus albicaulis), jodla (Abies lasiocarpa), daglezja (Pseudotsuga menziesii) i topola (Populus grandidentata). Do klasyfikacji wykorzystano system TERTACORDER dzialajac na zasadzie systemu ekspercki ego, któremu przedstawia sie biblioteke spektralna zawierajaca krzywe spektralne dla klasyfikowanych klas. Wynikowe obrazy klasyfikacyj ne m aly dokladnosc ogólna na poziomie 74,1% oraz wspólczynnik kappa rów ny 0,62. Warto zauw azyc, ze autorzy jako dane weryfikacyjne wykorzystal i wyniki fotointerpretacji z roku, majacej na celu klasyfikacje róznych typów pokrycia terenu w parku Yellowstone. Autorzy zwrócili uwage na duza zmiennosc spektralna w zakresie od 700 do 1300 nm dla osny (Pinus contorta) w iazana glównie z róznicami wieku miedzy drzewami wzorcowymi. Badanie wykonane przez G. Shen wskazalo na zalety wykorzystania kl asyfikatora SA do klasyfikacji roslinnosci (Shen i inni, 2010). Badacze podkresli li umiejetnosc klasyfi atora SAM do poprawnego rozpoznawania klas poprzez wystepowanie charakterystycznych miejsc na krzyw ej spektralnej badanego obiektu. Czesc badaczy ograniczyla sie w swoi h badaniach tylko do zakresu wi dzialnego promieniowania elektromagnetycznego oraz bliskiej podczerwieni, ze wzgledu na wystepow anie w tych zakresach szczególnych cech spektralnych dla roslinnosci (red edge, zakres absorbcji przez chlorofil a i b, wystepowanie pigmentów). Pewna grupa badan dowiodla jednak znacznej przydatnosci zakresu podczerw eni krótkofal owej (1000-2500 nm) do klasyfikacji roslinnosci (Peerbhay i i nni, 2013; Tagliabue i i nni, 2016; Fassnacht i inni, 2016). Podstawe do tw ierdzenia o ekonomicznej uz tecznosci klasyfikacji w ykonanej na danych hiperspektral nych spróbow ano potwierdzic w pracy K. Peerbhay (2013). Badacze sklasyfikowali szesc gatunków egzotycznych drz upraw ianych na drewno, rosnacych w RPA. Do klasyfikacji uzyli danych z sensora AISA Eag e (230 kanalów spektralnych) operujacego w zakresie 393-994 nm. W wyniku uzyskali dokladnosc ogólna klasyfi kacji 88% oraz wspólczynnik kappa 0,87 (Peerbhay i inni, 2013). Ze wzgledu na przemyslowy charakter upraw, drzewa jednego gatunku wystepow aly w duzych grupach, co znacznie ulatwilo zebranie danych w zorcowych oraz zredukowalo l czbe tzw. „mikseli” wynikajacych z wzajemnego przeslaniani a sie koron drzew róznych gat nków. Dodatkow o autorzy podkreslili potrzebe wyboru najlepszych kanalów zobrazowania, co nie tylko zmniejsza czas przetwarzania danych, ale moze równiez podniesc dokladnosc klasyfikacji (Lucas i inni, 2008). Klasyfikatory SVM i RF oraz dane z sensora HySpex pozwolily sklasyfikowac nastepujace gatunki drzewiaste: sosne (Scots Pine), bu (Fagus Sylvatica), dwa gatunki debu (Quercus robur i Quercus petraea) i daglezje (Pseudotsuuga menziesii ). Przy klasyfikacji kanalów spektralnych uzyskano dokladnosc ólna wynoszaca 81% dla algorytmu SVM oraz 77% dla RF. Dokladnosc ogólna klasyfikacj i przeprowadzonej na 25 kanalach MNF wyniosla 95% ni ezaleznie od zastosowanego gorytmu. Dodatkowo podjeto próbe porównani a wyników klasyfikacji wykorzystujac dane o róznej rozdzielczosci przestrzennej. Stwierdzono brak znacznych róznic dla d nych o rozdzielczosci 4, 8 i 30 metrów dla klasyfikacji wykorzystujacej tylko dane spektralne, natomiast dane o rozdziel czosci 30 metrów daly gorsze wyniki w przypadk , kiedy klasyfikow ano kanaly po transformacji MNF. Wnioski em z tych prac jest w ykazanie poprawy dokladnosci klasyfikacji dzieki zastosowaniu transformacji MNF na ych spektralnych, a nastepnie klasyfikacji kanalów MNF (Ghosh i inni , 2014). Metody teledetekcyjne pozwal aja równiez na detekcje wybranych gatunków drzew w zróznicowanym ekosystemie lesnym. Wykorzystujac dane z sensora Carnegie Airborne Observatory udowodniono mozliwosc identyfikacji trzech gatunków drzew tropikalnych (Dipt x panamensis, Handroanthus guayacan, Jacarando copaia) wystepujacych na wyspie Barro Colorado w Panamie. W tym cel u wykorzystano klasyfikator SVM, który zmodyfikowan tak, aby dostarczal informacje na temat istnienia danego gatunku w danym pikselu. Wykonane kl asyfikacje osiagnel y dokladnosc ogólna 98% oraz dokladnosc producenta powyzej 94% (Baldeck i inni, 2015). Poza sama identyfi kacja mozliwe jest tez wykonanie klasyfikacji gatunków drzew na bogatych gatunkow o obszarach l asów tropikalnych. Wykorzystujac dane z Carnegie Airborne Observatory zespól badaczy sklasyf kow al 20 tropikalnych gatunków drzew wystepujacych w poludniowej Panamie. Badacze zastosowali algorytm SVM oraz zestaw danych hiperspektralnych o rozdzielczosci przes ennej 2 metry i 250 kanalach spektral nych. Praca w ykorzystal a metody sprawdzianu krzyzowego (iteracyjne, cross- validati on) podczas oceny dokladnosci klasyfi kacji. Dokladnosc ogólna uzyskanej klasyfikacji wyniosla 62%. Najwyzsze dokladnosci producenta oraz najmni ejsza zmiennosc wyników zaobserwowano dla trzech klas reprezentujacych najczesciej wystepujace gatunki drzew (ponad 75%). Praca wskazala na potrzebe dokladnego anali zowania bledów przeszacowania i niedoszacowani a klasyfikacji oraz rozwiazania przycz ich wystepowani a (Graves i inni, 2016). Poza podejsciami w ykorzystujacymi tylko dane hiperspektralne mozna spotkac sie takze z pracami wzbogacajacymi dane spektralne dan mi lidarowymi. Lee i inni (2016) wykorzystali dane lidarowe do w yznaczenia koron poszczególnych drzew, a nastepnie dokonali ich klasyfikacji uzywajac charakterystyk spek ralnych. W pracy sklasyfikowano 6 gatunków drzew: jesion Fraxinus excelsior, platan Acer pseudopl atanus, modrzewmLarix decidua, dab Quercus robur, buk Fagus sylvatica, brzoz Betula spp,. wykorzystujac algorytm SVM. W celu redukcji ilosci przetworzonych danych wykorzystano transformacje PCA. Wykonana klasyfikacje charakteryzowala dokladnosc gólna 91% w przypadku klasyfi kacji poszczególnych pi kseli. Piec z szesciu klas osiagnelo dokladnosc producenta powyzej 94%, natomiast klasa Quercus robur (dab) sklas fikowala sie najgorzej, osiagajac dokladnosc producenta wynoszaca 67%. W przypadku gdy klasyfikowano gatunki drzew na poziomie indyw idualnych koron drzew, uzyskano dokladnosc ogólna 61%. W przytoczonym przypadku kl asy Larix decidua i Quercus robur osiagnely dokladnosci producenta ponizej 37%. Autorzy ocenili, ze na duzo nizsze dokladnosci w przypadku klasyfikacji koron drzew miala wplyw niedostateczna dokladnosc geograficznej lokalizacji obszarów wzorcowych. W pracy pokazano skutecznosc transformacji PCA w reduk ji wykorzystanych danych. Badacze zauw azyli znaczny spadek dokladnosci klasyfikacji przy wykorzystaniu mniej niz 12 kanalów PCA (5 kanalów – 70%, 10 kanalów – 81%, 15 kan ów – 86%), jednoczesnie odnotowujac wzrost dokladnosci w przypadku uzycia w iekszej liczby kanalów PCA. Przy uzyciu 40 kanalów PCA dokladnosc ogólna klasyfikacji w niosla 91% (Lee i inni, 2016). Mozna potw ierdzic, ze tematyka klasyfikacji drzewostanu jest intensyw nie rozwijana. Wynika to z róznorodnosci i strefowosci roslinnosci, a takze liczebnosci grona badaczy zainteresowanych cechami spektralnymi roslin. Pokrywa rosl inna scisle zalezy od pol ozenia geograficznego, profilu pionowego, ale takze od antropopresji. Teledetekcyjny monitoring dostarcza szczególowych informacji o procesach zachodzacych w srodow isku, takze w skali globalnej. Kluczowe sa metody monitoringu rosli nnosci wysokogórskiej, która dynamicznie reaguje na zachodzace zmiany. Wartos i odbicia spektralnego dla róznych gatunków roslinnosci sa wysoce ze soba skorelowane, co wynika glównie z ich podobnej budowy anatomicznej i fizj ologicznej, a takze substancji biochemi cznych (Price, 1994). Dodatkowo na ogólny przebieg krzywej spektralnej wplywa niew ielka liczba cech zwiazanych z sama roslina (zawartosc chlorofi lu a i b, karotenoidów, struktura komórkowa li scia, Masaitis i Mozgeris, 2013). Warto tez pamietac o zmiennosci w odbi ciu spektralnym wynikajacym z wieku roslin oraz fenologii ego gatunku (Cochrane, 2000). Masaitis i Mozgeri s (2013) wykazali, ze u powszechnie wystepujacych gatunków drzewiastych (topola Populus Tremula, olcha czarna Alnus glutinosa, swierk Picea abies, sosna Pinus syl vestris i brzoza Betula pendul a), naj wieksze róznice spektralne wystepuja na poczatku okresu wegetacyjnego w podczerwieni i zakresie niebieskim promieniowani a elektromagnetyczn o, natomiast w lecie najlepsza separacje umozliwiaja kanaly spektralne zlokalizowane w dalszej podczerni oraz czerwony zakres promieniowania elektromagnetycznego. Drzewa szczególnie róznicuja sie spektralnie we wrzesni u (iglaste) oraz lipcu (lisciaste; Masaitis, Mozgeris, 2013). Duza dostepnosc oraz róznorodnosc sensorów sprzyja pow tawaniu nowych metod i algorytmów przetwarzani a danych (Fassnacht i inni, 2016). Niemniej, dane hiperspektralne z racji na duza liczbe oraz niewielka szerokosc kanalów, stawiaja przed badaczami nowe wyzwania. Poszczegól ne kanaly spektralne sa czesto silnie skorelowane z kanalami sasiednimi, co powoduje, ze czesc informacji jest dubl ana (Thenkabail i inni, 2004). Jednoczesnie ze wzgledu na ogrom danych, których dostarczaja sensory hiperspektralne oraz ograniczone zasoby obliczeniowe, badacze zmuszeni sa d szukania rozwiazan pozwalajacych na wyznaczanie optymalnych kanalów zobrazowania. Badania literaturowe wskazaly tez na duza liczbe algorytmów w ykorzystanych do klasyf kacji drzewostanu. Najbardziej wyrózniaja sie metody oparte na klasyfikatorze SVM, glównie ze wzgledu na latwosc wykorzystania tej metody oraz wczesniejsze prace, które regularni e donosza o wysokiej dokladnosci wyników uzyskanych przy wykorzystaniu SVM. Teledetekcja hiperspektralna ma potencjal, który mozna wykorzystac do klasyfikacji gatunków drzew, co zostalo juz nieraz udowodnione. Techni ki hiperspektralne dysponuja rozwini etymi metodami przetwarzania danych oraz prawidlowej i ch korekcji, tak aby pow tarzalnie dostarczac jednolite zestawy danych o wysokiej jakosci. W literaturze mozna spotkac szeroka game algorytmów klasyfikujacych o rózn ch zaletach i wadach. Dobór klasyfikatora jest zwykle podyktowany jego umiejetnoscia dostarczania miarodajnych 10 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html wyników oraz latwoscia zastosowania. Zagadnieniem godn m uw agi jest odpow iedni dobór danych wykorzystanych w analizach, tak aby mozli wie efektywnie wykorzystac posiadane dane oraz zasoby obliczeniowe. 2. Sztuczne sieci neuronowe Jednym z fundamentalnych dokonan XIX w ieku bylo odkryc e, ze mózg czlowieka sklada sie z ogromnej w zajemnie polaczonych komórek zwanych neuronami (Finger, 2001). Od tego momentu wielu badaczy zadawalo sobie pytani e, jak dziala ludzki mózg. Mi mo wielu lat, jakie uplynely od tego odkryci a, ni e udalo si e jeszcze w pelni zrozumiec calosci procesu myslenia. Najpotezniejsze komputery nadal maja ogromne problemy z zadaniami trywialnymi dla dzieci (min. zrozumieni e mowy, zdolnosc uczenia sie nowych idei, rozpoznawanie tw arzy i obiektów; Dehaene-Lambertz, Spelke, 2015). W latach 1940. wykorzystano wiedze o budowie neuronu i systemie polaczen, jakie tworzy on z innymi, sasiadujacymi neuronami. Pierwsza trudnoscia bylo opracowanie modelu neuronu. Rozwiazanie tego problemu zaproponow ali W. McCulloch i W. Pitts, którzy w 1943 r u przedstawil i matematyczny model sztucznego neuronu, który mial nasladowac prace neuronów obecnych w ludzkim mózgu (McCulloch, Pitts, 1943). Pierwszy model sztuczn o neuronu mial wiele wad (brak mozliwosci przechowywania informacji, ograniczona zdolnosc transformacji sygnalu), ale byl elementem stymulujacym dalsze badania w tej dziedzinie. W 1949 roku D. Hebb zaproponowal metode przechowywania informacji w sieci zlozonej ze sztucznych neuronów oraz metode uczenia (trenowania) sieci. Metoda ta polegala na zmianie wag przypisanych do kazdego z polaczen miedzy neuronami. Przeplyw sygnalu miedzy neuronami zmi enial wage polaczenia w taki sposób, ze wagi polaczenia miedzy bardziej aktywnymi neuronami mialy wi eksze wartosci niz wagi polaczen rzadziej uzywanych neuronów (Hebb, 1949). Od tego momentu prace nad sztucznym neuronem koncentrowaly sie na zbudowaniu modelu, który pozwolilby wykorzystac go do przetwarzania informacj i (sygnalu). Dopiero w 1958 roku F. Rosenblatt zaproponowal pierwszy algorytm przetwarzania informacji oparty na sieci polaczonych ze soba sztucznych neuronów (perceptron, Rosenblatt, 1958). Zaproponowany algorytm nasladow al dzialanie neuronów w ludzkim mózgu Rozw iazanie zaproponowane przez Rosenblatta spotkalo si e z krytyka ów czesnych badaczy. Glównymi zarzutami byla jednowarstwowa struktura sieci, ogromne jak na owe czasy zapotrzebowani a algorytmu na moc obliczeni owa oraz ograniczenie zastosowania algorytmu tylko do problemów, które mozna bylo rozwi azac za pomoca równan liniowych (Minsk i Papert, 1969). Wyzej wymienione problemy zostaly rozwiazane przez P. Werbosa w 1974 roku (Werbos, 1994). Rozwiazaniem byl algorytm nazwany wsteczna propagacja edu, który pozwalal przeprowadzi c uczenie wiel owarstwowej sieci neuronowej. Kolej nym waznym dokonaniem byl a siec Self-Organising Map (SOM) zaproponowana przez Koh nena (1990). Poczatek lat 1990. przyniósl gwaltowny rozwój technologii produkcji podzespolów komputerowych, co pozwolilo na produkcje tanich komputerów. Szeroki dost do komputerów spowodowal rozwój sztucznych sieci neuronowych w wielu dziedzinach. W zaleznosci od zastosowan wykorzystyw ano rózne typy sieci neuronowych, m.i n.: perceptron wielowarstwowy, sieci Kohonena, si eci typu ART i ARTMAP, a takze sieci Hopfielda. Ostatnie lata przyniosly nowe odkrycia w dziedzinie uczenia sztucznych sieci neuronowych. Coraz szybsze komputery pozwalaja na stosow anie tzw. „si eci glebokiego uczenia” (LeCun i inni, 2015) – co raz czesciej stosowane m.in. w dziedzinie rozpoznania obra ów, rozpoznawania mowy, automatycznego tlumaczenia teksów czy modelowania protei n i lancuchów DNA (Krizhevsky i inni, 2012, Xiong i inni, 2016, Angermueller i inni, 2016). 2.1. Perceptron w ielow arstwowy Stosunkowo prosty mechanizm dzialania neuronu zapropon w any przez W. Pittsa i W. McCullocha (McCull och, Pitts, 1943) dal impuls do rozwoju wykorzystani a sztucznych sieci neuronowych. Ponad 60-letni rozwój zaowocowal duza liczba typów sztucznych sieci neuronowych, z która mamy do czynienia dzisi aj. ród typów sztucznych sieci neuronowych wyróznia sie sieci j ednowarstwowe, wielowarstwow e, rekurencyjne, samouczace sie, specjalizowane (Osowski, 1996) oraz st unkowo nowe sieci glebokiego uczenia (deep learning, LeCun i inni, 2015). W niniejszej pracy wykorzystano perceptron wielowarstw w y. Jest to jeden y, zbudowany z co najmniej trzech warstw (Beluco i inni, 2015; Tk ác , Verner, 2016). Perceptron wielowarstwowy jest z najczesciej stosowanych typów sztucznej sieci neuron klasyfikatorem nieparametrycznym o nadzorowanej procedurze uczenia. Ze wzgl edu na nadzorowany charakter uczenia, uzytkownik sieci musi przygotowac zestaw wzorców, na podstaw ie którego mozliwy bedzie trening sieci. Perceptron wielowarstwow y sklada sie z warstw, a kazda z nich – z pewnej liczby neuronów (R c. 3). Ryc. 3. Schemat perceptronu wielowarstwow ego skladajacego sie z trzech warstw (Opracow ano na podstaw ie Mas, Flores, 2008) Neurony w w arstwach sa zwiazane z innymi neuronami pol zeniami (synapsami), którymi przeplywaja sygnaly. SSN mozna opisac jak o wysoce wspólbiezny system obliczeni owy zbudowany z bardzo prostych elementów podstawowych (neurony) oraz polaczen miedzy neuronami (Jain i inni. 2000). Zasada dzialania perceptronu wielowarstw owego opiera sie na zdolnosci polaczonych w siec neuronów do przesylani odbierania sygnalów. W celu ustrukturyzowania przeplyw u sygnalów przez siec, neurony grupuje sie w warstwy. Warstwa wejsciowa i wyjsciowa pozwala na przesylanie s gnalu do i z sieci, co ujmujac prosci ej pozwala na przeslanie informacji o wzorcu do sieci oraz odebranie sygnalu, który zostal przepuszczony przez siec. Neurony warstwy ejsciowej i wyjsciowej sa polaczone z neuronami warstwy ukrytej. Idea uczenia sieci neuron ej polega na zdolnosci neuronu do modyfikacji wag polaczen, które od niego wychodza oraz modyfikacji wagi neuronu. Wagi przypisane do neuronów oraz polaczen miedzy nimi zwalaja na „uczenie sieci”, które polega na przepuszczeniu sygnalów wzorcowych, które zmusza poszczególne neurony do modyfikacji wag swoich i polaczen, tak by dopasowac sie do wzorca (Osowski, 1996). Po ukonczeniu procedury, wyuczona siec ma zdolnosc do klasyfikowania nowych danych. Duza role w skutecznosci uczenia sieci ma dobór algorytmu uczacego, którego zadaniem jest dopasow anie wag do danych wzorcowych (Ryc. 4). Ryc. 4. Dokladnosc klasyfikacji danych hiperspektralny h pokrycia terenu algorytmem sztucznych sieci neuronowych (zródlo: Pal, Mather, 2006; Zagajewski, 2010 zmodyfikowane) Wykorzystanie SSN jako klasyfikatora wymaga kilku krok przygotowawczych. Pierw szym jest utworzenie struktury sieci skladaj acej sie z warstwy wejsciowej, wyjsci owej oraz pewnej liczby warstw ukrytych. Obecnosc warstw ukrytyc w sieci pozwala jej na „uczenie sie” oraz zapamietywanie w zorców. Kazda w arstwa w sieci sklada sie z pewnej liczby neuronów. W w arstwie wejsciowej jest ich tyle, ile jes zródel danych wykorzystanych do uczenia sieci (np.: w przypadku, w którym chcielibysmy uzyc wszystkich kanalów sensora APEX, li czba neuronów w warstw ie wejsciowej wynosilaby 288). Warstwa wyjsciowa moze skladac sie z jednego neuronu, gdy chcemy otrzymac wynik klasyfikacj i w postaci obrazu z klasami przypisanymi do kazdego piksela lub z tylu n onów, ile jest klas wynikowych. Wtedy kazdy neuron bedzie mógl ocenic pseudo-prawdopodobienstwo wystapienia danej klasy w danym pi kselu. W warstwie ukrytej mozna umiesc c dowolna l iczbe neuronów, chociaz istnieja pewne ogólni e przyjete sposoby okreslenia tej wartosci. Z reguly w ieksza liczba neuronów w sieci daje lepiej wytrenowana siec (Neal, 1996). Do wyznaczania liczby neuronów w warstwie ukrytej przyjeto m.in. nastepujace zasady: liczba neuronów w warstwie ukrytej powinna zawierac sie miedzy liczba neuronów w warstwie wejsciowej a liczba neuronów w warstwi e wyjsciowej (Blum, 1992), warstwa ukryta powinna zawierac dwa razy wi ecej neuronów niz jest ich w warst ie wejsciow ej (Swingler, 1996), neuronów w warstw ie ukrytej nie powinno byc wiecej niz dwukrotnosc ich liczby w warstwie wejsciowej (Berry i Linoff, 1997). Powyzsze porady pozwalaja uniknac tes w ania wplywu liczby neuronów w warstwie ukrytej na wynik, co jest kosztowne obliczeniowo, ale nie zawsze sa to optymalne wartosci. Po utworzeniu sieci neuronow ej o odpowiadajacej problemow i strukturze optymalizuje sie parametry uczenia. Jest to o tyle w az e, ze siec o wiekszej liczbie neuronów niz jest to potrzebne moze utracic czesc lub calosc zdolnosci do generalizacji. Jest to spowodowane faktem, ze polaczenia miedzy neuronami mog malej, liczbie neuronów nie beda sie w stanie nauczyc auczyc sie wektorów wejsciowych oraz szumów, które istnieja w danych treningowych. Jednoczesnie sieci o zbyt entowanych im w zorców zawartych w danych treningow ych (Miguez i inni, 2014). W zaleznosci od zastosowanego algorytmu uczacego, moze byc do kilkudzi esieciu parametrów wymagajacych optymal izacji. Optymalizacja w iekszej liczby parametrów uczenia jest procesem dlugotrw alym. Istotnym krokiem jest przeprowadzenie procedury uczeni sieci, w trakcie której sieci przedstawiane sa w zorce. Proces uczenia konczy sie, kiedy blad wyuczenia sieci osiagnie pewien z góry zalozony poziom lub w momencie, w którym algorytm uczacy uzna, ze nie da sie juz bardziej zmniejszyc bledu wyuczenia. Moment ten nazywany jest konwergencja. Jest to zdolnosc sztucznej sieci neuronowej do nauczen a sie wszystkich wzorców, jakie zostaja jej przedstawione w danych treningowych (Miguez i inni, 2014). Wytrenowana siec jest gotowa do klasyfikacji now ego zestawu danych, pod warunkiem ze sa to dane kompatybilne z tymi uzytymi do uczenia si eci. Perceptron wielowarstwowy moze poprawnie klasyfikowac dane, które trudno jest opisac równaniami iniowymi (Beluco i inni, 2015). Dodatkowo SNN ze wzgledu na sw ój nieparametryczny charakter nie sa ograniczone do statystycznych wlasciw osci danych. Wadami perceptronu ielowarstwowego sa dlugie procesy treningu sieci, które sa wprost zalezne od liczby neuronów w sieci, wymóg optymalizacj i struktury sieci neuronowej (liczba neuronów w poszczególnych warstwach) oraz wymóg optymalizacji parametrów uczenia w cel u osiagniecia dokladnych wyników. Kolejna wada jest zjaw isko tzw. przetrenowania sieci, tóre moze nastapi c, jezeli proces uczenia zostanie zakonczony za pózno. W efekcie powstaje siec, która mimo ze teoretycznie powi nna byc l epiej wytrenowana, produkuj e niskiej jakosci klasyfikacje. Jedna z dosyc istotnych wad jest nieliniow a zal eznosc miedzy czasem treningu a liczba 11 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html neuronów w sieci oraz ogólnym skomplikowaniem sieci (l czb warstwa, sposób polaczenia neuronów). Zmusza ona potencjalnego uzytkownika do poszukiwania rozwiazan, które opieraja sie na sieciach o jak najmni ejszej ogólnej li zbie neuronów. Dodatkowo ze wzgledu na chec skracania czasu treningu do akceptowalnego oraz wrazliwosc sztucznych sieci neuronowych na jakosc danych (rozumiana jako niska zaw osc szumu, brak artefaktów w e wzorcu oraz odpowiednio wyselekcjonowane dane wejsciow e), uzytkownik musi równiez szukac metod na ograni czenie liczby danych wej iowych do niezbednego minimum. Do zalet sztucznych sieci neuronowych mozna zali czyc odpornosc na uszkodzenia struktury sieci, brak wymogu programowania sieci (przez siec wystarczy tylko przepuscic sygnaly wzorcowe), szybka klasyfikacja danych wytrenowana siecia oraz zdolnosc sieci do generalizacji. Generalizacja to zdolnosc sztucznej ieci neuronowej do poprawnej klasyfikacji danych innych niz uzyte we wzorcu (Miguez i inni, 2014). Jest to cenna umiejetnosc szczególnie w teledetekcji, gdzie czesto w stepuja problemy ze stabilnoscia sygnalu spektralnego w ramach kilku scen (zródlem tej niestabilnosci moze byc wada sensora, lub nieskorygowany efekt BRDF ). Reasumujac: sztuczne sieci neuronowe sa rozwijane przez liczne zespoly badaczy, szybko tworzone sa liczne, równolegle rozwiazania. Stawia to unikatowe wyzwania przed badaczami, szczególnie umiejacymi programowac i dostos ywac poszczególne narzedzia do konkretnych rozwiazan. Duzym wyzwaniem jest optymalizacja algorytmów uczacych, ale rów niez parametrów uczenia i selekcj i danych w ykor stanych do treningu. Wynika to po czesci z pojawiania sie now ych danych o wysokich rozdzielczosciach spektralnych, radiometrycznych, przestrzennych oraz czasowych. 2.2. Algorytm wstecznej propagacji bledu Algorytm wstecznej propagacji bledu zaproponowany przez P. Werbosa w 1974 roku jest jednym z najpopul arniejszych algorytmów uczenia sztucznych sieci neuronowych (Werbos, 1994). Mozna go opisac jako funkcje celu E(w ), majaca za zadanie minimalizacj e róznic pomiedzy akt ualnymi wa sciami sygnalów (x) pr zeplywaj acych przez polaczenia neuronów (synapsy) a zadanymi we wzorcu klasyf ikacyjnym (za: Zagajewski, 2010). Uczenie sztucznej sieci neuron w ej z uzyciem algorytmu wstecznej propagacji bledu sklada sie z dwóch czesci. Poczatkowo zostaja obliczone wartosci gnalu (zmienione przez funkcje aktywacyjna) dla kazdego neuronu indywidualnie. Wartosci wag polaczen miedzy neuronami nie zostaja zmienione. Nastepnie nalezy obli yc blad miedzy tym, czego nauczyla sie siec a dostarczonym wzorcem. Etap pierwszy nosi nazw e forward pass. Drugi etap (backward pass) polega na sumowaniu bledów wyuczenia od warstwy wyjsciowej do wejsciowej, co pozw ala na obliczenie l okalnego gradi entu funkcji k neuronami (Miguez i inni, 2014). Iteracyjny charakter tu dla kazdego neuronu. Nastepnie obliczone w artosci sluza do obliczenia nowych wartosci wag polaczen miedzy ialania algorytmu wstecznej propagacji bledu powoduje znaczne wydluzenie procesu uczenia, co dodatkowo poteguj a niedoskonalosci funkcji aktywacyjnej uzytej podczas treningu. Zespól pod kierownictwem A. Shafiego udowodnil, ze nasycenie funkcji aktywacyjnej w w arstwach ukrytych i wyjsciowej ma znaczny wplyw na wydluzenie procesu uczenia sieci (Shafie i inni, 2012). Obecnie i stnieje wiele róznych wersji algorytmu wstecznej propagacji bledu (steepest descendent backpropagation, momentum backpropagation, abl e learning rate backpropagation, resilient backpropagation, conjugated gradient backpropagation i Levenberg- Marquardt algorithm; Yang i inni, 2013), majacych za z danie optymali zacje procesu uczenia. 2.3. Charakterystyka symul atora sztucznych sieci neuronowych „nnet” Z uwagi na w ykorzystanie pakietu „nnet”, przeznaczonego dla programu R (R Core Team, 2015) w niniejszych badaniach, ponizej zaprezentowano najwazniejsze skladowe tego srodowiska. Program R oferuje programowalne, otwarte s dowisko przetwarzania danych. Oznacza to dowolnosc postepow ania i rozbudowy o wlasne programy oraz wykorzystania programów napisanych przez innych uzytko ników. Programy dla R, które zostaja udostepnione innych uzytkownikom nazywa sie paczkami (package). Do zalet programu R mozna zaliczyc szeroka biblioteke paczek do przetwarzania danych (m.in. algorytmy klasyfikujace, procedury do analiz statystycznych, programy ulatw iajace operow anie danymi rastrowymi i wektorowymi, szeroka gama programów do wizuali zacji wyników) i mozliwosc programowani a w srodowisku R. Pozwala to na laczenie zaimplementowanych procedur oraz wlasnych pomyslów ulatwiaj ac prace w dynamicznym interpretatorze. W srodowisku R dostepne jest kilka paczek pozwalajacyc na symulacje róznego typu sztucznych sieci neuronowych, m.in. „Neuralnet”, „RSNNS”, „H2O”, „nnet”. Na potrzeby niniejszych badan do symulacji sztucznych sieci neuron ych zdecydow ano sie wybrac paczke „nnet” (Venables, Ripley, 2002). Wybrany pakiet potrafi symulowac tylko jeden typ sztucznych sieci neuronowych, j ednak w porów naniu z in ymi dostepnymi pakietami jest znacznie prostszy w uzyciu oraz wymaga niew ielkiego nakladu pracy, aby rozpoczac prace. Paczka „nnet” symuluje sieci neuronowe typu perceptron wi elow arstwowego z jedna warstwa ukryta. Dzialanie tego typu sztucznej sieci neuronowej opisano w rozdzi ale 2.1 i 2.2. Zaletami paczki ”nnet” jest latwosc przeprowadzenia an iz i procedury treningu oraz klasyfikacji danych. Obecnosc programu w pakiecie R znacznie ulatwia tworzenie lancuchów przetwarzania danych, eliminujac potrzebe uzycia w ielu srodowisk wykonawczych podczas pracy. Jest to bardzo cenna cecha, pozwalajaca badaczowi na skupieniu si e na rozwiazywaniu problemu, a nie „wal ce” z programem i sposobem przekazywani a danych z jednego programu do drugiego. Sam program R jest dobrym narzedziem przygotowyw ania danych (filtracja, selekcja, przetworzenia, transformacje, itp.) oraz raportowania wyników w postaci wykresów i rycin. Nieoceniona jest takze mozliwosc konsultacji krótka, ale zwiezla dokumentacja paczki. Pewnym ograniczeniem jest zdolnosc paczki „nnet” do symulowania sieci skladajacych sie tylko z jednej w arstwy ukrytej, co wy l ucza uzycie metody glebokiego uczenia za jej pomoca, co jednak nie powinno miec duzego wplywu na wyniki, poniewaz dla wiekszosci zastosowan sieci o jednej warstwie ukry sa wystarczajace (Pu, 2009). Kolejna wada jest ograniczona liczba w budowanych w program algorytmów dopasowujacych. Z pewnoscia pakiet „nnet” nie jest uniwersalnym progra em do symulacji róznych typów sztucznych sieci neuronowych, ale uzycie go jako symulatora perceptrona wi elow arstwowego jest bardzo proste. Jako algorytm uczacy pakiet „nnet” wykorzystuje algorytm wstecznej propagacji bledu zaproponowany przez autorów programu. Jest to jeden z podstawowych algorytmów uczenia sieci, chociaz alezy zwrócic uw age, ze niemozliw e jest uzycie innych algorytmów uczenia poza tym dostarczonym w paczce. 2.4. Zastosowanie sztucznych sieci neuronowych do klas fikacji drzewostanu Mimo stosunkowo szerokiego w ykorzystania sztucznych si i neuronowych w teledetekcji, zakres wykorzystania tego klasyfikatora do klasyfikacji drzewostanu jest stosunkowo maly (Mas, Fl ores, 2008). Obecnie obserw uje sie gwaltowny wzrost zainteresowania tematyka klasyfikacji drzewostanu przy uzyciu danych hiperspektralnych, ale SSN j ako klasyfikator nadal traca w stosunku do latwiejszych w uzyciu i szybszych metod, takich jak Support Vector Machine i Random Forest (Fassnacht i inni, 2016). Jedna z pierwszych prac wykorzystujacych sztuczne sieci neur owe do klasyfikacji gatunków drzew za pomoca danych hiperspektralnych wykonal R. Pu (2009). Wykorzystal dane ze spektrometru ASD FieldSpec 3 do zebrania krzywych spek alnych dla 11 gatunków drzew li sciastych (Ulmus americana, Quercus incana, Lagerstroemia indica, Quercus laurifoli a, Quercus virginiana, Magnolia grandiflora, Diospyros vi gi niana, Acer rubrum, Q. geminata, Platanus occidental is, Quercus laevis). Istota badan byla klasyfikacja spektr gatunków drzew lisciastych pozyskanych podczas badan terenowych rzeprowadzonych na Florydzie. Wykorzystano sztuczne sieci neuronowe z jedna w arstwa ukryta jako klasyfikator oraz algorytm wstecznej propagacji bledu. Przeanal izowano zakres spektralny od 350 do 2500 nm. Uzyskana dokladnosc wyniosl a 86% przy wspólczynni ku kappa 0,83. Najlepiej sklasyfi kowane zostaly nastepuj ace gatunki: Lagerstroemia indica, Platanus occidentali oraz Quercus laevis (100% dokladnosci producenta), najgorzej zas Quercus laurifolia i Quercus incana (dokladnosc producenta <75%). Autor pod reslil, ze terenowe dane hiperpsektralne róznia sie od danych pozyskanych ze skanera lotniczego. Glówna przyczyna róznic jest wplyw cieni, konarów i innych obiektów na rejestrowany obraz, co w przypadku danych pozyskanych w terenie jest znacznie ograniczone, gdyz swiatlow ód pozw ala wykonac precyzyjny pomiar konkretnej czesci drzewa. Ut dnia to klasyfikacje drzew, lepszym rozwiazaniem jest pozyskanie wzorców z obrazu, który jest przedmiotem klasyfi kacji (Pu, 2009). Za pomoca perceptronu wielowarstwow ego nie udalo sie sklasyfikowac 17 gatunków drzew tropikalnych na obrazach z sensora Carnegi e Airborne Observatory-Alpha w zakresie 390-1044 nm. Sztuczna si ec neuronowa miala neuronów w jednej warstwie ukrytej. Autorzy uzyskali niskie dokladnosci dla sztucznych sieci neuronowych (oscyluj ace wokól 40%). Jednym z powodów, dla których otrzymano niskie dokladnosci dl sztucznych sieci neuronowych bylo nieoptymalne wyznaczenie parametrów uczenia oraz szybki spadek dokladnosci ogólnej dla klasyfikacji za pomoca sztucznych sieci neuronow ych wraz ze wzrostem l iczby klasyfikowanych klas (Feret, Asner, 2013). Powyzszy przykl ad pokazuje, ze nie mozna oczekiwac dobrych wyników klasyfi kacji wykonanych sztu znymi sieci ami neuronowymi bez optymalizacji parametrów uczenia. Uzycie al gorytm LDA i SSN pozwolilo na sklasyfi kowanie pieciu gatunków drzew: Pinus sylvestri , Picea abies, Betula pendula, Alnus glutinosa i Populus tremula na lotniczych obrazach AISA Eagle (64 kanaly w zakresie 400-970 nm). Do tego celu losowo wybierano zestawy pik el i do uczenia i testowania sieci, a sama procedure klasyfikacji powtórzono cztery razy. Koncowe wyniki klasyfikacji przekroczyly 80% (dokladnosci producenta) dla Pinus sy vestris, Picea abies, Betula pendula oraz 40% dla Alnus glutinosa i Populus tremula. Dokladnosc calkowita klasyfi kacji wyniosla 65%. Algorytm LDA lepiej klasyfikowal wiekszosc gatunków, w tym znaczaco lepiej Alnus glutinosa i Populus tremula (Prieditis i i nni, 2015). Algorytmy SVM i SSN z powodzeniem sa wykorzystywane te do klasyfikacji obrazów satelitarnych. Jako przyklad sluza prace zespolu G. Omera (2015). Autorzy wykorzystali obrazy WorldView-2 (8 kanalów spektralnych o rozdzielc sci 2 metry) do identyfi kacji szesciu zagrozonych wymarciem gatunków drzew. Napotkali duze problemy przy kartowaniu gatunków drzew w skomplikowanym strukturaln e i gatunkowo l esie tropikalnym. W wyniku klasyfikacji uzyskano mapy o dokl adnosci ogólnej 77% dla SSN 12 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html i 75% dla SVM. Stwierdzono duza przydatnosc wysokorozdzielczych danych satelitarnych oraz podkreslono pozytywny wplyw kanalów w bliskiej podczerwi eni na uzyskane dokladnosci klasyfikacji (Omer i inni, 2015). Podsumowujac mozna pow iedziec, ze badania nad klasyfik ja gatunków drzew za pomoca danych hiperspektralnych i sztucznych sieci neuronowych nie sa rozpowszechnione. W literaturze nie znaleziono potwierdzenia znaczacej ilosci badan bazujacych na sztucznych sieciach neuronowych. W tym zakresie powszechniej wykorzystuje sie SVM, czy Random Forest. Nalezy jednak przypomniec, ze metody te w ymagaja wskazania wzorców uczacych na klasyfikow anym obszarze. W przypadku waskich i dlugich linii zobrazowan hiperspektralnych moze to byc trudne, dlatego rozw ój p nad sieciami neuronowymi, które nie wymagaja wzorców kl asyfikowanych obiektów jest cennym rozwiazani em metodycznym przy monitoringu l asu. Jednym ze wzorców m ze byc uszkodzony las i w kol ejnych latach mozna analizowac zmiany zasiegu uszkodzen. 3. Obszar i obiekt badawczy Karkonoski Park Narodow y (KPN) zostal zalozony 16 styc ia 1959 roku. Park znajduje sie w poludniow o-zachodniej Polsce (Ryc. 5). Obejmuje swoim obszarem pólnocne stoki Karkonoszy od Przeleczy Okraj do Mulaw skiego Wierchu. Powierzchnia Parku wynosi 5584 ha, z tego 70,9% zajete j est przez lasy (Ryc. 6). Obszar KPN jest w 37% objety ochrona scisla (pietro subalpejskie i alpejskie). Ryc. 5. Lokalizacja Karkonoskiego Parku Narodowego w Polsce. Pozostaly obszar parku objety jest ochrona czynna, maj ca na celu odtworzenie zniszczonych lub uszkodzonych komponentów srodowiska przyrodniczego oraz utrzymanie ekosystemów w równowadze ekologicznej (Raj, Knapik, 2014). Srodowi ko Karkonoskiego Parku Narodow ego zostalo powaznie uszkodzone w latach 1980. Przyczyna kleski ekologicznej, która wystapila w KPN bylo synergiczne oddzialywanie k nych deszczów i zanieczyszczenia srodowi ska, które znacznie oslabily drzew ostan. Oslabione drzewa zostaly zaatakowane przez korniki, które z latwoscia niszczyly nadwyrezone juz drzewa. Efektem bylo masowe wymieranie swierków. Innym czynni k em niszczacym, który mial najwiekszych wplyw na drzewostan KPN byly si lne wiatry (Raj , 2014). Ryc. 6. Rozmieszczenie zbiorowisk lesnych i nielesnych na obszarze Karkonoskiego Parku Narodowego (KPN). Wykonano na podstawie oficjalnych danych KPN. Glównym celem prac prowadzonych na obszarach lesnych w jest wspomaganie procesów regeneracji zniszczonych i uszkodzonych drzewostanów oraz ich renaturalizacja przez wzbogaceni e skl adu gatunkowego i struktury pionowej drzew ostanów (Danielewicz i inni, 2012). W 1996 roku wokól parku utworzono otuli e o powi erzchni 11 260 ha, administrowana przez okoliczne nadlesnictwa. Karkonoski Park Narodow y nalezy do programu UNESCO Man and Bi osphere (M&B), jest objety ochrona w ramach obszarów Natura 2000 i aktyw nie wspólpracuje na pol u ochrony przyrody ze swoim czeskim sasiadem (Krkono š ský národní park, KRNAP). Oba Parki uzyskaly w 2004 roku ertyfikat parku transgranicznego, przyznawany podmi otom szeroko wspólpracujacym na poziomie mi edzynarodowym oraz naleza do stowarzyszenia EUROPARC wspierajacego rozwój obszarów ochrony przyrody. 3.1. Warunki przyrodnicze Karkonoszy Trzon budowy geologicznej Karkonoszy stanowi karbonska intruzja granitowa. Wsród skal metamorficznych pojawiaja si e m.in. lupki lyszczykow e, gnejsy, amfibolity, wapienie krystaliczne i hornfelsy. W Karkonoszach mozna spotkac kaly magmowe, reprezentowane glównie przez trzeciorzedowe bazaltoidy, szczególnie na obszarze Malego Sni eznego Kotla. Oprócz skal magmowych wystepuja skaly osadowe, lównie karbonskie zlepience oraz holocenskie torfy. Karkonoskie granity wystepuja w dwóch odmianach: równoziarnistej i porfirowatej. Granity karkonoskie i skaly ich oslony zawieraja w iele mineralów, zwiazanych glównie z krystali zacja magmy (Raj, Knapik, 2014). Klimat Karkonoszy jest determinowany przez uksztaltowanie terenu – to lokalny klimat górski ksztaltowany przede wszystkim przez masy powietrza oceanicznego. W Karkonoszach wystepuje uklad stref klimatycznych skl acy sie z czterech pieter: • umiarkowane cieple (ponizej 600 m n.p.m.) – srednia temperatura roczna powyzej 6 oC, oslabiona aktywnosc dynamiczna powietrza i silne zróznicowanie przestrzenne opadów i temperatury, • umiarkowane chlodne (600–960 m n.p.m.) - srednia temperatura roczna miedzy 6 a 4 oC, znaczna czestosc wiatrów fenow ych oraz wysok e opady atmosferyczne, • chlodne (960–1320 m n.p.m.) – srednia temperatura roczna pomiedzy 4 a 2 oC, surowe warunki termiczne, duza suma opadów rocznych, bardzo korzystne warunki akumulacji pokrywy snieznej , • bardzo chlodne (powyzej 1320 m n.p.m.) – temperatura roczna ponizej 2 oC, znaczne przychody wody z opadów i osadów at mosf erycznych. Wielkosc opadów w Karkonoszach jest bezposrednio powiazana z wysokoscia bezw zgledna (950 mm u podnózy Karkonoszy i ponad 1400 mm w najw yzszych partiach gór). Najwiecej opadów przypada na lipiec i sierpien, najmni – na okres wiosenny (Raj, Knapik, 2014). 3.2. Roslinnosc Karkonoszy Roslinnosc drzewiasta – to roslinnosc wieloletnia o si nie zdrewnialych, trwalych lodygach nadziemnych, czesto takze korzeniach (Tomanek, Witkowska-Zuk, 1994). Do roslin drzewiastych naleza: • drzew a – maja wyraznie wyksztalcony pien i bogato rozgaleziona korone oraz zdolnosc do przyrastania pnia na grubosc; ze wzgledu na róznice w budowie, drzewa dzieli sie na lisciaste i iglaste, • krzewy – bez glównego pnia, wysokosc do kilku metrów pokrój ksztaltuje kilka równorzednych pedów glównych, które rozwijaja sie z paków odziomkowych l ub bocznych, • krzewinki – niewielkie rosliny o czesciowo drewnieja ych pedach; forma przejsciowa pomiedzy roslinami drzewiastymi a zielnymi , • pólkrzewy – dol na czesc pedu jest zdrewniala, natomi t górna czesc pedu nie drewnieje, • pnacza – charakteryzuje je szybki przyrost na dlugosc oraz w ydluzone, cienkie i elastyczne pedy; potrzebuja podpory do wzrostu wzw yz. Ze wzgledu na stosunkowo niewielka wysokosc masywu Karkonoszy, pietra roslinne w Karkonoszach sa obnizone wzgledem tych spotykanych w Tatrach. Górna granica lasu przebiega tu przecietnie na wysokosci 1250 m n.p.m. (Raj, Knapik, 2014), dzieki pólnocno-oceanicznemu klimatowi. Na obszarze Karkonoskiego Parku Narodowego oraz jego otuliny mozna wyrózni c nastepujace piet r a roslinne: • piet ro pogór za (do 500 m n.p.m.) – w przeszlosci intensywnie wykorzystywane gospodarczo. Najwazniejszym zespolem lesnym tego pietra jest grad srodkowoeuropejski, w którego sklad wchodza glównie dab szypulkowy, grab, li a drobno i szerokolistna, buk zwyczajny, klon jawor i klon zwyczajny. Na obszarze KPN wiekszosc potencjalnych obszarów tego siedliska zajmuja monokul tury swierkow e. Siedliska gradowe zajmuja 14,26 ha, w tym na 3,68 ha wystepuja platy o charakterze naturalnym. W pietrze podgórza KPN znajduj a sie tez siedli ska podgórskiej dabrow y aci ilnej. Drzew ostan buduja tu glównie deby bezszypulkowe z domi eszka brzozy brodawkow atej, swi erka pospolitego, sosny zwyczajnej, debu szypulkowego i buka. Na terenie KPN siedliska tego typu sa znacznie zdegenerow ane, chociaz w ykazuja tendencje do spontanicznej renaturalizacji. Obs zary wystepowania skupiaja sie wylaczni e w obrebie eksklawy Góra Chojnik. Poza dwoma wymienionymi dominujacymi si edliskami w pietrze podgórza wystepuja równiez siedliska subatlantyckiego boru sosnowego, skladaj ace sie glówni sosny z domieszka swierka, buka, jarzebiny i brzozy brodaw kow atej oraz siedliska nadrzecznej olszyny górskiej zbudowane glównie z olszy szarej, • pietro regla dolnego (od 500 do 1000 m n.p.m.) – w obszarze regla dolnego dominuja monokultury swierkow e, które znacznie li mituja obszar wystepowania naturalnych zbi orowisk lesnych. Wsród zachowanych siedlisk w pietrze regla dolnego mozna wyróznic siedlisko kwasnej buczyny sudeckiej. Drzewostan tego siedliska sklada sie glównie z buka z j ednostkowa domieszka swierka i jodly. Potencjalny obszar wystepowania tego siedliska w KPN – to 1224,6 ha, z tego tylko 80,6 ha ma charakter naturalny. Znaczna czesc obszaru siedliskowego tego zespolu zostala zajeta przez monokultury sw ierkowe i modrzewiow e. Kolejnym siedliskiem regl a dolnego jest zyzny sudecki las bukowy, który na obszarze KPN nalezy do si edlisk rzadkich, • pietro regla górnego (od 1000 do 1250 m n.p.m.) – jedynym zespolem lesnym w reglu górnym jest górnoregl owa swierczyna sudecka. Drzewostan tego zespolu jest zbudowany prawie wylacznie ze swierka z niewielka domieszka górs iej odmiany jarzebiny. Zwarcie drzewostanu maleje wraz z wysokoscia od 80% do 30%. Jednoczesnie zgodnie z ta sama zasada, wraz ze w zrostem wysokosci zmniejsza sie wysok c drzew oraz zmianom ulega ich pokrój . Pow ierzchnia górnoreglowej swierczyny górskiej na terenie KLPN wynosi 2381,47 ha, z których 934,63 ha zachowal y wlasciwa dla tego zespolu strukture pomi mo silnego negatywnego odzialyw ania antropogenicznego, • pietro subalpejskie (od 1250 do 1450 m n.p.m.) – jed m z charakterystycznych zbiorowisk tego pietra sa sudeckie zarosla kosodrzewiny. Pomiedzy platami kosodrzewiny two rzy 13 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html sie bogate runo zbudow ane glównie z borówki oraz paproci. Gatunkami towarzyszacymi temu zbiorowisku sa górska odmiana jarzebiny i wierzba slaska. Poza zbiorowiskiem kosodrzewiny w pietrze subalpejskim wystepuja równiez urawy blizniaczkowate, zarosl a krzewów lisciastych, zbiorowiska ziolorosli, w ierzby laponskiej, traworosla oraz borówczyska bazynowe, • pietro alpejskie (od 1450 do 1603 m n.p.m.) – ze wzg edu na trudne warunki srodowiskowe, obszary pietra alpej skiego zasiedlaja tylko odporne gatunki roslin. W tym pietrze wystepuja murawy hal ne z udzialem sita skuciny oraz kosodrzewina niska. Muraw y halne charakteryzuje bogata flora porostów, wsród których wystepuja m.in. plechy plucnic i chrobotek gw iazdkowy. Platy muraw otoczone s rzez zbiorowiska skorupiastych porostów naskalnych, porastajacych pow ierzchnie kamieni tworzacych pokryw e blokowa. Powierzchnie lesne Karkonoszy byly od wieków wykorzystywane przez czlowieka. Podlegaly dynamicznym przeksztalceniom, co mozna w ykazac analizujac zmiany obszaru zajetego przez las. Wedlug obecnej w iedzy, powierzchni lasów porastajacych obszar dzisiejszego KPN w roku 1747 ocenia sie na 2511 ha. Do roku 1824 nastapil gwaltowny wzrost powierzchni lesnych do 3857 ha, w ywolany przemi ami gospodarczymi w XVIII wieku, co objawialo sie glównie zalesianiem obszarów rolnych oraz pastwisk (Nyrek, 1992). Do 1977 roku powi erzchnia l asów w KPN pozostala stabilna, a zmiany w jej rozmieszczeniu byly niewielkie (Szymura i inni, 2010). Inw entaryzacja z roku 1990 wykazala wi doczne uszkodzenia drzew wywolane kleska ekologiczna przelomu l at 1970. i 1980. na obszarze 2549 ha (Raj, 2014). Obecnie lasy zajmuja 4022 ha w KP (Danielew icz i inni, 2012). Duzy wklad w badani e zbiorow isk roslinnych Karkonoszy w niesli W. i A. Matuszkiewi czowie, którzy w latach 1967 i 1975 przeprowadzili szczególowe badania pokrywy roslinnej (Matuszkiewicz, Matuszkiewicz, 1967; 1975). Od roku 2004 na obszarze KPN ustanowiona zostala stala siec powierzchni kolowyc w siatce 200 na 300 metrów, sluzaca do monitoringu ekosystemów lesnych. Cyklicznie wykonyw ane sa pomiary parametrów drzewostanu, roslinnosci, gleb oraz porostów (Knapi k, Raj, 2014). Obecnie powierzchnie lesne KPN buduje glównie drzew ost swierkowy Picea abies L. Karst, który stanowi 85,55% powierzchni porosnietej lasem (Ryc. 7). Na pozostala czesc skladaja sie brzoza Betula pendula Roth (4,79%), modrzew Larix decidua Mill (4,58%), buk zwyczajny Fagus Sylvatica L. (4,14%), sosna zwyczajna Pinus sylvestris L. (0,53%) , klon jawor Acer pseudoplatanus L. (0,14%), olsza Alnus ill (0,12%) oraz jodl a Abies alba Mill (0,11%) (Danielew icz i inni, 2012). Zdecydowano sie na sklasyfikowanie pieciu gatunków drz o najwiekszym udziale procentowym. Taki e rozwiazanie zapewnia mozliwosc znalezienia relatywnie duzych obszarów porosnietych danymi gatunkami drzew, co pozwala na wyznaczanie dostatecznie licznych wzorców dla klas. Dodatkowo zdecydowano sie na wybranie jednego z trzech naj rzadziej w ystepujacych gatunków drzew. Z jodly zrezygnowano, poniewaz jodly na obszarze KPN nie jest wystarczajaco duzo i nie sa jeszcze odpowiednio w ysokie, by mozna bylo je poprawnie sklasyfikowac. Nie zdecydowano sie równiez na klasyfikowanie klona, ze wzgledu na brak wystarczajacej liczby w zorców w trakcie badan terenowych oraz trudnosci ze znalezieniem duzych obszarów porosnietych przez klony (powyzej 30 m2). W efekcie w laczono do klasyfikacji klase olsza (olcha), dla której udalo sie uzyskac wystarczajaca liczbe wzorców terenowych. Ryc. 7. Mapa potencjalnego w ystepowania badanych gatun ów drzew na obszarze Karkonoskiego Parku Narodowego. Material udostepniony przez KPN. Niniejsza praca dotyczy wylacznie kartowania drzew. Termin roslinnosc drzewiasta jest tu rozumiany jako drzewa, zgodnie z przytoczona definicj a (Tomanek, Witkowska-Zuk, 1994). Ze wzgledów praktycznych (w ielkosc piksela wyno aca ponad 9 m2 oraz zwartosc pozostal ych gatunków drzewiastych ) i ograniczenia dostepnosci danych, klasyfikacja innych typów rosl innosci drzew iastej nie zostala przeprowadzona. Zdecydowal o tym brak duzych obszarów porosnietych krzewami, krzewinkami, pólkrzewami lub pnaczami, które nie bylyby przysloniete przez korony drzew na obszarze porosnietym przez roslinnosc lesna na terenie KPN. Ze wzgledu na niewielkie rozmiary indywidualnych roslin pólkrzewów i krzewinek, i ch klasyfikacja na scenach AP (rozdzielczosc przestrzenna ponad 3 metry) nie jest mozliwa. Biorac pod uwage powyzsze uwarunkowania zdecydowano si na sklasyfikowanie szesciu gatunków drzew rosnacych w KPN: swierk (Picea abies L. Karst), brzoza (Betula pendula Roth), buk (Fagus Sylvatica L.), modrzew (Lari decidua Mill), sosna (Pinus sylvestris L.) i olcha (Alnus Mill). 4. Metodyka Zaplanowane dzialania mialy na celu opracowanie i przetestowanie metody przetwarzania danych hiperspektralnych i klasyfikacji wybranych gatunków drzew przy wykorzystaniu sztucznych sieci neuronowych. Metodyka pracy podzielon est na trzy czesci: dane w ejsciowe, przetwarzanie danych i klasyfikacja oraz wyniki (Ryc. 8). Najwazniej sze etapy pracy to: • w ykonanie lotni czego zobrazowani a APEX wedlug planu nalotu przygotow anego przez VITO (Ryc. 9), • pozyskanie charakterystyk spektralnych spektrometrem ASD Fiel dSpec 3 dominujacych obiektów j asnych i ciemnych spektralnie (asfalt, beton, piasek, woda, gesta i homogeniczna roslinnosc, np. trawniki, laki), pomiary stanu atmosfery spektrometrami slonecznymi – wyniki posluzyly do wykonania korekcji atmosferycznej obrazów i jej weryfikacji, • opracowanie numerycznego modelu terenu oraz numerycz ego modelu pokrycia terenu z danych lotniczego skaningu laserowego (ALS), • korekcja pozyskanych obrazów APEX (geometryczna, radiometryczna i atmosferyczna), • terenowe pozyskanie wzorców wystepowani a wybranych g tunków drzew iastych – marszruta z odbiornikiem GPS Leica ZENO 10, • pozyskanie wzorców dla klasyfikowanych klas na podst i e zobrazowania APEX i pomiarów terenowych, • w ybór optymalnego zestawu kanalów spektralnych wykorzystanych w klasyfikacji, • w yznaczenie maski obszarów objetych klasyfikacja, przy uzyciu danych lidarowych, wskaznika mreNDVI oraz ortofotomapy, • optymalizacja struktury i parametrów uczenia sztuczn sieci neuronow ej, • trening sieci neuronowej oraz ocena dokladnosci tren ngu i wykonanej klasyfikacji, • klasyfikacj a zobrazowan APEX za pomoca w yuczonej sztucznej sieci neuronow ej, • polaczenie poklasyfi kowanych scen oraz generalizacja uzyskanego wyniku w celu opracowania mapy rozmieszczenia wybranych gatunków drzew Karkonoskiego Parku Narodowego. Ryc. 8. Schemat najwazniejszych procedur klasyfi kacji linnosci drzewiastej 4.1. Pozyskanie danych Obrazy APEX pochodza z zobrazowania przeprowadzonego 10 wrzesnia 2012 roku. Nalot zostal wykonany przez DLR Braunschweig oraz VITO w ramach projektu EUFAR HyMountEcos. Przed zobrazowaniem skaner APEX zostal sk ibrowany w bazie kalibracyjnej Callibration Home Base DLR Oberpfaffenhofen w Niemczech (Schaepman, 2015), nastepnie umieszczony w samolocie DLR Dornier Do 228. aner zostal skonfigurowany tak, by uzyskac 288 kanal ów spektralnych w zakresie 413-2440 nm o rozdzielczosci przestrzennej okolo 3,3 metra. Wykonane zobrazowanie pokrylo obszar Karkonoskiego Parku Narodowego (Pol ska) oraz Krkono š ský národní park (Czechy, Ryc.9). Surowe dane APEX pozyskane w trakcie nalotu zostal y nastepnie przetworzone przez VITO (operator skanera APEX). Równoczesnie z nalotem wykonane zostaly pomiary spektrometryczne do pomiaru cech spektralnych wzorców kalibracyjnych do korekcji atmosf Ryc. 9. Plan nalotu wykonanego podczas projektu HyMoun (Ryc. 10). os (zródlo: VITO) Obrazy zostaly poddane korekcji geometrycznej, radiometrycznej oraz atmosferycznej, a nastepnie przeslane do Uniwersytetu Warszawskiego. Dane APEX zostaly dostarczone pod postacia osobnych zobrazowan, które pokrywaly obszar KPN. Ze wzgledu na deniwelacje zobrazowanego obszaru, rozdzielczosc przestrzenna poszczególnych scen wahala sie od 3,12 od 3,40 metra. Przed klasyfikacja rozdzielczosc przestrzenna wszystkich dostarczonych scen zostala ujednolicona. Przyjeto wspólna rozdzi elczosc przestrzenna 3,35 metra – wi ekszosc scen wykorzystanych w kl asyfikacji ma rozdzi czosc przestrzenna bl iska tej w artosci. Ryc. 10. Wykonanie pomiarów spektrometrycznych ASD FieldSpec 3 wykorzystanych do korekcji obrazów APEX Proces ujednolicania rozdzielczosci przestrzennej przeprowadzono w programie ENVI uzywajac opcji przepróbowania (resampling) obrazów. Wybrano opcje nearest nei ghborhood (najblizszego sasiada), aby zminimalizow ac wplyw procesu przepróbowania na koncowy wyni k. Sceny pokrywajace obszar KPN o ujednoliconej rozdzielczosci 14 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html przestrzennej wykorzystano w procesie klasyfikacyjnym. Ryc. 11. Wizual izacja fragmentu zobrazowania hiperpsek ralnego APEX w postaci tzw. data-cube Gotowe dane zostaly zwizualizowane w postaci tzw. data-cube (Ryc. 11), umozliwiajac ocene danych hiperspektralnych i informacyj nosc zobrazowania oraz ewentualne bl edy poszczególnych kanalów (zaburzenia kolorystyki górnej prawej krawedzi). Proces ten polegal na wyborze kompozycji RGB na przednia sciane prostopadloscianu, natomiast na krawedziach automatycznie wyswietlona zostala zmiennos spektralna pikseli. 4.2. Pozyskanie terenowych danych wzorcowych do klasyf kacji i weryfikacji W celu pozyskania wzorców uczacych i weryfikacyjnych przeprowadzone zostaly badania kameralne, które polegaly na wyznaczeniu potencjalnie interesujacych obszarów, na których maja byc przeprow adzone badania terenow e. Do t o celu wykorzystano ortfotomape pozyskana z Karkonoskiego Parku Narodowego (pozyskana we wrzesniu 2012 roku, rozdziel czosc przestrzenna 15 cm) oraz w kolejnych etapach opracowania danych, wstepne wyniki uzyskanych klasyfikacji. W wyniku prac kameralnych przygotow ano trasy marszruty przez teren KPN oraz wyznaczono obszary badan terenowych: pólnocny stok góry Szrenica – obszar „Szklarska Poreba”, eksklaw a KPN Góra Chojnik – obszar „Góra Chojnik”, tereny nalezace do KPN w okolicach wsi Jagni ów – obszar ”Jagniatków” oraz teren na poludnie od Karpacza – obszar „Karpacz”. Ryc. 12. Zdjecie wykonane podczas zbierania danych ter wych. Po praw ej odbiornik GPS ZENO 10 razem z antena odbiorcza. Fot. Edwin Raczko. Badania terenowe polegaly na wykonaniu marszruty przez teren KPN w poszukiwaniu obszarów, które moga stanowic dobry w zorzec do klasyfikacji. W trakcie badan terenowych zebrano dane dotyczace polozenia geograficznego klasyf kowanych gatunków drzew oraz w ykonano serie zdjec dokumentacyjnych kazdego pomierzonego poli gonu. Aby uzyskac odpowi ednio dobre wzorce do klasyfikacji mi erzono tylk poligony, które dobrze reprezentowaly badane gatunki drzew. Za takie uznano poligony, w których w odleglosci co naj mniej 5 metrów od odbiornika GPS rosly przynajmniej trzy drzewa tego samego gatunku, wystepowal niewielki podszyt w postaci krzewów lub traw, a w tym calym obszarze nie bylo drzew innego gatunku poza tym, który mial reprezentowac wzorzec. Odbiornik GPS starano sie umiejscowic bezposrednio pod koronami drzew. Za dopuszczalny blad pomiarowy odbiornika GPS uznano 2,5 metra. Posluzono sie odbi ornikiem Lecia ZENO 10 z zewnetrzna antena (Ryc. 12). Badania terenowe przeprowadzono w czterech turach. Ryc. 13. Mapa rozmieszczenia poli gonów pomiarowych zeb ych w trakcie badan. Punkty polozone w regularnej siatce zostal y pozyskane z administracji Parku Przed rozpoczeciem badan terenowych obszar KPN zostal podziel ony na cztery obszary badawcze: „Szklarska Poreba” obej mujacy tereny KPN na poludnie od Szklarskiej Poreby, od zachodniej granicy parku do Labskiego Szczytu; „Góra Chojnik” obejmujacy eksklawe KPN Góra Chojnik oraz eksklawe Wodospad Szklarki ; „Jagniatków” obej mujacy obszary na poludnie od Jagniatkowa, od Labskiego Szczytu do formacji skalnej potocznie zwanej Slonecznik; „Karpacz” obejmujacy obszary na poludni e od Karpacza od Slonecznika do wschodniej granicy KPN okolicy wsi Mala Upa. W sierpni 2013 roku przeprowadzono pierwsza serie pomiarów terenowych, na obszarach badawczych „Szklarska Poreba”, „Góra Chojnik”, „Jagniatków” oraz „Karpacz”. W drugiej erii w e wrzesniu 2014 wykonano dodatkowe pomiary na obszarze „Szklarska Poreba”. Ostatnie dw ie serie badan terenow ych odbyl y sie w li pcu i wrzesniu 2016 roku – przeprowadzono wówczas dodatkowe pomiary na obszarze „Karpacz”. Wykorzystano rów niez czesc danych dotyczacych lokalizacji oraz skladu gatunkowego poligonów uzyskany h w projekcie WICLAP. Tabela 3. Liczba zebranych poligonów pomiarowych uzysk nych podczas badan terenowych, wlaczajac zestaw danych pozyskany z KPN oraz liczba pikseli w yznaczonych na podstaw ie badan terenowych Klasa Brzoza Buk Modrzew Olcha Sosna Swierk Liczba zebranych poligonów pomiarowych 115 124 193 11 Liczba w yznaczonych pikseli wzorcowych 615 972 685 90 806 2677 Dane dotyczace lokali zacji drzew udostepnila tez administracja KPN; wlaczono je do zestawu wzorców wykorzystanych w klasyfikacji (Tabela 3). W sumie wykonano pomiary na 712 pol igonach oraz pozyskano dane o 564 poligonach z y danych KPN, co razem dalo 1276 poligonów pomiarowych (Ryc. 13). 4.3. Przygotowanie zestawu danych do uczenia i weryfikacji Zebrane poli gony pomiarow e posluzyly do opracowania zestawu wzorców uczacych SSN . Poza zestawem uczacym, przygotowany zostal drugi, niezalezny zestaw danych weryfikujacych dokladnosc klasyfikacji. Oba zestaw y danych zawieraja wzorce dla klasyfikowanych klas. Podzial na zestaw danych do uczenia i do weryfikacji w yniku nastepuje dopiero po zebraniu danych w tereni e, kiedy zdecydowan które z pozyskanych wzorców maja posluzyc za dane do uczenia badz weryfikacji. Podczas prac kameralnych wykorzystano zebrane zdjecia fotograficzne oraz notatk wykonane w terenie do ponownej oceny jakosci zebranych danych. Polegala ona na eliminacji punków pomiarowych, których nie mozna bylo jednoznaczni e zlokalizowac na s enach APEX. Za pomoca oprogramow ania ArcGIS 10.3 oraz ENVI 5.3, lokalizacje poligonów pomiarowych przeniesiono na sceny APEX (Ryc.14). Na ich podstawie wyznaczono zestaw pikseli, który charakteryzowal dana klase. Ryc. 14. Lokalizacja wzorców wyznaczonych na scenach A EX (kol orowe piksele) Pomijano piksele mogace byc w glebokim cieniu oraz tzw miksele, mogace zawierac niskiej jakosci charakterystyki spektralne obiektu. Nastepnie wyeksportowano je do formatu ASCII do dalszych przetworzen. Wyeksportowano nastepuj e dane: ID (numer poligonu), klase która reprezentuje w zorzec, wartosci wspólczynnika odbicia dla wszystkich 288 kanalów zobrazowania oraz geograficzne polozenie polig u. Wyeksportowane dane posluzyly dalej do wykonania klasyfikacji oraz jej weryfikacji. 4.4. Procedura wyboru kanalów spektralnych Ze wzgledu na wielkosc zestawu danych wykorzystanych w tej pracy oraz chec skrócenia czasu klasyfikacji, zdecydowano sie na przeprow adzenie procedury wyboru kanalów spektralnych zobrazow ania APEX, które zostana uzyte do lasyfikacji. Pierwsza czynnoscia byla manualna inspekcja danych, podczas której szukano kanalów o niskiej jakosci (Ryc. 15). Za zbedne uznano kanaly polozone w zakresach, w których para w odna zawarta w powietrzu zaklóca sygnal pochodzacy z powierzchni ziemi (1300-1500 nm; 1770-2000 nm). Zdecydowano sie równiez na usuniecie pewnej liczby kanalów z poczatku i konca spektrum (niska jakosc sygn u). Ostatecznie odrzucono 66 kanalów spektralnych. Ryc. 15. Przykl ad kanalów o slabej (obrazek a – 413 nm i dobrej jakosci (obrazek b – 630 nm). Kanal o slabej jakosci ma widoczne lini e laczenia poszczególnych linii skanowania (czarne smugi na obrazie) i jest mocno zaszumiony. Do dalszych anali z wykorzystano sceny posiadajace 222 analy spektralne. Jest to liczba kanalów, która zostala po usunieciu z oryginalnego zestawu danych kanalów o niskiej jakosci wymienianych pow yzej. Biorac pod uw age dotychc owe wyniki badan (Pal, Mather, 2006) zdecydowano, ze optymalna li czba kanalów wykorzystanych w klasyfikacji bedzie 40. Ryc. 16. Krzyw e wspólczynnika uzytecznosci kanalów dla pierwszego, drugiego i trzeciego kanalu PCA (pi erwsze trzy kanaly PCA wyjasnial y razem 88% w ariancji zobrazowania APEX) W celu wyznaczenia 40 naj lepszych kanalów spektralnych rzeprowadzono anal ize PCA zestawu skladajacego sie z 222 kanalów spektralnych. Nastepnie obliczono wspólczynni k uzytecznosci kanalów dla kanalów pierwszego, drugiego trzeciego PCA, dla kazdego kanalu spektralnego (band l oading, Ryc.16). Otrzymany wynik przeanalizowano z uzyciem algorytmu, który znajduje lokalne maksima i minima krzywej uzytecznosci kanalów. Wybrane w ten sposób najlepsze kanaly spektralne wykorzystano w dalszych analizach. Anali za zmiennosci wspólczynnika uzytecznosci kanalu pozw olil a na wyodrebnienie kanalów spektralnych o najwiekszym udziale w poszczególnych kanalach PCA . Wartosci rózne od zera (bez wzgledu na znak) sygnalizuja kanaly majace znaczacy udzial w poszczególnych skladow ych glównych. Udzial poszczegó nego kanalu jest oznaczony magnituda (odlegloscia od zera) wspólczynnika. 4.5. Przygotowanie Numerycznego Modelu Terenu, Numerycznego Modelu Pokrycia Terenu i Znormalizowanego Numerycznego Modelu Pokrycia Terenu Dane lidarowe uzyte w pracy pozyskano z KPN, przeslane w formie chmury punktów powstalej w wyniku przeprowadzania lotni czego skaningu laserowego obszaru KPN. Przetwarzanie danych lidarowych mi alo na cel u wykonani umerycznego Modelu Terenu (DTM) i Numerycznego Modelu Pokrycia Terenu (DSM) Karkonoskiego Parku Narodowego. Dane zostaly przetworzone w programie LAST OLS, gdzie nastapila ich filtracja oraz utworzenie DTM i DSM. W celu uzyskania bardziej gladkiego DSM uzyto opcji subcircle = 0,3 podczas tworzenia modelu. Opcja ta pozwal a na plynniejsze przejsci a miedzy poszczególnymi pikselami, co zapobiega powstawaniu artefaktów w wynikow ych danych. Modele DTM i DSM wykorzystano do obliczenia Znormalizowanego Modelu Pokrycia Terenu (nDSM , Ryc. 17), który posluzyl do utworzenia maski drzewostanów oraz wykonania mapy lokalizacji klasyfikowanych gatunków drzew na obszarze KPN w podziale na klasy wysokosci. Przy w ykonywaniu DTM wszystkie obiekty 15 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html powyzej poziomu terenu (domy, drzewa, mosty) sa usuwan z modelu. DTM dostarcza informacji o rzezbie terenu, co ulatwia dostrzezenie charakterystycznych form (doliny, wzgórza, wawozy, itp.). Ryc. 17. Przykl ady Numerycznego Modelu Terenu (DTM) (a), Numerycznego Modelu Pokrycia Terenu (DSM) (b) i znormalizowanego Numerycznego Modelu Pokrycia Terenu (nDSM) (c) DSM przedstawia bezwzgledna wysokosc danego obszaru, z wzglednieniem obiektów pokrywajacych teren – latw o rozpoznac lasy, zabudow ania i infrastrukture drogowa. Na DSM widoczne sa korony drzew, jednak ich wysokosci sa e w wartosciach bezwzglednych, bez odniesienia wzgledem poziomu terenu na którym rosna. W celu obliczenia wysokosci obiektów na danym tereni e wykonuje sie nDSM. a nDSM nie jest w idoczna topografia terenu, jedynie obiekty pokrywajace dany teren. 4.6. Przygotowanie maski drzewostanu W celu eliminacji z obrazu wynikowego pikseli, które n e reprezentuja zadrzewien, utworzona zostala maska drzewostanu KPN. Maska zostala zbudowana z czterech czesci (Ryc. 18). Pierwsza czesc stanowil znormalizow any cyfrowy model pokrycia terenu, druga zasieg przestrzenny parku pozyskany z bazy danych KPN, trzecia wskaznik mreNDVI , a ostatnia obszary zajmowane przez roslinnosc nielesna, yznaczone na podstawie ortofotomapy. Uzyskany model nDSM posluzyl do utworzenia maski drzewostanu o wysokosci powyzej 2,5 metra. Wartosc te dobrano empirycznie, jak e, która spowoduje usuniecie ze scen obszarów pokrytych niska roslinnoscia. Ograniczono klasyfikacje do roslinnosci wyzszej niz 2,5 metra ze w zgledu na trudnosci z dokladnym klasyfikow aniem obszarów porosni etych mlodym lasem. Mlody las jest bardzo zróznicowany i niej ednorodny, w y tepuja w ni m przestrzenie porosniete krzakami lub trawa – które ze wzgledu na dosyc duzy piksel zobrazowania APEX moglyby zaburzyc wyniki klasyfikacji. Ryc. 18. Schemat wykonania maski drzewostanów W celu usuniecia z klasyfikacji obszarów niebedacych roslinnosci a, które mogly zostac pominiete przez maske uzyskana z nDSM (skaly, obumarle pnie swierków w górnych partiach parku), zdecydowano sie na uzycie wskaznika m DVI. Jako wartosc graniczna przyjeto 0,4. Obszary o wartosci wskaznika mreNDVI ponizej w artosci granicznej zostaly usuniete z obrazu wynikow ego. Ryc. 19. Zasieg obszarów wymaskowanych z klasyfikacji na tle zasiegu zbiorowisk lesnych KPN Aby usunac obszary porosniete przez pojedyncze drzewa az usunac niedoskonalosci maski, wykonano manualnie dodatkow a maske obszarów nielesnych, uzywaj ac ortofotomapy. Maske roslinnosci wyzszej niz 2,5 metra przycieto do obszaru KPN (Ryc. 19) i za jej pomoca wymaskowano obraz wynikowy. Zasieg przestrzenny wykonanej maski drzewostanów zaznaczono na czerwono. Zobrazowania APEX pokrywajacy zaznaczony kolorem ziel onym obszar zostaly poddane klasyfikacji. Zaznaczony na zielono obszar ma powierzchnie 2027 ha. 4.7. Optymalizacja struktury sieci neuronowej Do wyznaczenia optymalnej liczby neuronów w warstwie u rytej wykorzystano caly zestaw wzorców zebranych podczas badan terenowych. Pierwszym krokiem bylo podzielenie tego zestawu na zestaw do uczenia i weryfikacji w taki sposób, aby byl on i dentyczny z zestaw em uzytym podczas klasyfikacji i oceny dokladn ci. Aby ograniczyc czas przetwarzania wybrano tyl ko jeden zestaw do uczenia i weryfikacji. Caly zestaw wzorców zos tal podzielony w edlug procedury 0,632 Estimate, wedlug której 63,2% zebranych wzorców w ykorzystano do treningu sieci, a pozostale do weryfikacji wyni ku (Efron, 1983). Nastepnie przeprowadzono procedure uczenia sieci neuronowej przy pewnej liczbie neuronów w warstwie ukrytej oraz ocene dokladnosci. Uzyskano dw e wartosci: dokladnosc uczenia oraz dokladnosc klasyfi kacji. Dokladnosc uczenia – to wartosc pokazujaca, jak dobrze dana siec nauczyl a sie zestawu danych do uczenia. Obli za si e ja poprzez sklasyfikowanie zestawu do uczenia wyuczona siecia, a nastepnie porównanie uzyskanego wyniku z zestawem do uczenia. Dokl adnosc klasyfikacji pokazuje, z klasyfikacja zestawu danych, który nie zostal uzyty jakim stopniu wyuczona siec radzi sobie jej uczenia. Do jej obliczania klasyfikuje sie zestaw do weryfikacji wyuczona siecia, a nastepnie porów nuje sie wyni k z wzorcem zawartym w zestawie do weryfikacji. W pracy prawdzono architektury sztucznych sieci neuronow ych majacych od 5 do 120 neuronów w warstwi e ukrytej. Symulacja kazdej architektury sieci zostala pow tórzona po 50 raz (razem 5750 symulacji), aby zminimali zowac wplyw losowego doboru startowych wag miedzy neuronami. Po przeprowadzeniu analizy porównano dokladnosci uczenia i klasyfikacji kazdej architektury. Procedura optymalizacyjna polegala na wybraniu optymalnej liczby neuronów w warstwie ukrytej sztucznej sieci neuronow ej – najmniej ej, a jednoczesnie dajacej najwyzszy wyni k klasyfikacji. Parametr rozkladu (decay) ustawiono na 0,005. Wartosci poczatkowe wag na polaczeniach pomiedzy neuronami ustawiono na losowa wartosc w zakresie od -0,5 do 0,5. 4.8. Iteracyjna ocena dokladnosci klasyfikacji W pracy wykorzystano iteracyjna metode oceny dokladnos i klasyfikacji, stosujac losowy podzial zestaw u danych wzorcow ych na zestaw do uczenia i weryfikacji (0.632 Estimate). Caly proces oceny dokladnosci skladal sie z tu powtórzen (iteracji). Procedura wykonania kazdego powtórzenia wygladala nastepujaco: • 63,2% wzorców zostalo l osow o przydzielone do zestawu do uczenia, a pozostala czesc do zestawu do weryfikacji. W celu zwiekszenia reprezentatywnosci kazdego zestaw u, losowanie wzorców bazow alo na metodzie losowania w arst owego. Wielkosc zestawów (w liczbie wzorców) zostala przedstawiona w tabeli 4. Liczba wzorców w kazdym powtórzeniu w zestaw ach do uczenia i weryfikacji pozostala taka sama; zmienne byly tylko wzorce, które zostaly do nich przypisane, • zestaw do uczenia zostal wykorzystany do treningu sz ucznej sieci neuronowej, wykorzystujac parametry uczenia które wyznaczono w rozdziale 4.7. Parametr rozkladu (decay) ustawiono na 0,005. Wartosci poczatkowe wag na polaczeniach pomiedzy neuronami ustaw iono na losowa wartosc w zakresie od -0,5 do 0,5, • w yuczona sztuczna siec neuronowa zostala nastepnie w korzystana do klasyfikacji zestawu do weryfikacji, a wynik porównywany z zestawem do weryfikacj i. Nastepnie obliczo ne zostaly miary oceny dokladnosci (dokladnosc ogólna, dokladnosci producenta i uzytkowni ka dla klas, wspólczynni k kappa), • obliczone miary dokladnosci razem z numerem powtórzenia (iteracji) zostaly zapisane i przyporzadkow ane do danej i teracji, w której je uzyskano, • usuniecie wykorzystanego zestawu oraz wyuczonej sztu znej sieci neuronowej, • kolejne pow tórzenie calej procedury opisanej powyzej (az do 100 razy). Po wykonaniu wszystkich powtórzen obliczona zostala mediana oraz rozklad dokladnosci producenta i uzytkownika dla poszczególnych klas oraz mediana, rozklad wspólczynnika kappa i dokl adnosci ogólnej klasyfikacji. Tabela 4. Liczba wzorców (pikseli) wykorzystanych do u zenia i weryfikacji dla poszczególnych klas Klasa Brzoza Buk Modrzew Olcha Sosna Swierk Zestaw do uczenia 389 615 433 57 79 1692 Zestaw do weryfikacji 226 357 252 33 46 985 Z racji na duze powierzchnie pokryte przez swierk, klasa swierk byla najliczniej reprezentowana we wzorcach do uczenia i weryfikacji (1692 i 985 pikseli), natomiast klasa o najmniejszej liczbie wzorców byla olcha i sosna (pon zej 150 pikseli ). Kl asy brzoza i modrzew mialy okolo 650 pikseli wzorcowych. 4.9. Klasyfikacja zobrazowan APEX sztucznymi sieciami neuronowymi Procedura optymalizacji struktury sieci neuronowej poz lil a na wyznaczanie optymalnych parametrów uczenia sieci, natomiast procedura iteracyjnej oceny dokladnosci – na ocene dokladnosci klasyfikacji. Sztuczna siec neuronow o optymalnie dobranych parametrach uczenia zostala wytrenowana przy uzyciu w szystkich zebranych wzorców terenow ych. Poniewaz ocena dokladnosci zostala, zdecydowano sie na uzycie w szystkich wzorców do uczenia sieci podczas ostatniego uczenia, tak by nie zmniejszac dokladnosci finalnej klasyfikacji. Dodatkowo taki zabieg zapewnil sklasyfi kowanie wszystkich scen APEX, które pokrywaly aw ne sklasyfikowani e obszarów, na których zlokalizowane zostaly poligony pomiarowe. Ostatnim krokiem pracy byl o zar KPN. Z kazdej sceny wybrano zestaw kanalów spektralnych wyznaczonych podczas procedury wyboru kanalów. Nastepnie sceny zostaly sklasyfikowane w ytrenowana sztuczna siecia neuronowa. Pol egalo to na skl asyfikowaniu wyeksportowanych do formatu ascii scen APEX za pomoca funkcji predi ct. Sklasyfikowane sceny zostaly zamienione na obraz przy uzyciu skryptu napisanego w jezyku programow ania Python. Zasada jego dzialania polegala na wykorzystaniu modulu gdal (przeznaczonego do pracy z d ymi teledetekcyj nymi), do zamiany danych tekstowych w obraz zl ozony z pikseli. Sklasyfikowane sceny zostaly polaczone w jeden obraz obejmujacy swoim zasiegiem obszar KPN. W celu usunieciu efektu „soli i pieprzu” oraz generalizacji obrazu, obraz poklasyfikacyjny przeszedl przez 16 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html analize wiekszosci o oknie 3x3 piksele. 5. Wyniki Przedstawiona w pracy metoda przetwarzania danych hi perspektralnych oraz optymalizacji parametrów uczenia sztucznych sieci neuronowych pozwolila na uzyskanie nastepujacych wyników: • ocena korekcji obrazów APEX, • ocena informacyjnosci poszczególnych kanalów zobrazowania APEX uzyskanych jako rezultat procedury wyboru kanalów spektralnych, • optymalizacja parametrów uczenia sztucznej sieci neu owej oraz wizual izacja wyników optymalizacj i, • w yniki klasyfikacji wszystkich scen APEX wytrenowana siecia oraz odniesienie wyniku do oficjalnych danych dotyczacych skladu gatunkowego lasów KPN, • analiza poprawnosci otrzymanej klasyfikacji za pomoc acierzy bledów oraz iteracyjnej oceny dokladnosci. 5.1. Dokladnosc korekcji atmosferycznej zobrazowan APEX Procedura korekcji atmosferycznej pozwolila z sukcesem zredukowac w plyw atmosfery na charakterystyki spektralne obiektów na zobrazowaniu APEX. Blad RMSE korekcji atmosferycznej w yniósl 1,3%. Wynik przeprowadzonej korekcji nalezy uznac za satysfakcjonujacy. Wykres po lewej stronie (Ryc. 20) prezentuje krzywa spektralna dla laki przed wykonaniem korekcji atmosferycznej . Ryc. 20. Efekt korekcji atmosferycznej krzyw ej spektra nej charakteryzujacej laki Widoczne sa obszary zaklócenia pomierzonego sygnalu wy olanego przez pare wodna znajdujaca sie w powietrzu (930-960 nm; 1110-1130 nm). Glebokie minimum w przedziale 740-770 nm wynika z obecnosci tlenu (O2) w powietrzu. Dodatkowo zakres spektralny od 1400 nm do 2500 nm byl zni eksztalcony, a pomierzony sygnal slaby. Po wykonaniu korekcji atmosferycznej (w ykres po prawej stronie) cec y spektralne tej samej laki sa prawidlowe. Wszystkie zaklócenia wywol ane obecnoscia tlenu i pary wodnej w powi etrzu zostaly wyeliminowane, a sama krzywa ma elementy charakterystyczne dla krzywej spektralnej opisujacej roslinnosc (zwiekszone odbicie w zakresie swiatla zielonego, red-edge, plaskow yz zieleni). Zakresy charakteryzujace zawartosc wody w roslinach nie zostaly skorygowane (wartosci w tych zakresach maja przypisana specjalna wartosc wskazujaca na brak korekcji). Dodatkowo slaby sygnal w zakresie dals podczerwieni zostal wzmocniony. 5.2. Analiza informacyjnosci zobrazowania APEX Przeprowadzona analiza jakosci kanalów zobrazow ania AP metoda PCA wyznaczyla 40 najlepszych kanal ów spektralnych zobrazowania. Najbardziej informacyjne kanaly wyznaczono poprzez zbadanie w artosci w spól czynnika uzy znosci kanalów (band loading) pierwszych trzech skladowych PCA. Rozmieszczenie w ybranych kanalów spektralnych znajduje sie w calym zakresie od 350 do 2450 nm (Ryc. 21). Ryc. 21. Najbardziej informacyjne kanaly spektralne zobrazowania APEX. Wybrane kanaly zaznaczono czerw ona kreska. Dl a porównania dodano krzywe spektralne dla dwóch gatunków drzew Wybrano nastepujace kanaly (dlugosci fali w nm): 530, , 590, 600, 610, 620, 630, 650, 680, 690,780, 800, 820, 830, 850, 860, 880, 900, 930, 940, 960, 980, 1000, 1040, 1120, 1200, 1240, 1260, 1280, 1500, 1530, 1560, 1660, 1720, zakresie swiatla widzi alnego i bliskiej podczerwieni ( 0, 2000, 2030, 2060, 2090 i 2110. Zdecydowana wiekszosc wybranych kanalów spektralnych znajdowal a sie w 1000 nm). W tym zakresie widoczne sa dwa obszary o zwiekszonej gestosci wybranych kanalów: obszar absorbcji swiatla czerwonego przez chlorofil (600-690 nm) oraz obszar silnego odzialywania promi eniow ania podczerwonego ze struktura komórkowa li sci roslin (850-1000 nm). Wykorzystany algorytm nie wybral zadnego kanalu spektralnego znajdujacego sie bezposrednio na krzywej czerwieni (red edge), jednak za wazne uznal te, które znaj duja sie na koncu i poczatku tego obszaru (690 i 780 nm). Rów niez kanaly w zakresie swiatla niebieskiego (400-500 nm) nie zostaly uznane za niosace informacje przydatna w klasyfikacj i. Kanaly znajdujace sie w dalszej bliskiej podczerwieni 0-2500 nm) nie sa li czne, jednak znajduja sie w charakterystycznych punktach krzyw ej spektralnej (w punktach przegiecia i obszarach w razliwych na zawartosc róznych substancji w roslinach). 5.3. Optymalizacja struktury sztucznej sieci neuronowej Ustalono, ze optymalna liczba neuronów w warstwi e ukry ej jest 34. Dla takiej l iczby neuronów w warstwie ukrytej dokladnosc dla zestawu treningowego wyniosl a 98%, dokladnosc dla zestawu weryfikacyjnego 83%, a RMSE wyn oslo 1200 (Ryc. 22 i 23). Ryc. 22. Zaleznosc miedzy liczba neuronów w warstwie u ytej perceptronu wielowarstwowego o jednej warstw ie ukrytej a sredni a dokladnosci producenta dla zestawu uzytego do uczenia sieci i zestawu weryfikacyjnego. Zi elona li ia zaznaczono wyniki uzyskane dla 34 neuronów Ryc. 23. Wartosc bledu RMSE w zaleznosci od liczby neu ów w w arstwie ukrytej perceptronu w ielow arstwowego o jednej warstwie ukrytej. Zielona linia zaznaczono wyniki uzyskane dla 34 neuronów Mimo ze sieci o mniejszej liczbie neuronów w warstwie krytej otrzymaly w yzsze dokladnosci dla zestawu testowego, zostaly uznane za nieoptymalne poniewaz charakteryzowala je mniej sza dokladnosc dla zestawu treningow ego oraz znacznie wieksze wartosci RMSE. Powyzsze zjaw isko moze wskazyw ac na niska zdolnosc generalizacji sieci, a zatem moze dostarczac gorsze wyniki. Sieci o wiekszej liczbie neuronów niz 34 cechow aly si e wiekszymi dokladnosciami dla zestawu treningowego, nizszym RMSE oraz mniejszymi dokladnosciami dla zestawu do testu. Uzycie sieci o wiekszej li czbie neuronów w warstwie ukrytej mogloby przyniesc lepszy w ynik, ale poniewaz maj a one wiecej neuronów, trening sieci móglby trw ac o wiel e dluzej. 5.4. Rozmieszczenie analizowanych gatunków drzewiastych Mapa prezentujaca koncowy wynik klasyfikacj i zostala zgeneralizowana za pomoca analizy wiekszosci o oknie 3x3 (Ryc. 24). Zabieg ten pozwolil wyeliminowac poj edyncze piksele, tworzace tzw. efekt „pieprzu i soli”, zacierajac ogólny obraz rozmieszczeni a klasyfikowanych drzew. Terenowe analizy weryfikacyjne potwierdzily duza zbieznosc obrazów poklasyfikacyjnych (Tabel e 5 i 6). Tabela 5. Macierz bledów klasyfikacji dla iteracji o n jwyzszej dokladnosci ogólnej Brzoza Buk Modrzew Olcha Sosna Swierk Brzoza 84,96 2,52 2,38 0,00 0,00 1,32 Buk 4,42 89,92 3,57 3,03 2,17 1,22 Modrzew 3,98 2,24 76,19 3,03 4,35 3,55 Olcha 0,44 0,56 0,79 93,94 0,00 0,30 Sosna 0,88 0,56 1,19 0,00 78,26 0,30 Swierk 5,31 4,20 15,87 0,00 15,22 93,30 Analizujac macierz bledów (Tabela 5) mozna stwi erdzi c, ze najlepiej sklasyfikowaly sie klasy olcha oraz swierk (pow yzej 93% dokladnosci producenta). Nieznacznie gorsze wyniki uzyskano dla klas buk i brzoza (dokladnosc producenta pow yzej 85%). Modrzew i sosna osi agnely 76% i 78% dokladnosci producenta. Brzoza byla mylona ze swierkiem w 5% analizow anych przypadków, z bukiem (w 4%) i modrzew em (w 4%). Tabela 6. Dokladnosc producenta i uzytkownika dla posz zególnych klas (iteracja o najwyzszej dokladnosci ogólnej) Brzoza Buk Modrzew Olcha Sosna Swierk Dokladnosc uzytkownika 87 91 78 79 78 92 Dokladnosc producenta 85 90 76 94 78 93 Buk natomiast byl myl ony w 2% z brzoza i modrzewiem or w 4% ze swierkiem. Dw a stosunkowo slabo sklasyfikowane gatunki: modrzew i sosna, byly przewaznie mylone ze swierkiem (15%). Niemniej wszystkie analizowane gatunk uzyskaly satysfakcjonujace wyniki miar statystycznych, czyli dokladnosci uzytkownika i producenta (Ryc. 25) oraz dokladnosc ogólna i wspólczynnik kappa (Ryc. 26). Anal zujac dokladnosci producenta i uzytkownika dla najlepszej iteracji mozna stwierdzic ze klasy modrzew i sosna uzyskaly najnizsze dokladnosci uzytkownika i producenta. Klasa ol cha uzyskala jedna z naj wyzszych dokladnosci producenta oraz jedna z nizszy h uzytkownika. Klasy swierk, sosna, buk i brzoza charakteryzowaly niewielkie róznice pomiedzy dokladnosciami 17 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html producenta i uzytkownika (Ryc. 25). Szczególowa analiza wyników z iteracyjnej oceny dokladnosci (Ryc. 27, 28) potwierdza, ze najwyzsze dokl adnosci producenta osiagnely klasy buk i sw ierk (mediana 88% i 92%), najnizsze osiagnely klasy brzoza (83%) i olcha (82%). Ryc. 25. Porów nanie dokladnosci producenta i uzytkowni a dla sklasyfikowanych klas (wyniki dla najlepszej iteracji ) Najgorzej w ypadly klasy modrzew (mediana 73%) oraz sos a (69%). Szerokosc rozkladu dokladnosci oraz jej skosnosc moga w skazywac na cechy zestawu uzytego do uczenia oraz weryfikacji (czystosc spektralna próbek), pokazac i nteresujace wlasciwosci klasyfikowanej klasy (np.: duza spektralna heterogenicznosc klasy, co objawialoby sie szerokim rozkladem wyników) l ub opisac, w jakim stopniu dany al orytm klasyfikujacy radzi sobie z danymi. Ryc. 26. Dokladnosc ogólna i wspólczynnik kappa klasyf kacji (na podstawie 100 powtórzen klasyfikacji) Ryc. 27. Dokladnosci producenta dla poszczególnych klas (na podstawie 100 powtórzen klasyfikacji) Najmniejsza szerokosc rozkladu dokladnosci dotyczy kla swierk, buk oraz brzoza (odpow iednio 4, 9, 13 p.p.). Klasy olcha i sosna mialy najwieksze szerokosci rozkladu dokladnosci producenta (33 i 30 p.p.). Wszystkie anali owane klasy mi aly rozklady lekko skosne, zwykle w kierunku wyzszych dokladnosci producenta. Najwyzsza mediane i dokladnosci producenta osiagnely klasy swierk (91%) oraz buk (89%). Klasy brzoza i olcha uzyskaly mediane dokladnosci uzytkownika na poziomie odpowiednio 85% i 84%. Ryc. 28. Dokladnosci uzytkow nika dla poszczególnych kl (na podstawie 100 powtórzen klasyfikacji) Najnizsza mediane dokladnosci uzytkownika (Ryc. 28) os agnely klasy sosna i modrzew (74%). Klasy o najmniejszej szerokosci rozkladu dokladnosci uzytkownika to swierk (3 p.p.) i buk (6 p.p.), natomiast klasy ol cha i sosna mialy najszersze rozklady dokladnosci uzytkownika (24 i 35 p.p.). 5.5. Wysokosc anal izowanych gatunków drzewiastych Wykonany nDSM oraz w ynik klasyfikacji posluzyl do wykonania mapy rozmieszczenia wybranych gatunków drzew na obszarze KPN w podziale na 3 klasy wysokosciowe (Zalaczniki 1 i 2). Tego rodzaju mapa pozwala na anali e rozmieszczenia drzew nie tylko przez pryzmat gatunku do jakiego naleza drzewa, ale pozwala równiez na uwzglednieni e wysokosci drzew podczas analizy wyników (Tabela 7, Ryc 29). Warto podkreslic, ze taki produkt (nDSM) nie dostarcza informacji o wysokosci drzewa pomierzonej wzdluz pnia, lecz danych na temat wysokosci korony drzewa. Ryc. 29. Procentowy udzial kl as w ysokosciowych dla klasyfikow anych gatunków drzew Ciekaw ie wyglada sytuacja wysokosci drzew, gdyz buk tw zy najwyzsze zbiorowisko (60% drzew jest wyzsza niz 20 metrów, 27% ma wysokosc miedzy 10 a 20 metrów, natomiast tylko 13% jest nizsza niz 10 metrów, Ryc. 29 Modrzewie i olchy maja wyrównany stosunek klas wysokosciowych (zadna z trzech klas wysokosci ni e dominuje nad inna). Efekty katastrofy ekologicznej bardzo dobrze wi w swierku, gdyz 47% drzew charakteryzuje sie wysokoscia od 10 do 20 metrów natomiast, 41% jest nizsza niz 10 metrów. Tabela 7. Powierzchnia (ha) zajmow ana przez klasyfikow e gatunki drzew w podziale na trzy klasy wysokosci Gatunek Wysokosc drzew Brzoza Buk Modrzew Olcha Swierk Sosna < 10 metrów 51,37 25,37 41,51 0,66 641,47 2,69 10 - 20 metrów 35,76 56,70 46,95 0,72 750,07 7,86 > 20 metrów 10,40 125,78 39,22 0,82 186,17 4,08 Tylko 12% drzew nalezacych do tego gatunku jest wyzsza niz 20 metrów. Klasa w której wyraznie dominuja drzewa majace od 10 do 20 metrów w ysokosci jest klasa sosna (53%). Ponad 50% brzóz wystepuj acych na terenie KPN ma wysoko ponizej 10 metrów, 36% ma od 10 do 20 metrów wysokosci, a pozostale 11% jest wyzsze niz 20 metrów. 6. Przydatnosc obrazów APEX i sztucznych sieci neuronowych do klasyfikacji gatunków drzewiastych Wykonane analizy zostal y porównane z oficjalnymi danym KPN (Tabela 8). Najw ieksza zgodnosc wystepuje w przypadku powierzchni zajmowanych przez brzozy, olchy oraz sosny. Naj wieksze róznice miedzy danymi oficjalnymi a mi z klasyfikacj i wystapily dla klasy buk (6 punktów procentowych) i swi erk (8 p.p.). Klasyfi kacja wskazuj e ponad dwukrotnie wyzszy udzial procentowy buka w KPN oraz obniza udzial swierków o 8 punktów procentowych w stosunku do danych oficjalnych. Tabela 8. Porównanie procentowego udzialu poszczególny h gatunków drzew na obszarze KPN, w edlug danych KPN (Danielewicz i inni, 2012) oraz wyników uzyskanych z klasyfikacji Brzoza Buk Modrzew Olcha Sosna Swierk Klasyfikacja 4,81 10,25 6,30 0,11 0,72 77,81 Dane KPN 4,79 4,14 4,58 0,12 0,53 85,55 Porównujac uzyskane wyniki klasyfikacji z danymi uzyskanymi przez innych badaczy, stosujacymi dane teledetekcyjne, trzeba miec na uw adze, jakie dane i algorytm klasyfikuj acy zostaly uzyte oraz liczbe kl as wyznaczanych przez posz ególnych autorów. W glównej mierze dotyczy to wielkosci przestrzennej i spektralnej piksela, gdyz duze piksele rej estruja nie tylko dane drzewo, ale takze i otaczajacy cien, cz inne obiekty wystepujace wokól drzewa, czy nawet pod nim. Takie miksele utrudniaja prawidlowa interpretacje wyni ków. Zbyt maly piksel nie jest tez optymalnym rozwiazaniem, dyz rejestruje obszar znajdujacy sie miedzy poszczególnymi galeziami wprowadzajac artefakty. Czestym elementem, kt óry mozna znalezc w literaturze jest klasyfikacja wszystki obiektów wystepujacych na obrazie, np. wody, skaly, czy roslinnosc zielna. Takie klasyfikacj e moga zawyzac dokladnosc cal kowi ta, czy wskaznik kappa, gdyz sa to czesto homogeniczne spektralnie obiekty, które bez problemu moga byc wyodrebnione na obrazie. akter aplikacyjny i ich celem jest sporzadzenie mapy rozmieszczenia gatunków drzew (Kokaly i inni, 2003; Peerbhay i Prace dotyczace klasyfikacji drzewostanu czesto maja c inni, 2013), chociaz sa tez takie, które traktuja tematyke klasyfikacji gatunków drzew jako nietrywialny problem, na którym testuja rózne metody przetwarzania danych oraz klasyfikatory (Dalponte i inni, 2013). Niekiedy autorzy opracowuj a klasyfikacje dwóch gatunków iglastych (swierk i sosna) oraz jednej klasy, w której zawarte sa wszystkie gatunki lisciaste (Dalponte i inni, 2013; Dalponte i inni, 2014, Tabel a 9). W niniejszej pracy uzyskano dokladnosci producenta 93% la klasy sw ierk (Picea abies L.) oraz 78% dla klasy sosna (Pinus sylvestri s L.). W pracy Dalponte i inni (2014) bylo to odpowi ednio: 97% i 95% dla klas sw ierk (Picea abies L. t) i sosna (Pi nus sylvestris L.) oraz 71% dla pozostalych gatunków drzew lisciastych (brzoza Betula spp. L. oraz topola Popul us tremula L.), przy uzyciu al gorytmu SVM. Porównujac w yniki przytoczonej pracy z wynikami z najl epszej iteracji mozna stw ierdzic, ze rzymano podobnie wysoka dokladnosc dla klasy swierk, jednak nie udalo sie sklasyfikowac klasy sosna z wysoka dokladnoscia. W tym przypadku duze znaczenie ma niewielki zasieg prz trzenny wystepowani a sosny w KPN co znacznie utrudni a dobranie odpowiednio duzego zestawu wzorców. Autor niniejszej pracy osiagnal srednia dokladnosc producenta dla wszystkich gatunków drzew lisciastych 88%, zatem wieksza niz Dalponte i inni (2014) – 71%. Dokladnosc ogólna powyzej 80% nie jest rzadkoscia w pracach dotyczacych klasyfikacji drzewostanu, co uzasadnia uzycie technik teledetekcyjnych, szczegól nie teledetekcji hiperspektralnej jako narzedzia wspierajacego kartowanie gatunków drzew. Zdecydowana wiekszosc prac skupia sie na klasyfikacji kilku gatunków drzew, choci sa i takie, w których klasyfikuje sie wieksza li czbe gatunków drzew (Feret, Asner, 2013; Graves i inni, 2016; Sommer i inni, 2015). Tabela 9. Porównanie wyników pracy z dostepna literatura Autor Rodzaj uzytych danych Algorytm klasyfi kujacy Lic ba skalsyfikowanych gatunków drzew Dokladnosc ogólna % Wspólczynnik kappa Kokaly i inni, 2003 hiperspektralne System ekspercki 4 0,62 Peerbhay i inni, 2013 hiperspektralne PLS-DA 6 88 0,87 Dalponte i inni, 2013 hiperspektralne SVM, RF, Gaussian Maximum Likelihood 4 90 < 0,8 18 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html Feret i Asner, 2013 hiperspektralne SVM (radial- kernel) 17 83 b.d. Dalponte i inni, 2014 hiperspektralne i lidarowe SVM 3 93 0,88 Ghosh i inni, 2014 hiperspektral ne i lidarowe SVM, Ran m Forest 5 94 0,95 Fassnacht i inni, 2014 hiperspektralne SVM, Random Forest 5 92 0,83 Pri editis i inni, 2015 hiperspektralne LDA i SSN 5 86 A; 71 SSN b.d. Sommer i inni, 2015 hiperspektralne Random Forest 13 9 0.93 Baldeck i inni, 2015 hiperspektralne SVM 3 98 b.d. Ballanti i inni, 2016 hiperpsektralne i lidarowe SVM 8 95 b. d. Graves i inni, 2016 hiperspektrale SVM 20 62 b.d. Lee i inni, 2016 hiperspektralne i lidarowe SVM 6 91 0,89 Raczko hiperspektralne SSN 6 87 0,82 Podobne procedury optymalizacji parametrów uczenia szt cznej sieci neuronowej przeprowadzil zespól Feret i Asner (2013). Niemni ej wyniki klasyfikacji 17 gatunków drzew tropikalnych rosnacych na Hawajach sa zdecydowanie nizsze, bo oscyl ujace w poblizu 40%, mimo zastosowania sztucznych sieci neuronowych zaimplementowanych w oprogramow aniu MATLAB. Nizsze wyniki moga swi adczyc o ekszym zróznicowaniu przestrzennym gatunków tropikal nych. Porównywalna wielkosc piksela i znacznie nizsza dokladnosc (niz uzyskana w nini ejszej pracy - 87%, ale przy wiekszej l iczbie klasyfikowanych gatunków drzew 17), dowodzi potrzebe stosowania przemyslanej strategii doboru parametrów uczenia w przypadku SSN. Dane z sensora APEX wykorzystano juz nieraz do klasyfikacj i gatunków drzew uzywajac danych hiperspektralnych. Zespól pod kierownictwem G. Tagliabue (2016) przeprowadzil klasyfikacje pieciu gatunków drzew (grab Carpinus betulus, dwa gatunki debu Quercus petraea i Quercus robur – jako jedna klasa, lipa Tilia oraz swierk Pinus) w ystepujacych w Lotaryngii, uzywajac danych APEX o 3-metrowej rozdzielczosci przestrzennej. Dane APEX pozyskano na poczatku wrzesnia. W pracy wykorzystano algorytm naj wiekszego prawdopodobienstwa j ako klasyfik or oraz wszystkie pozyskane kanaly spektralne. Uzyskano klasyfikacje o dokladnosci ogólnej 74% i wspólczynniku kappa 0,63. Najni zsze dokladnosci producenta osiagnely lasy lipa (71%) oraz grab (70%), naj wyzsze zas sosna (80%) i dab (85%). Dokl adnosci uzytkownika wyniosly od 61% (klasa dab) do 86% (klasa grab). Autorzy zasugerowali wykorzystanie danych o wyzszej rozdzielczosci przestrzennej lub zobrazowan pochodzacych z innej pory roku (Tagliabue i inni, 2016). Niniejsza praca dow odzi, ze nie jest to k ni eczne – pod warunkiem odpowiedniego doboru wykorzystanych danych oraz algorytmu klasyfikacyjnego. Biorac pod uwage tematyke klasyfikacji drzewostanu warto porów nac wynik z otrzymanymi na obszarze, w którym wystepuja podobne gatunki drzew. Lee i inni (2016) uzyskali bardzo dobre wyniki klasyfikujac gatunki drzew algorytmem SVM w lesie zlok izowanym w Oxfordshire w Angli i. Dokladnosc powyzej 90% dla klas buk (Fagus s lvatica) i modrzew (Larix deci dua) pokazuje, ze mozliwe jest lepsze niz pokazane w tej pracy sklasyfikowanie klasy modrzew (76% w najlepszej iteracji ). Niska dokladnosc dla klasy modrzew mozna wyjasnic charakterystyka wystepow ania drzew tego gatunku w KPN (pojedynczo lub mal ych grupach, zwykle nasadzone w jednej linii) i cechy korony modrzewi (niezbyt zwarta). Utrudnia to pozyskanie dobrych wzorców oraz poprawna klasyfikacje drzew tego gatunku na obrazie, poniewaz trudno jest znalezc piksel, który ni est mi kselem koron modrzewia i innego gatunku drzew. Na obszarze badawczym omawianym przez Lee i i nnych (2016) modrzew ie rosna tylko na jednym obszarze i nie sa pomi zane z drzewami innych gatunków (Ryc. 30). Warto nadmienic, ze Lee i inni (2016) korzystali z kanalów po transformacji PCA oraz danych lidarowych, co znacznie podnioslo wyni i (z 85% do 91% dokladnosci ogólnej). Ze wzgledu na otrzymany zestaw danych (niedoskonalosci korekcji atmosferycznej powoduja róznice charakterystyk spektralnych tego samego obiektu, pochodzacych z dwóch róznych scen) w niniejszej pracy nie wykorzystano obrazów po transformacji PCA, co moglo spowodowac gorsza niz zakladano klasyfikacje niektórych klas. Dodatkowym atutem byla tez latwosc dostepu do obszaru badan oraz istniejace aktual ne mapy rozmieszczenia gatunków drzew. Ryc. 30. Obraz poklasyfikacjyny lasu w Oxfordshire. Ko ory symbolizuja gatunki drzew (niebieski – modrzew Larix decidua, zielony – klon jawor Acer pseudoplatanus, czerw ony – j esion Fraxinus excelsior, zólty – buk Fagus sylw ati a, fioletowy – dab Quercus robur, brazowy – brzoza Betula spp.) (Lee i inni, 2016) Mimo tych udogodnien klasa brzoza (Betula spp.) w prac Lee i inni (2016) uzyskala dokl adnosc producenta 74%, czyl i nizsza niz prezentowana w tej pracy (85%). Porównujac uzyskane wyniki z literatura mozna uznac je za nieodstajace od rezultatów otrzymywanych przez innych naukowców (Tabela 9), szczególni e, jezeli w ezmie sie pod uwage fakt, ze niewiele prac dotyczylo klasyfikacji gatunków drzew na tak duzym obszarze jak KPN. Ogólna dokladnosc uzyskanej klasyfikacji (mediana 87%) gatunków drzew mozna uznac na bardzo w ysoka. Po czesci jest to wynik uzyskania wysoki ch dokladnosci producenta przez klasy reprezentowane przez wiekszosc pikseli wzorcowych uzytych w klasyfikacji (klasy buk i swi erk). Bardziej zrównowazony wglad w uzyskane dokladnosci oferuj e praca Fassnach i inni (2014) oraz Ghosh i inni (2014). W obu rzytoczonych pracach autorzy zdecydowali sie na wylosowanie dla kazdego z klasyfikowanych gatunków drzew równej liczby piksel i wzorcowych, które zostaly, po podziale ich na zestaw treningowy i testowy, uzyte do treningu klasyfikatora oraz jako zestaw walidacyjny. W takim podej sciu mozna uni knac inflacji wskaznika dokladnosci ogólnej klasyfi acji, który w przypadku uzycia powyzszej metody, jest zwykla srednia arytmetyczna dokladnosci producenta klas. W obu pracach zdecydow ano sie wybrac po 60 pikseli na klase. imo wymienianych powyzej zalet uzycia zestawu danych wzorcowych o równych liczebnosciach dla klasy, istnieja prace o bardzo niezbalansowanych liczebnosciach w zorców dla las (Prieditis i i nni, 2015). Na przyklad Lee i inni (2016) uzywali 636 pikseli wzorcowych dla klasy jesion (Fraxinus excelsior), 255 pi kseli wzorcow ych dla kasy modrzew (L x decidua) i 186 dla klasy brzoza (Betula spp.), osiagajac w wyniku dokladnosc ogólna 91%. Podobny stan rzeczy jest w niniejszej pracy, gdzie sa dosyc duze róznice w licz bnosci wzorców dla poszczególnych klas (klasa swierk – 2677, modrzew – 685, olcha – 90 pikseli wzorcowych). Mimo dobrych wyników uzyskiwanych na podstawi e danych hiperspektralnych, czesc badaczy wzbogaca dane spektralne o dane lidarowe. Dane lidarow e pozwalaja m.in. na wyznaczanie poszczególnych koron drzew, co zmniejsza problem mikseli w klasyfikacji oraz pozwala na zastosowani e obi ektowego podejscia do klasyfikacji (Dalponte i inni, 2014; Ballanti i inni, 2016, 2016; Lee i inni, 2016). obrym przykladem synergicznego w ykorzystania danych lidarowych i hiperspektralnych jest praca Ball anti i inni (2016). Badacze wykonali klasyfikacje 8 gatunków drzew (sekwoj Sequoia sempervirens, daglezja Pseudotsuga menziesii, wawrzyn Umbellularia cali fornica, dab Quercus agrifolia, olcha Alnus rubra, wierzba Salix lasiolepis, eukaliptus Eucalyptus globulus i kasztanowiec Aesculus californica), rosnacych w Muir Woods (Kaliforni a, USA) uzywajac skanera AISA Eagle. Poza charakterystykami spektralnymi w laczyli do klasyfikacji model koron drzew. Obraz poklasyfikacyjny uzyskal 95% dokladnosci ogólnej, wszystkie klasy poza wierzba (58%) uzyskaly powyzej 90% dokladnosci producenta, a t lko dw ie klasy uzyskaly dokladnosci uzytkownika ponizej 92% (dab – 67%, wierzba 84%). Jest to przekonujacy dowód sensownosci wlaczenia danych lidarowych do klasyfikacj drzewostanu – pod w arunkiem, ze jest si e w stanie wyekstrahowac pozadane dane (Ballanti i inni, 2016). W niniejszej pracy ni e zdecydowano sie na wlaczenie danych lidarowy h ze wzgledu na brak aktualnej chmury punktów dla obszaru badan. Preferowane jest zebranie danych lidarowych w tym samym momencie, co charakterystyk spektralnych. Uzycie nieaktualnych danych l idarowych mogloby znaczaco znieksztalcic wynik. Zastosowanie sztucznych sieci neuronowych w teledetekc i nie jest szeroko rozpowszechnione (Fassnacht i inni, 2016). Spow odowane jest to glównie trudnosciami w ich uzyciu oraz faktem, ze inne klasyfikatory, jak SVM czy RF dostarczaja porównyw alne wyniki przy znacznie mniejszym nakladzie pracy. Sam proces optymalizacji uczenia sztucznej sieci neuronowej ma duzy wplyw na koncowy w ynik (Feret, Asner, 2013), a jest on tylko jedna z wielu czynnosci, które trzeba wykonac chcac otrzymac obry wynik (innymi sa: dobór architektury, w ybór algorytmu uczacego, bal ansowanie miedzy sensownym czasem uczenia a wynikiem). Wykorzystanie w pracy programu „nnet” dostepnego dla programu R dow iodlo, ze mozna z powodzeniem uzywac sztucznych sieci neuronowych do klasyfikacji. Bogactw o dodatkowych podprogramów dostepnych dla R poz al a przeniesc caly lancuch przetwarzania w jedno miejsce. Biorac pod uwage powyzsze fakty, nic nie stoi na przeszkodzie, aby rozszerzyc zakres zastosowania SSN w teledetekcji. Warto równiez przeprowadzic analize uzycia tzw. si eci glebokiego uczenia (deep-learning) w teledetekcji hiperspektralnej. 6.1. Róznice udzialu gatunków drzew w KPN uzyskanego n podstawie klasyfikacji i z danych oficjalnych Uzyskane wyniki pokazuja dosyc duze rozbieznosci wskaz ików udzialu poszczególnych gatunków drzew w KPN. Wedlug ofi cjalnych danych 85% powierzchni lasów w Parku jest zajete przez swierki, natomiast 4% przez buki. Wedlug konanej klasyfikacji 10% drzew w lasach KPN to buki, a 78% to swierki. Tutaj warto zwrócic uw age na fakt, ze tylko te dwie klasy (o bardzo w ysokich dokladnosciach) wykazuja tak duze róznice miedzy oficjal nymi danymi, a wynikiem klasyfikacji. Z pozostalych klas brzoza, olcha i sosna wykazuja róznice poni zej 0,2%, a modrzew 1,8%. Ta rozbieznosc m ze miec dwie przyczyny. Pierwsza jest fakt, ze klasyfikacja przedstawia rzeczywisty obraz kazdego fragmentu l asu, a tradycyjne badania terenowe niekoniecznie musza objac 100% terenu KPN. Trzeba tez pamietac, ze sklasyfikowano tylko szesc gatunków drzew z 10 wystepuj acych w parku. 19 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html Wedlug Danielewicz i innych (2012) w KPN obok sklasyfi owanych gatunków drzew wystepuja tez osika, klon, jawor, dab i jodla. Mozliwe, ze drzewa nalezace do tych gatunków zostaly przypisane do innych, najblizszych spektralnie klas. Jednakze w ymienione cztery niesklasyfikowane gatunki drzew zajmuj a okolo 0,5% powierzchni lasów KPN (Danielewicz i inni, 2012). Czyni to powyzsza teorie malo prawdopodobna. Drugim powodem sa rozbieznosci w kwestii zakwalifikowania danego obszaru jako lasu. W pracy zdecydowano si e na wylaczenie z klasyfikacji obszarów zaj etych przez m ody las, glównie swierkowy (drzewa o wysokosci ponizej 2,5 metra) oraz obszarów porosnietych poj edynczymi drzewami znajdujacymi sie poza lasem (sytuacj a typowa dla obszarów blizej wierzchowiny Karkonoszy). Z tego powodu, mimo ze klasyfikacja moze w pelni oddaw ac obecny sklad gatunkowy lasów KPN, wystepuja róznice w procentow ym skladzie gatunkowym. Biorac pod uwage materialy kartograficzne KPN, pokazujace zasieg przestrzenny drzewostanów KPN jest to bardzo mozliw a przyczyna róznic. Obszar sklasyfikowany w pracy to 2027 ha, natomiast wedlug oficjalnych zródel powierzchnia KPN zajeta przez las to 4022 ha (Danielewicz i inni, 2012). Taki stan rzeczy tl umaczyl tez, dlaczego klasy sosna, modrzew, olcha i brzoza wykazuja tak niewielkie róznice, bowiem znajduja sie one glównie w nizszym pietrze lasu. Nie jest to jednak wystarczajace uzasadnienie róznic dla kl asy buk – te mozna próbowac uzasadnic róznica w odniesieniu powierzchni zajmowanej przez dany gatunek w opracowani u Danielewicz i inni (2012) oraz w nikiem klasyfikacji do calkowitej powierzchni zajetej przez las (nie sa one identyczne). Róznice w procentow ym udziale gatunków drzew w drzewostanie sa dosc czesto spotykane w pracach dotyczacych klasyfikacji na duzym obszarze. W pracy Sommer i inni (2015), zawierajacej klasyfikacje gatunków drzew w Bawarskim Parku Narodowym, mimo wysok ch dokladnosci klasyfikacji równiez notuje sie rozbieznosci miedzy danymi oficjalnymi a tymi z klasyfikacji. Wedlug uzyskanej klasyfikacji, drzew a nalezace do klasy swierk zajmowaly 67% pow ierzchni lasów BPN, podczas gdy wedl ug danych z inwentaryzacji lasu drzewa klasy swierk zajmowaly 28% powierzchni parku. Mniej drastyczne róznice wykazaly równiez klasy jodla (18% w stosunku do 3%), buk (28% do 25%), klon (9% do 1%), modrzew (7% do 0,1%) i brzoza (5% do 0,7%). Powody zapewne byly podobne jak prezentowane wyzej. Nie uw zglednienie w klasyfikacji czesci obszaru Bawarskiego Parku Narodowego (ze wzgledu na zachmurzenie podczas przeprowadzania nalotu) takze moglo w plynac na wynik. 6.2. Porównanie w yników klasyfikacji APEX z dostepnymi danymi KPN Wyniki kl asyfikacji zostaly porów nane z dostepnymi dan mi dotyczacymi przestrzennego rozmieszczenia gatunków drzew na terenie KPN. Jedynym dostepnym relatywnie aktualnym zródlem danych na ten temat jest mapa rozmieszczenia poszczególnych gatunków w drzewostanach (Danielewicz i inni, 2012; Ryc. 8). Ryc. 31. Lokalizacja obszarów wykorzystanych w porównaniu. Ryc. 32. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Szklarska Poreba). Kompozycja CIR (c) (czerwony – 860 nm, zielony – 660 nm, ni ebieski – 560 nm) zostala dodana w celu identyfikacji drzew iglastych (ciemnoczerwony) i lisciastych (jasnoczerwony). Oceniano zgodnosc klasyfikacji oraz tresci mapy na siedmiu w ybranych obszarach. (Ryc. 31). Porównujac mape drzewostanów do wyników klasyfikacji na obszarze Szklarska Poreba mozna dostrzec kilka istotnych róznic (Ryc. 32). Pierwsza jest obecnosc tylko jednego gatunku na mapie drzewostanów (swi erk), gdy klasyfikacja wykazuje istnienie dw óch skupisk modrzewi (zaznaczone bialymi kolami) oraz teren wystepowania drzew lisciastych (brzóz, zaznaczonych czarnym kolem) na obszarach zajetych przez swierk. Wynik klasyfikacji potwierdza interpretacja zobrazowania w k pozycji CIR, która pokazuje znaczne róznice wymienionych dwóch powierzchni w stosunku do otaczajacego ja lasu, zlozonego w glów nej mierze ze swierków (na kompozycji R sa to bardzo ciemnoczerwone plamy). Mozna stwierdzic pewne braki mapy drzewostanów, jednak trzeba wziac pod uw age skale opracowania oraz to, ze dotyczy ona w przede wszystkim potencjalnego wystepowania gatunków drzew. Ryc. 33. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Wodospad Szklarki). Kompozycja CIR (c) (czerwony – 860 nm, zielony – 660 nm, niebieski – 560 nm) zostala dodana w celu identyfikacji drzew ig astych (ci emnoczerwony) i lisciastych (jasnoczerwony). Jezeli chodzi o obszar Wodospad Szklarki trudno jest w azac istotne róznice miedzy mapa drzewostanów, a wynikiem klasyfikacji (Ryc. 33). Ze wzgledu na wieksza dokladnosc klasyfikacji jest ona w stanie wykazac istnienie naw et pojedynczych drzew danego gatunku na badanym obszarze, co naturalnie nie jest pozadane ani mozliwe na mapie. Poza istnieniem pasa porosnietego bukiem (zaznaczony czarny kolem) oraz niewielka obecnoscia modrzewi (zaznaczone bi alym kolem) oba zródla danych pokazuja podobne rozmieszczenie gatunków drzew na tym obszarze. Interes jace jest porównanie obszarów bardziej zróznicowanych gatunkow o, takich jak teren Jagniatków 1 (Ryc. 34). Ryc. 34. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Jagni atków 1). Kompozycja CIR (c) (czerwony – 860 nm, zielony – 660 nm, niebieski – 56 0 nm) zostala dodana w celu identyfikacji drzew iglastyc (ciemnoczerw ony) i lisciastych (jasnoczerw ony). Ogólnie rzecz biorac, mapa oraz wynik kl asyfikacji sa do siebie bardzo podobne (uw zgledniajac róznice wynikajace ze skali opracow ania i charakteru mapy). Dobrze widoczny jest efekt generalizacji obecny na mapie w stosunku do w yniku klasyfikacji, która z racji mniejszego pola podstaw owego (9 m2) jest w sta ie ukazac bardziej szczególowo rozmieszczenie gatunków drzew oraz lepiej pokazac zrózni cow anie rozmieszczenia drzew poszczególnych gatunków. Mapa drzewostanów nie pokazuj obecnosci liniowych zadrzewien modrzewiowych (tzw. pasy modrzewiowe), których obecnosc na terenie KPN j est dobrze znana. Ich lokalizacje bardzo ulatwia w ynik klasyfikacji, gdzie sa one dobrze widoczne (czarne kolo). Klasyfikacja nie ujawnila obecnosci olchy w tak duzym stopniu , jak jest to zaznaczone na mapie drzewostanów (biale kola) wykazala obecnosc buka, którego nie ma na mapie (szare kolo). Ryc. 35. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Jagni atków 2). Kompozycja CIR (c) (czerwony – 860 nm, zielony – 660 nm, niebieski – 56 0 nm) zostala dodana w celu identyfikacji drzew iglastyc (ciemnoczerw ony) i lisciastych (jasnoczerw ony). Podobne wnioski mozna w yciagnac w odniesieniu do obszaru Jagniatków 2 (Ryc. 35). W tym przypadku mapa i wynik klasyfikacji sa do siebie podobne, szczególnie biorac pod uw age obszary wystepowania sosny na tym terenie (bial e kolo). Potwierdzila sie obecnosc gatunków drzew na obszarach wskazanych przez mape, jednak wynik kl asyfikacji pozwala zauwazyc zróznicowanie wewnatrz wydzielen, np.: drzewa innych gatunków na obszarach wydzielen. Znaczne róznice miedzy mapa a wynikiem klasyfikacji sa widoczne na obszarze Jagni atków 3 (Ryc. 36). Glówne róznice to modrzew i na czesci obszarów zakwalifikowanych do tego wydzielenia na mapie drzewostanów (czarne kola). Wynik klasyfikacji nie w ykazal tez obecnosci olchy, wydzielonej na mapie (biale kolo). W tym przypadku mozliwe pow ierzchnie porosniete olcha zostaly usuniete przez maske drzewostanów z wyniku klasyfikacji. Ryc. 36. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Jagni atków 3). Kompozycja CIR (c) (czerwony – 860 nm, zielony – 660 nm, niebieski – 56 0 nm) zostala dodana w celu identyfikacji drzew iglastyc (ciemnoczerw ony) i lisciastych (jasnoczerw ony). Podobnie jak w przypadku obszaru Jagniatków 1, takze i tutaj mapa drzewostanów pozwala na identyfikacje polozenia liniowych zadrzewien modrzewiowych, które mozna l awo dostrzec na obrazie poklasyfikacyjnym (szare kolo). Róznice miedzy mapa a wynikiem klasyfikacji stwierdzono równiez na obszarze Karpacz 1 (Ryc. 37). Ryc. 37. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Karpacz 1). Kompozycja CIR (c) (czerwony – 860 nm, zielony – 660 nm, niebieski – 560 nm) zostala dodana w celu identyfikacji drzew iglastyc (ciemnoczerw ony) i lisciastych (jasnoczerw ony). Podobnie jak w przypadku obszarów Jagniatków 1 i 3, mapa drzewostanów nie zaznacza obecnosci liniowych zadrzew ien modrzewiowych widocznych po prawej stronie wyniku klasyfikacji (biale kolo), jednak zawiera duze wydziel ie modrzewi po lewej. Dodatkow o czesc powierzchni zakwali fikow anych do wydzielenia brzoza na mapie drzewostanów, zostala sklasyfikowana jako buk (czarne kolo). W tym p padku mapa jest bledna, co udowodniono przeprowadzajac marszrute terenowa przez ten teren, i stw ierdzajac wystepowanie buków. Obraz prezentow any przez mape zani powierzchnie wystepowania buka w zgledem wyniku klasyfi kacji, chociaz w niektórych przypadkach mapa i klasyfikacja wskazuja podobny rejon wystepow ania (szare kolo). Ryc. 38. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Karpacz 2). Kompozycja CIR (c) (czerwony – 860 nm, zielony – 660 nm, niebieski – 560 nm) zostala dodana w celu identyfikacji drzew iglastyc (ciemnoczerw ony) i lisciastych (jasnoczerw ony). Duza jest zgodnosc wyniku klasyfikacji z mapa drzewost ów na obszarze Karpacz 2. Na mapie brak tylko obszaru wystepowani a modrzewi, wykazanego na mapie drzewostanów (czarne kolo), zapewne dlatego, ze maska drzewostanów sunela drzew a nizsze niz 2,5 metra (Ryc. 38). Jezeli zawierzyc mapie drzewostanów co do obecnosci modrzewi na 20 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html wskazanym na niej terenie, to musza one byc mniejsze n z 2,5 metra. Podsumowujac mozna stwierdzic rozbieznosci miedzy w yni iem klasyfikacji a obecna mapa drzewostanów KPN. Glówne róznice to brak iekszosci liniowych zadrzewien modrzewiowych na mapie (Ryc. 37, 36 i 34) i bledne przypisanie do niektórych powierzchni wystepow ania modrzew ia (Ryc. 34 i 36) oraz buka (Ryc. 37). Trzeba podkreslic, ze nie jest to wada tego typu mapy, ze wzgledu na jej duze zgeneralizowanie. Powyzsze porównanie dobrze opisuje niedoskonalosci obecnie dostepnych zródel danych na temat przestrzennego rozmieszczenia gatunków drzew w KPN oraz pokazuj e przydatnosc opracowan wykonanych przy wsparciu danych i perspektralnych. Wykonanie mapy rozmieszczenia obiektów przy uzyciu danych teledetekcyjnych ma nastepujace zalety: • odniesienie do charakterystyk spektralnych obiektów ich ulozenia w przestrzeni, zapewniajace obi ektywna identyfikacje obiektu, • dostarcza powtarzalnej metody identyfikacji obiektów a podstawie obiektywnych kryteriów, • pozwala na zbadanie obszaru z wielka szczególow oscia (praktycznie 1 piksela), której klasyczne metody kartowania nie sa w stanie zapewnic ze w zgledów praktycznych i ekonomicznych, • zobrazowania hiperspektralne z reguly wykonywane w c agu jednego dnia, co znacznie zmniejsza szanse na wystapienie zmian na terenie badan w czasie przeprow adzania kartowania. 6.3. Dyskusj a na temat czasu wykonania badan terenowyc . Zbieranie danych terenowych jest zadaniem generujacym aczne koszty oraz wymagajacym dobrego przygotowania logistycznego (Fassnacht i inni, 2016). W przypadku klasyfikacji oraz innych badan z uzyciem danych tel edetekcyjnych, etap zbierania danych w terenie jest bez watpienia bardzo w azny. Dostep do m , ortofotomap, danych z róznych instytucji rzadow ych i firm prywatnych nie wyklucza przeprowadzania przynajmniej inspekcji terenu badan. W idealnych warunkach badania erenowe powinny zostac przeprowadzone w momencie wykonyw ania zobrazowania. W zaleznosci od zasobów niektórzy autorzy przeprowadzaja badania trenow e w tym samym miesiacu co w ykonanie zobrazowania, wspierajac prace terenowe danymi uzyskanymi z instytuc i rzadow ych oraz mapami (Peerbhay i inni, 2013). Inni naukowcy korzystaja z danych instytucji rzadowych i map bez przeprowadzania badan trenowych (Fassnacht i inni, 2014). Naturalnie to czy konieczne jest przeprowadzanie badan terenowych, zalezy od obszaru badan. Tereny dobrze skartowane (np: l asy gospodarcze) posiadajace aktualne dane, nie wymagaj a szeroko zakrojonych badan terenowych, w przeciwienstwie do obszarów slabo skartowanych, o nieaktualnych danych. Do w ykonania klasyfikacji gatunków drzew mozna posluzyc sie danymi zebranymi po terminie nalotu, ze w zgledu na wolne tempo naturalnych zmian w lesie oraz fakt, ze zmiany duze i szybki e (wycinka, wiatrolom itp.) bardzo latwo zauwazyc w terenie. Oczywiscie w przypadku zbierania danych do klasyfikacji zbiorowisk wystepujacych tylko przez pewien czas w ciagu roku, badania terenowe powinny byc przeprow adzone w momenci e wykonania nalotu, by nie zafalszowac wyników. W niniej zej pracy zdecydowano sie na przeprow adzanie serii badan terenowych majacych na celu zebranie danych referencyjnych do klasyfikacji. Badania terenow e odbyly sie rok oraz a lata po wykonaniu zobrazowania APEX. Nie jest to optymalny termin. Podczas zbierania danych unikano zatem obszarów, które sa aktywnie przeksztalcane lub których obiezna inspekcj a wykryla zmiany (wyciete drzewa, zal egajace sciete pnie), które mogly nastapic miedzy data nalotu a badaniami terenowymi. Podczas prac przygotowawczych wy rzystano dostepne mapy i ortofotomape do wyznaczenia powierzchni do badan terenowych. 7. Podsumow anie i wnioski W pracy przedstawiono metode wyboru kanalów spektralny h zobrazowani a hiperspektralego APEX przy uzyciu metody PCA oraz wskaznika uzytecznosci kanalu (band loading). W pierw szym kroku w ykonane zostaly korekcj e geometrycz e z dokladnoscia oscylujaca wokól 1 m oraz usunieto w plyw atmosfery na pomierzone charakterystyki spektralne z dokladnoscia okolo 2 %. Tak w ysokie dokladnosci byly m iwe dzieki zastosowani u parametrycznej korekcji geometrycznej uw zgledniajacej wychylenia samolotu w czasie pozyskiwania obrazu, szczególowego modelu ter u i pokrycia terenu (wygenerowanego z lotni czego skaningu laserowego) oraz precyzyjnych pomiarów spektrometrycznych stanu atmosfery w trakcie zobrazow ania oraz równomiernie zlokalizow anych poligonów kalibracyjnych, których cechy spektralne pozwoli ly korygowac dokladnosc korekcji atmosferycznej. Po wykonaniu wstepnych przetw orzen, wybrano 40 kanalów pektralnych APEX, na których zostaly przeprowadzone dalsze analizy. Zestaw danych, mimo ze zawieral 1/7 wejsciowej liczby kanalów pozwolil na osiagniecie wyso ich dokladnosci klasyfikacji. Dzieki pracy na mniejszym zestawie danych mozna bylo przeprow adzic wi eksza liczbe eksperymentów i dokonac optymalizacji parametrów uczen a sieci w rozsadnym czasie. Wybrane kanaly znajdowaly sie w obszarach istotnych z punktu widzenia identyfikacji roslinnosci. W pracy wykonano równiez optymalizacje struktury i parametrów uczenia sztucznych sieci neuronowych z jedna warstwa ukryta, zaimpl ementowanych w pakiecie „nnet”. Wymagalo to przygotowania autorskich rozwi azan rogramistycznych. Wykorzystany typ sieci neuronowej (perceptron wielowarstwow y) okazal sie odpow iedni do klasyfikacji zobrazowan hi perspektralnych. Wstepne eta y klasyfi kacji pelnego zestawu danych APEX byl dosyc w olny i niewygodny (dlugi czas oczekiwania na wyniki), ale selekcja najbardziej informacyjnych kanal ów pozwolila wiazac problemy, które trudno pokonac za pomoca innych klasyfikatorów. Jednym z ograniczen podczas pracy ze sztucznymi sieciami neuronowymi byla liczba kanalów sp tralnych zobrazowania. Duza liczba kanalów powodowala, ze proces uczenia sieci byl dlugi oraz w ymagal znacznych zasobów obl iczeniowych i pami eciowych. Dodatkowo sztuc e sieci neuronowe niepoprawnie klasyfikowaly zestawy danych, który uprzednio nie zostaly przefiltrowane w celu usuniecia nieistotnych informacji. Wyzej wymienione metody polaczono w celu opracow ania metody klasyfikacji gatunków drzew przy uzyciu lotniczych danych hiperspektralnych. Sklasyfi kow ano szesc gatunków drzew. Uzyskano informac e na temat przestrzennego rozmieszczenia: swierka (Picea abies L. Karst), brzozy (Betula pendul a Roth), buka (Fagus Sylvatica L.), modrzewia (Larix decidua Mill), sosny ( nus sylvestris L.) i olchy (Al nus Mill) na obszarze KPN. Wszystkie klasy osi agnely dokladnosc producenta ponad 76% oraz dokladnosc uzytkownika ponad 77%. Naj lepiej sklas fikowanymi klasami byla klasa swierk (93%), olcha (93%), buk (90%) oraz brzoza (84%). Obliczone na podstawie klasyfikacji powi erzchnie zajmowane przez poszczególne skl asyfikowane gatunki drzew róznia sie nieco od oficjalnych danych. Najw ieksze rozbieznosci dotyczyly klasy buk (6 punktów procentowych) i swierk (7 p.p.). Pozostale klasy nie wykazaly znaczacych rozbieznosci. Wykonana klasyfikacja posluzyla do wykonania mapy rozmieszczenia wybranych gatunków drzew na obszarze Karkonoskiego Parku Narodow go Z pracy wyciagnieto nastepujace wnioski: • dane hiperspektralne sa zdecydowanie uzyteczne w klasyfikacji gatunków drzew na obszarach chronionych. Duza liczba bardzo waskich kanalów spektralnych pozwala z sukcesem wyrózniac gatunki drzew, chociaz bogactwo danych wymaga odpowiedzi na pytanie, które dane uzyc, • uzyskane wyniki pozwolily na skuteczna klasyfikacje inujacych na obszarze badan gatunków drzew (swierk, buk) oraz gatunków znacznie rzadziej w ystepujacych na obszarze badan (modrzew, sosna, brzoza, olcha), • terenowe badania weryfikacyjne sa niezbedne do praw i lowej interpretacji czastkowych oraz koncowych w yników. Optymalnym rozwiazaniem j est stosow anie geodezyj nych odbiorników GPS, które poprzez system zewnetrznej anteny pozw alaja uzyskac dokladnosci rzedu 50-80 cm pod gestym baldachimem drzew, • mimo pewnej trudnosci w klasyfikacji obszarów chroni ych (ze wzgledu na mniej uporzadkowany sposób wystepow ania gatunków w porównaniu do l asów gospodarczych) klasyfikacja osiagnela dokl adnosc ogólna 87%. To pozwala stwierdzic duza przydatnosc danych hi perspektralnych w badaniach obszarów chronionych oraz trudno dostepnych, • duza liczba kanalów spektralnych zobrazowania hiperspektralnego, a co za tym idzie duza objetosc takich danych, wymaga redukcji uzytych danych, tak aby czas przetwarzania danych byl rozsadny. Jest to szczególnie wazne przy wy onywaniu analiz wielkopow ierzchniowych z w ykorzystaniem zaawansowanych technik przetwarzania danych. Uzyty algorytm wyboru kanalów hiperspektralnych pozwolil na zmniejszenie zestawu danych 7 razy w stosunku do pelnego zestawu. Ze wzgledu na w ykorzystany algorytm klasyfikujacy nie zbadano, jaki wyni k uzyskanoby przy uzyciu calego taw u badan. Wykorzystanie calego zestawu danych oraz SSN skutkowaloby bardzo dlugimi czasami treningu, co znacznie utrudnil oby proces optymalizacji parametrów uczenia i es oceny dokladnosci, • w ykorzystana metoda wyboru kanalów spektralnych jest szczególnie pomocna w przypadku, gdy istotne jest zachowanie oryginalnych analów spektralnych. Przyjeto zalozeni e o wykorzystaniu 40 kanalów spektralnych do klasyfikacj i, jednak metoda pozwala na wybranie dowolnie wielkiego zestawu danych, dostarc ajac kanaly spektralne wedlug zawartosci informacji w kanalach, • przedstawiono metody optymalizacji struktury oraz parametrów uczenia sztucznej sieci neuronowej (perceptron wielowarstwowy z jedna warstwa ukryta) w programi e „nnet”. Ze wzgledu na nature dzialania SSN uzyskane wyniki maja n kla szanse na bycie uni wersalnymi, chociaz opracow ana metoda pozwala na poczynienie pewnych kroków w uzyskiwaniu optymalnych parametrów uczenia bez uzycia zaawansowany metod matematycznych. Podejscie typu brute force zastosowane w pracy do optymalizacji trudno uznac za eleganckie, ale pozwolilo na uzyskanie wysokich dokladnosci klasyf kacj i. Trzeba zauwazyc ze opracowana metoda zostala przetestowana na j ednej z implementacji SSN, zatem moze nie byc odpowi ednia do sieci budowanych innymi programami, 21 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html • omów iono odmi enna niz ogólnie przyjeta metode oceny dokladnosci wyników. Zamiast opierac sie na jednorazowym procesie treningu i weryfikacji na wyznaczonych wzorcach, zdecydowano sie na wielokrotne losowanie zestawów wzorców do treningu i weryfikacji wyniku. Taka metoda pozwala na zmniejszenie niezamierzonego wplywu badacza na wynik, uwalnia go od zmudnego procesu dobierania wzorc w do zestawu treningowego i weryfikacyjnego, pozwala na automatyzacje procesu oceny dokladnosci oraz lepsze zrozumienie uzyskanych wyników. Jej zastosowanie nie tylko dostarcza informacji na temat miar dokladnosci, ale rów niez pozw ala na obserw acje zmian obliczonych dokladnosci oraz ich oddzialywani e z zestawami treningow ymi i wery ikacyjnymi. Otwarte zostaja kwestie przestrzennej autokorelacji losowo wybranych pikseli, co moze falszowac wynik, • zaprezentowano kompletna metode klasyfikacji i przetwarzania danych hiperspektralnych, kladac nacisk na techni ki optymalnego wyboru wykorzystanych danych oraz wysokie dokladnosci wyników. Moze ona byc z powodzeniem wykorz stana w rozwiazywaniu innych problemów badawczych, w których korzysta sie z danych hiperspektralnych i sztucznych sieci neuronowych. Podsumowujac badani a, nalezy stwierdzic, ze moni torowanie ekosystemów i efektyw ne zarzadzania zasobami przyrody wymaga aktualnej informacji o stanie srodowiska. Informacje te moga byc pozyskiwane na biezaco przez polskie jednostki badaw cze, a ceny sa akceptowalne dla jednostek budzetowych. Znajom c skladu gatunkowego danego lasu i przestrzennego rozmi eszczenia gatunków drzew pozwala na nowe spojrzenie na dynamike zmian w lasach. Mimo wysokich dokladnosci uzyskanej klasyfikacji, w arto wykazac ostroznosc interpretujac wyniki. Jedna z podstawowych spraw jest opracowanie ujednoliconej metodyki zbierania danych terenowych oraz weryfikowani a wyników klasyfikacji. W pracy w ykorzystano metode iteracyjnej oceny dokladnosc klasyfikacji, co pozw olilo zbadac wplyw zróznicowania spektralnego zebranego zestawu danych dotyczacego sklasyfi kowanych gatunków drzew. Zastosow ana metoda oc y dokladnosci pozwala na wieksza niezaleznosc w yniku od sprawnosci badacza w podziale dostepnych danych na zestaw do uczenia i testowania klasyfikatora. Automatyczna natura proces oparta na losowaniu zwalnia badacza z koniecznosci samodzielnego dobierania zestawów oraz redukuje czas, w którym badacz „dopieszcza” zestaw y. Ponadto latwo okreslic, j duzym bledem obarczone sa osiagniete wyniki – w ystarczy przeanali zowac szerokosc rozkladu danej miary dokl adnosci oraz jej skosnosc. Nie mozna zapomi nac, ze cala analiza wyników ogranicza sie do analizy numerycznej, znacznie zmniejszajac zapotrzebowania na dociekliwe dochodzenie do przyczyn uzyskani a danego wyni ku. Cena za zwiekszona o nosc na niezamierzony wplyw na wynik (negatywny lub pozytywny) jest koni ecznosc przeprowadzenia serii klasyfikacji na róznych zestawach, co znacznie wydluza proces klasyfikacji i oceny dokladnosci. Przy zalozeniu 100 iteracji czas klasyfikacji moze wydluzyc sie ponad stukrotnie, co naturalnie wymusza redukcje czasu przetwarzania i k asyfikacji danych. Mimo wymieni onych zal et zastosowana metoda nie zwalni a badacza z wi zualnej oceny wyniku. Teledetekcja hiperspektralna pozwala na dostarczenie ogromnej ilosci danych, co niekiedy powoduje „kleske obfitosci”. Przy badani ach duzych obszarów czas przetwarzania danych ma znaczacy w plyw na w ybór zastosow anych metod narzedzi. Mierzac sie z tak duzymi zestawami danych badacz niekiedy musi samodzielnie opracowac nowe narzedzie, czesto takie, które latwo zautomatyzowac. Wraz ze wzro em ilosci danych wzrasta liczba produktów teledetekcyjnych, jakie mozna dostarczyc. Powoduje to duze zapotrzebowanie na miejsce do przechowani a danych i wyników. Problem s e sie palacy, gdy same zebrane dane wymagaja terabajtów pamieci na ich przechowanie. Nie mozna tez zapominac o wi elkiej mocy obliczeniowej, potrzebnej do przeksztalc ia zebranych danych w wynik. Przy analizie tak duzych zestawów danych, klasyczne metody pracy oparte na komputerach PC przestaja wystarczac. Rozwi azaniem jest budowanie m niejszych stacj i roboczych lub przeniesienie pracy na serw ery obliczeniowe. Zastosowanie sztucznych sieci neuronowych w teledetekc i nie jest szeroko rozpowszechnione. Spowodowane jest to glównie trudnosciami w ich uzyciu oraz faktem, ze inne klasyfikatory, takie jak SVM czy RF dostarczaja porów n walne wyniki przy znacznie mniejszym nakladzie pracy. Sam proces optymalizacji uczenia sztucznej si eci neuronowej ma znaczny wplyw na koncowy wynik (Feret, Asner, 2013), a jest tylko jednym z wielu czynnosci, które trzeba wykonac chcac otrzymac dobry wynik (innymi sa: dobór architektury, wybór algorytmu uczacego czy balansowanie miedzy sensownym czasem uczenia a wynikiem). Wykorzystanie w pracy programu „nnet” dostepnego dla programu R dow iodlo, ze mozna z powodzeniem uzywac sztucznych sieci neuronowych do klasyfikacji. Zaletami programu „nnet” j est jego proste uzycie oraz dolnosc do dostarczania wyników nawet wtedy, kiedy nie w pelni rozumie sie jego dzialani e. Warto wspomniec o programie R – darmow ym oraz opartym na zasadach open-source. Bog two dodatkow ych podprogramów do R pozwala przeniesc caly lancuch przetwarzania w jedno miejsce. Takie podejscie znacznie ulatwia automatyzacje prac oraz modyfikacje opracowyw anego algorytmu. Biorac pod uwage powyzsze fakty, nic nie stoi na przeszkodzie, aby (rozsadnie) rozszerzyc zakres zastosowania SSN w teledetekcji. Warto równiez przeprowadzi c analize uzycia tzw. sieci glebokiego uczenia (deep-learning) w teledetekcji hiperspektralnej. Pr aca naukowa f inansowana ze srodk ów budzet owych na na k e w latach 2013-2017 jako pr oj ekt badawczy w ramach progr amu pod nazwa „ Diament owy Grant ” . Numer projektu DI2012020042 Podziekowania Jak kazda praca naukowa, takze ta byla mozliw a dzieki zyczliwosci znacznej grupy ludzi. Na najw ieksze podziekowania zasluguje promotor tej pracy doktorskiej Pan dr. hab. Bogdan Zagajewski. Jest to czlowiek, który byl od poczatku mojej przygody z teledetekcja zawsze gotowy do pomocy i otw arty na dyskusje. Pan Zag ewski byl najlepszym motywatorem do pisania tej pracy oraz innych artykulów, nigdy nie pozwalajac, bym bladzil bez cel u. Za pomoc w badaniach terenow ych dziekuje Panu dr hab. Bogdanowi Zagajewskiemu, Adrianowi Ochtyrze oraz Dominikow i Jankow skiemu. Bez Waszej pomocy musialbym poswiecic znacznie wiecej czasu na prace polowe oraz z acznie j e ograniczyc. Bardzo dziekuje pracownikom Karkonoskiego Parku Narodo o, Panu dr. Markowi Dobrowolskiemu i Panu Zygmuntowi Jala za pomoc w pisaniu artykulów oraz dostep do danych. Dziekuj e rów niez moim Kolegom z Zakladu Geoinformatyki Kartografii i Teledetekcji (Ani, Adrianowi, Adrianie, Marlenie, Karolinie, Anicie, Pani Alicji, Malgosi, Ewie) za pomoc w rozwiazywaniu problemów oraz cierpliw e sluchan e moich wywodów. Bardzo dziekuje Pani doktor Jolancie Koryckiej-Skorupie i doktorowi Paw lowi Kowalskiemu za pomoc przy opracowywani u materialów kartograficznych. Podziekowania naleza sie Kolegom z DLR Oberpfaffenhofen (Uta, Stefanie, Derrek, Martin H., Christian, Martin B., Gregoire, Anne, Carolin) gdzi e spedzilem 6 miesi ecy doskonalac moje umiejetnosci li ngwistyczne i naukowe. uralnie dziekuje tez DBU (Deutsche Bundesstiftung Umwelt) za umozliwienie mi terminowania w jednej z najlepszych jednostek naukow ych na swiecie zajmujacych sie teledetekcja. Cala praca nie mogla by zostac wykonana, gdyby nie fin sowe wsparcie Ministerstw a Nauki i Szkolnictwa Wyzszego, w formie grantu, dzieki któremu moglem zrealizow ac ten projekt naukowy. Na koniec chce podziekowac moim Rodzi com i Braciom za wsparcie podczas studiów doktoranckich i tolerowanie mojego ekscentrycznego trybu pracy. Literatura Aardt V.J., Wynne R., 2001. Spectr al separabilit y among six sout hern t ree species, Photogrammet ric Engineering and Remot e Sensing, 67 (12), s. 1367-1375, ISSN: 0099 0099-1112/01/6712-1367. Abrams M., Justice C., Ramachandran B., 2011. L and Remot e Sensing and Global Environmental Change: N SA ' s Eart h Observing System and t he Science Of A STER and MODIS, New York, NY: Springer, ss. 873, ISBN 978-1-4419-6749-7. Acquah G., Via B., Billor N., Fasi na O., Eckhardt L., 2016. Identifying Plant Part Composition of Forest Logging Residue Using Infrared Spectral Data and Linear Discriminant Analysi s, Sensors, 16 (9), s. 1-15, doi: 10.3390/s1609 Adam E., Mutanga O., 2009. Spectral discrimination of . rus vegetation (Cyperus papyrus L.) in swamp wetlands using field spectrometry, ISPRS Journal of Photogrammetry and Remote Sensing, 64 (6), s. 612-620. A dams W.W. I I I , Demmig-Adams B., Logan B.A., Bark er D. Osmond C.B., 1999. Rapid changes in xant hophyll cycledependent energy dissipat ion and phot osyst em I I ef f iciency in two vines, St ephania j aponica and Smilax aust ralis, growing in t he underst ory of an open Eucalyptus f or est , Plant , Cell and Envir onment, 22, s. 125-136. A ldakheel Y.Y., Danson F.M ., 1997. Spectr al refl ectance of dehydr at ing leaves: measurements and modelling, Int ernational Journal of Remote Sensing, 18, s. 3683-3690. Ali I., Greifeneder F., Notarnicola C., Stamenkovic J., Neumann M., 2015. Review of Machine Learning Approaches for Biomass and Soil Moisture Retrievals from Remot e Sensing Dat a, Remot e Sensing, 7 (12), s. 16398-16421, doi: 10.3390/rs71215841. A lonzo M., Rot h K., Rober ts D., 2013. I dent ifying Sant a Barbara’s urban t ree species from AV I RI S imager y using canonical discriminant analysis, Remot e Sensing L et ter s, 22 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html 4, s. 513-521, http://dx.doi .org/10.1080/2150704X.2013.764027. Angermueller C., Pärnamaa T., Parts L., Stegle O., 201 Deep learning for computational biology, Molecular Systems Biology, 12 (7), s. 1-16, doi: 10.15252/msb.20156651. Asner G.P., Martin R.E., Knapp D.E., Tupayachi R., Anderson C., Carranza L., Martinez P., Houcheime M., Sinca F., Weiss P., 2011. Spectroscopy of canopy chemicals in humid tropical forests, Remote Sensing of Environment, 115, s. 3587-3598. Baldeck C.A., Asner G.P., Martin R.E., Anderson C.B., Knapp D.E., Kellner J.R., Wright J.S., 2015. Operational Tree Species Mapping in a Diver se Tropical orest wit h A ir borne I maging Spect roscopy, PLoS ONE, 10 (7), ss. 21, doi: 10.1371/journal.pone.01 3. Ballanti L., Blesius L., Hines E., Kruse B., 2016. Tre Species Classification Using Hyperspectral Imagery: A Comparison of Two Classifiers, Remote Sensing, 8 (445), s. 1-18, doi: 10.3390/rs8060445. Barbosa J., Asner G., Martin R., Bal deck C., Hughes F. Johnson T., 2016. Determining subcanopy Psidium cattleianum Invasion in Haw aiian Forests Using Imaging Spectroscopy, Remote Sensing, 80 (1), s. 1-17, ISSN: 20724292. Bart on C.V.M, Nort h P.R.J., 2001, Remot e sensing of canopy light use ef ficiency using t he phot ochemical refl ectance index – model and sensit ivit y analysis, Remote Sensing of Envir onment, 78, s. 264-273. Beluco A., Engel P., Alexandre B., 2015. Classification of textures in satellite image wi th Gabor filters and a multilayer perceptron with back propagation algori thm obtaining high accuracy, International Journal of Energy & Environmen 6 (5), s. 437-459. Bengio Y., Gr andvalet Y., 2004. No Unbiased Est imat or of t he Variance of K-Fold Cross-Validation, Journal of Machi ne Learning Research, 5, s. 1089–1105, http:// www. jmlr.org/papers/v5/grandvalet04a.html. Bergseng E., Ørka H., Næsset E., Gobakken T., 2015. As essing forest inventory information obtained from different inventory approaches and remote sensi ng data sources, Annals of Forest Science, 72 (1), s. 33-45, doi: 10.1007/s135 14-0389-x. Berry M.J.A., Linoff G., 1997. Data Mining Techniques or Marketing, Sales, and Customer Support , John Wi ley & Sons, Indianapolis, IN, ss. 464, ISBN: 978-0-471-17980-1. Blum A., 1992. Neural Networks in C++, New York, NY, W ley, ss. 224, ISBN-10: 0471552011. Braga-Neto U.M., Dougherty E.R., 2014. I s cr oss-validation valid f or small sample microarray ssification?, Bioinforamtics, 20, s. 374-380, doi: 10.1093/bioinf ormat ics /bt g419. Breiman L., 2001. Random forests, Machine Learning, 45 s. 5-32, doi: 10.1023/A:1010933404324. Brovkina O., Novotny J., Cienciala E., Zemek F., Russ R., 2017. Mapping forest aboveground biomass using ai rborne hyperspectral and LiDAR data in the mountainous conditions of Central Europe, Ecological Engineering, 100, s. 219 , doi: 10.1016/j.ecoleng.2016.12.004 Campbell J. B., 1996. Introduction to Remote Sensi ng (2nd ed.), London: Taylor and Francis, ISBN-10: 160918176X. Cart er G.A ., 1994. Rat ios of leaf r ef lect ance in narrow wavebands as indicat ors of plant str ess, I nt ernational Jour nal of Remote Sensing, 15, s. 697-703. Cho M. A., Mathieu R., Asner G.P., Naidoo L., van Aardt J., Ramoelo A., Debba P., Wessels K., Main R., Smit I.P.J., Erasmus B., 2012. Mapping t ree species composit ion in Sout h A fr ican savannas using an int egr ated air bor ne spect r al and lidar syst em, Remote Sensing of Environment, 125, s. 214-226, doi: h tp:/ /dx.doi.org/10.1016/j.rse. 2012.07.010. Cohen J., 1960. A coef f icient of agreement f or nominal scales, Educat ional and Psychological Measur ement , 20, s. 37-46, doi: https://doi.org/10.1177/001316446002000104. Cochr ane M . A ., 2000. Using veget at ion ref lect ance var ilit y f or species level classif icat ion of hyperspect r al data, I nt ernational Jour nal of Remote Sensing, 10 (21), s. 2075-2087, doi: http:/ /dx.doi.org/10.1080/01431160050021303. Cochr ane M .A., 2001, Synergist ic interact ions bet ween abitat f ragmentat ion and fire in evergreen t ropical f orest s, Conservat ion Biology, 15 (6), s. 1515-1521, doi: 10.1046/j.1523-1739.2001.01091.x. Cochr ane M .A., 2002, Spr eading L ik e Wildf ire – Tropical Forest Fires in Lat in A merica and t he Caribbean: Prevent ion, A ssessment and Ear ly Warning, Unit ed Nat ions Environment Progr am, Regional Of f ice f or Lat in A merica d t he Car ibbean, UNEP, ss. 96. Dalponte M., Ørka H.O., Gobak ken T., Gianelle D., Naesset E., 2013. Tree speci classif icat ion in boreal f orest s with hyper spect ral dat a, I EEE Transactions on Geoscience & Remote Sensing, 51 (5), s. 2632-2645, doi: 10.1109/TGRS. 2012.2216272. Dalpont e M., Ør ka H.O., Ene L .T., Gobak ken T., Næsset E., 2014. Tree crown deli neation and t ree species classif icat ion in boreal f orest s usin hyper spectr al and AL S dat a, Remot e Sensing of Environment , 140, s. 306-317, doi: 10.1016/j.rse.2013.09.006. Danielewicz W., Raj A., Zientarski J., 2012. Ekosystem lesne Karkonoskiego Parku Narodow ego, Jelenia Góra: Karkonoski Park Narodowy, ss. 96, ISBN: 978-83-926933-5-2. Datt B., 1999. Visible/near inf rared ref lect ance and chlorophyll cont ent in Eucalypt us leaves, I nt ernational Jour nal of Remote Sensing, 20, s. 2741-2759, doi: http://dx.doi.org/10.1080/ 014311699211778. Datt B., 2000. Red edge shif t s for det ect ing phenologi change and stress sympt oms in evergreen eucalypt us f orest s, w: Pr oceedings of 10th Aust ralasian Remot e Sensing and Photogrammet ry Conf erence, Austr alia, Adelaide, s. 63-874. Dawson T.P., Curran P.J., Plummer S.E., 1998. The bioc emical decomposit ion of slash pine needles fr om refl ectance spect r a using neur al network s, Int ernational Journal of Remot e Sensing, 19, s. 1433-1438. Dehaene-L amber tz G., Spelke E. S., 2015. The inf ancy of t he human br ain, Neuron, 88 (1), s. 93-109, doi: http:// dx.doi.org/10.1016/j.neuron.2015.09.026 . D' Odorico P., Alberti E., Schaepman M.E., 2010. In-f light spect ral per formance monit oring of t he Airborne Prism Experiment , Applied Opti cs, 49 (16), s. 3082-3091, doi: 10.1364/AO.49.003082. Dowling J. E., 1987. The ret ina: An A pproachable Part of t he Br ain, Cambridge, Mass: Harvard University Press, ss. 384, ISBN 97806740 5. Ef ron B., 1979. Boot st rap Met hods: A not her L ook at t he Jackknife, The A nnals of Stat istics 7, Institute of Mathemati cal Statistics, s. 1–26, doi: 10.1214/aos/1176344552. Ef ron, B.. 1983. Est imat ing t he Er ror Rat e of a Predict ion Rule: I mprovement on Cr oss-Validat ion, Journal of t he Amer ican St at ist ical A ssociat ion, 78 (382), s. 316-331, doi: 10.2307/2288636. Fassnacht F.E., Neuman C., Forster M., Buddenbaum H., Ghosh A., Clasen A., Joshi P.K., Koch B., 2014. Comparison of Feature Reduction Algorithms for Classifying Tree Species With Hyperspectral Data on Three Central European Test ites, I EEE Journal of Selected Topics in Applied Eart h Obser ons and Remot e Sensing 7 ,s. 2547-2561, doi: 10.1109/JSTARS.2014.2329390. Fassnacht F.E., Latifi H., Sterenczak K., Modzelewska A., Lefsky M., Waser L., Straub C., Ghosh A., 2016. Review of studies on tree species classification from remotely sensed data, Remote Sensing of Environment, 186, s. 64-87, do : 10.1016/j.rse.2016.08.013. Feilhauer H., Asner G. P., Martin R. E., 2015. Multi-m od ensemble selection of spectral bands related to leaf biochemistry, Remote Sensing of Environment, 164, s. 57-65, doi: 10.1016/j.rse.2015.03.033. Feret J.B., Asner G.P., 2013. Tree species discr iminat ion in t ropical f orests sing Air bor ne Imaging Spect roscopy, IEEE Transactions on Geoscience and Remote Sensing, 51, s. 73-84, doi: 10.1109/TGRS. 2012.2199323. Finger S., 2001. Or igins of Neuroscience: A History of Explorat ions int o Br ain Funct ion, Oxfor d : Oxford University Press, ss. 480, ISBN: 0195065034. Foody G.M., 2002. St atus of land cover classif icat ion accuracy assessment , Remote Sensing of Environment, 80, s. 185-201, doi: 10.1016/S0034-4257(01)00295-4. Four ty Th., Baret F., 1998. On spectr al estimates of f sh leaf biochemist ry, I nternat ional Jour nal of Remot e Sensing, 19, s. 1283-1297, doi: http://dx.doi.org/10.1080/ 014311698215441. Gamon J., Penuelas J., Field C., 1992. A narr ow-waveband spectr al index t hat ack s diur nal changes in phot osynt het ic ef f iciency, Remot e Sensing of Environment , 41, s. 35–44, doi: 10.1016/0034-4257(92)90059-S. Gao B., Montes M., Davis C., Goetz A., 2009. At mospheric correct ion algorit hms f or hyper spect l remot e sensing dat a of land and ocean, Remot e Sensing of Environment, 113, zalacznik 1, s. S17-S24, doi: 10.1016/j .rse.2007.12.015. Ghosh A., Fassnacht F.E., Joshi P. K., Koch B., 2014. A f ramework f or mapping t ree species combining h perspect ral and LiDA R dat a: Role of select ed classif ier s and 23 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html sensor across t hree spatial scales, Int ernational Jour al of A pplied Erath Observation and Geoinforamation, 26, s. 49-63, doi: 10.1016/j .j ag.2013.05.017. Gitelson A.A ., Merzlyak M.N., 1997, Remot e est imat ion of chlorophyll content in higher plant leaves, I nt ernational Journal of Remote Sensing, 18, s. 2691-2697, doi: http://dx.doi.org/10.1080/ 014311697217558. Graves S.J., Asner G.P., Martin R.E., Anderson C.B., Colgan M.S., Kalantari L., Bohlman S.A., 2016. Tree species abundance predictions in a tropical agricultural landscape with a supervised classificati on model and imbalanced data, Remote Sensing, 8, (161), ss. 21, doi: 10.3390/rs8020161. Green A., Craig M., Berman M., Switzer P., 1988. a Transf ormat ion f or ordering mult ispect ral dat a in t erms of image qualit y wit h implications f or noise eemoval, IEEE Transact ions on Geoscience and Remot e Sensing, 26, (1), s. 65-74, doi: 10.1109/36.3001. Goetz A F.H., 2009. Thr ee decades of hyperspect r al rem sensing of Eart h: A personal view, Remot e Sensing of Environment, 113, s. S5-S16, doi: http://dx.doi.org /10.1016/ j.rse.2007.12.014. Goetz A .F.H., Vane G., Solomon J., Roch B.N., 1985. Imaging spect romet ry f or Eart h remot e sens g, Science, 228, s. 1147 – 1153, doi: 10.1126/science.228.4704.1147. Hastie T., Tibshirani R., Friedman J. H., 2009. 7.10.1 K-Fold Cross-Validation w: The Element s of St at istical L earning: Dat a Mining, I nf erence, and Predict ion, 2 nd ed. New York: Springer. Hebb D.O., 1949. The organization of behavior : A neuropsychological t heor y, New York: John Wiley and Sons, ss. 335, doi: 10.1002/s e.37303405110. Herold M., See L., Tsendbazar N., Fritz S., 2016. Towards an Integrated Global Land Cover Monitoring and Mapping System, Remote Sensing, 8 (12), s. 1-11, doi: 10.3390/rs8121036. Hoerig B., Kuehn F., Oschuet z F., Lehmann F., 2001. Hyper spectr al remot e sensing t o det ect hydrocar bons, I nt er nat ional Journal of Remot e Sensing, 22, s. 1413-1422. Holzwart h S., M ueller A ., Haber meyer M., Richt er R., Hausold A., Thiemann S., Str obl P., 2003. HySens - DAI S 7915/ ROSI S I maging Spect rometers at DL R, prezentacja na 3rd EARSeL Work shop on Imaging Spect roscopy, Herrsching 13-16 maja 2003, http: //www.earsel.org/work ops/imagi ng-spectroscopy-2003/papers/sensors_and _missions/holzwarth.pdf Hope A.S., Kimball J.S., Stow D.A., 1993. The relation hip between tussock tundra spectral reflectance properties and biomass and vegetation composit ion, I nter nat ional Jour nal of Remot e Sensing, 14, s. 1861-1874. Hughes G.P., 1968, On t he mean accuracy of st atist ical pat t ern recognizer s, Information Theory, IEEE Transactions on, 14 (1), s. 55-63. Hunt G.R., 1979. Near-infrared (1.3-2.4 um) spectra of alteration minerals: potential for use in remote sensing, Geophysics, 44, s. 1974-1986. I t t en K .I ., Dell’ Endice F., Hueni A ., Kneubuhler M., S lapf er D., Oder mat t D., Seidel F., Huber S., Schopfer J., Kellenberger T., Buhler Y., D’ Odorico P., Niek e J. Alber ti E., Meuleman K., 2008. A PEX – t he Hyperspect r al ESA A i borne Pr ism Experiment , Sensors, 8, s. 6235–6259, doi: 10.3390/s8106235. Jadczyk P., 2009. Nat ur al ef f ect s of large-area f orest decline in t he West er n Sudeten, Environment Protect ion Engineering, 35 (1), s. 49-56. Jain A.K., Duin R.P.W., Mao, J., 2000. Statistical pattern recogniti on: A review, IEEE Transacti ons on Pattern Anal ysis and Machine Intelligence, 22, s. 4-37. Jarocinsk a A. M., K acpr zyk M. , Marcink owsk a-Ochtyr a A Ocht yr a A., Zagaj ewsk i B., Meuleman K ., 2016. The applicat ion of APEX images in t he assessment of the stat e of non-f or est veget at ion in t he K arkonosze Mount ains, Miscellanea Geogr aphica – Regional St udies On Development, 20, (1), s. 21-27, doi: 10.1515/mgrsd2016-0009. Khatami R., Mountrakis G., Stehman S., 2017. Mapping per-pixel predicted accuracy of classi fied remote sensing images, Remote Sensing of Environment, 191, s. 156-167, doi : 10.1016/j.rse.2017.01.025. Kim J. H., 2009. Est imat ing classification er ror rate: Repeated cr oss-validation, repeat ed hold-out and bootst rap, Computational Stati stics and Data Anal ysis, 53, s. 3735-3745, http:/ /dx.doi.org/10.1016/j.csda.2009.04.009. Knapik R., Raj A., 2014. Monitoring przyrodniczy w Karkonoskim Parku Narodowym jako narzedzie do sledzenia zmian w srodowisku, Peckiana, 9, s. 39-44, ISSN: 1618-1735. K ohonen T., 1990. The self-organising maps, Pr oceeding of I EEE, 78, s. 1464-1479. K okaly R.F., Despain D.G., Clar k R.N. Livo K.E., 2003. Mapping veget at ion in Yellowst one Nat ional Park using spect r al f eat ure analysis of AVI RI S dat a, Remote Sensing of Environment , 84, s. 437-456. Kozhori dze G., Nikolai Orlovsky N., Orlovsky L., Blumb D.G., Golan-Goldhirsh A., 2016. Remote sensing models of structure-related biochemicals and pigments for classification of trees, Remote Sensing of Envi ronment 186, s. 184-195, doi: http://dx.doi .org/10.1016/j.rse.2016.08.024. Krizhevsky A., Sutskever I., Hint on G.E., 2012. Imagenet classif ication with deep convolut ional neur al net work s, w: A dvances in neur al inf ormat ion processing syst ems, s. 1097-1105, Cambridge: MIT Press. Kruse F., Lefkoff A., Boardman J., Heidebrecht K., Shapiro A., Barloon P., Goet z A.F.H., 1993. The spect ral image processing syst em (SI PS)-int er active visualizat ion and analysis of imaging spect romet er data, Remot e Sensing Environment , 44, s. 145-63, doi: http://dx.doi.org/10.1016/0034-4257(93)90013-N. Kycko M., Zagajewski B., Kozlowska A., 2014. Var iability in spect ral char acterist ics of t rampled high-mount ain grasslands, Miscellanea Geogr aphica: Regional St udies on Development, 18 (2), s. 10-14, doi: 10.2478/mgr sd-2014-0003. Lausch A., Bannehr L., Beckmann M., Boehm C., Feilhauer H., Hacker J.M., Heurich M., Jung A., Klenke R., Neumann C., Pause M., Rocchini D., Schaepman M.E., Schmidtlein S., Schulz K., Selsam P., Settele J., Skidmore A.K., Cord .F., 2016. Linking Earth Observation and taxonomic, structural and functional biodiversity: Local to ecosystem perspecti ves, Ecological Indicators, 70, s. 317-339, doi: 10.1016/j.ecolind.2016.06.022. Lawley V., Lewis M., Clarke K., Ostendorf B., 2016. Si e-based and remote sensi ng methods for monitoring indicators of vegetation condition: An Austral ian review, Ecologi cal Indicators, 60, s. 1273-1283, doi: 10.1016/j.ecolind.2015.03.021 . Lazaridou M.A., Patmios E.N., 2012. Photogrammetry – Remote Sensing And Geoinformation, I nt ernational Archives of t he Phot ogr ammet r y, Remot e Sensing and Spat ial I nf or mation Sciences, Volume XXXIX-B 6, 2012 XXII ISPRS Congress, 25 August – 01 September 2012, Melbourne, Australi a, http://www.int-arch-photogramm-remotesens-spatial-inf-sci.net/XXXIX-B6/69/2012/isprsarchives-XXXIX-B6-69-2012.pdf. LeCun Y., Bengio Y., Hi nton G., 2015. Deep learning, Nature, 521, s. 436-444, doi : 10.1038/nature14539. Lee J., Cai X., Dalponte M., Schonlieb C., Coomes D., lmann J., Malhi Y., Butt N., Morecroft M., 2016. Individual Tree Species Classification from Airborne Mul tisensor Imagery Using Robust PCA, I EEE Journal of Selected Topics in Applied Eart h Obser ons and Remot e Sensing, 9 (6), s. 2554-2567, doi: 10.1109/JSTARS.2016.2569408. L icht enthaler H.K ., Wellburn R.R., 1983. Det er mination f tot al caret onoids and chlorophylls a and b in leaf ext racs in diff erent solvent s, Biochemical Societ y Transact ions, 603, s. 591-592. Lucas R., Lee A., Bunting P., 2008. Ret rieving f orest biomass t hrough integration of CASI and L iDAR dat a, I nternat ional Jour nal Of Remot e Sensing, 29 (5), s. 1553, doi: doi:10.1016/j.rse.2008.06.009. Ma. X., Wang H., Geng J., 2016. Spect ral–Spat ial Classif icat ion of Hyper spectr al Image Based on Deep Auto-Encoder, I EEE Journal of Selected Topics in A pplied Ear th Observat ions and Remot e Sensing, 9 (9), s. 4073-4085, doi: 10.1109/JSTARS. 2016.2517204. Makisara K., Meinander M., Rantasuo M., Okkonen J., Ai io M., Sipola K., Pylkko P., Braam B., 1993. Airborne imaging spectromet er f or applicat ions (AI SA ), International Geoscience and Remot e Sensing Symposium (I GARSS), 2, Better Understanding of Earth Environment, s. 479-481, ISBN: 0780312406. Marcinkowska A ., Zagaj ewsk i B., Ocht yra A ., Jar ocinska A ., Raczko E., Kupk ova L., St ych P., Meuleman K ., 2014. Mapping veget at ion communit ies of t he Kar konosze National Park using A PEX hyperspect ral dat a and Suppor t Vector Machines, Miscellanea Geographica, 18 (2), s. 23-29, doi: 10.2478/mgrsd-2014-0007. Martin M., Newman S., Aber J., Congalton R., 1998. Determining f or est species composit ion using hig spect r al resolut ion remot e sensing dat a, Remot e Sensing of Environment , 65, (3), s. 249-254, doi: 10.1016/S0034-4257(98) 00035-2. Martin M.E., Plourde L.C., Ollinger S.V., Smith M. L., McNeil B.E., 2008. A generalizable met hod for remote sensing of can nit rogen acr oss a wide r ange of f or est ecosyst ems, Remot e Sensing of Environment, 112, s. 3511-3519, doi: 10.1016/j .r se. 2008.04.008. Martinez del Castillo, E., García-Martin A., Longares Aladrén L., de Luis M. 2015. Evaluation of forest cover change using remote sensing techniques and landscape metrics in Moncayo Natural Park (Spain), Appl ied Geography, 62, s 247-255, doi: 10.1016/j.apgeog.2015.05.002. Mas J.F., Flores J.J., 2008. The application of artifi al neural networks to the analysis of r emot ely sensed dat a, I nter nat ional Jour nal of Remot e Sensing, 29 (3), s. 617-663, doi: 10.1080/01431160701352154. 24 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html Masaitis G,, Mozgeris G., 2013. The Influence of The Growing Season on the Spectral Reflectance Properties of Forest Tree Species, Research for Rural Development International Scientific Conference, 2, s. 20-26. Mather P. M., Koch M., 2011. Computer Processing of Remotely-Sensed Images, Wiley-Blackwell, ss. 460, edycja 4, ISBN: 978-0-470-74238-9. Matuszkiewi cz A., Matuszkiewicz W., 1967. Zespoly rosl nne Karkonoskiego Parku Narodow ego. Cz. 1 Zespoly lesne, Prace Wroclawskiego Towarzystwa Naukowego, Ser. B, 135. Matuszkiewi cz A., Matuszkiewicz W., 1975. Mapa zbiorow sk roslinnych Karkonoskiego Parku Narodowego, Ochrona Przyrody, 40, s. 45-112. Mazurski K. R., 1986. The destruction of forests in th Polish Sudetes Mountains by industrial emissions, Forest Ecology and Management, 17, (4), s. 303-315. McCulluch W.S., Pit t s W.H., 1943. A logical calculus of ideas im anent in ner vous activit y, Bullet in of M at hematical Biophysics, 5, s. 115-119. Merzlyak M., Gitelson A., Chivkunova O., Rakitin V., 1999. Non-dest ruct ive opt ical det ection of pigment changes dur ing leaf senescence and f ruit ripening, Physiologia Plant arum, 106 (1), s. 135-141, doi: 10.1034/ j.1399-3054.1999.106119.x. Mer zlyak M.N., Git elson A.A ., Chivk unova O.B., Solovchenko A.E., Pogosyan S.I., 2003. Application of reflectance spect roscopy f or analysis of higher plant pigment, Russian Journal of Pl ant Physiology, 50 (5), s. 704-710, ISSN: 21-4437. the bihyperbolic function i n the optimization of the backpropagation al gorithm, International Transactions In Operational Miguez G., Xavier A., Maculan N., 2014. An evaluation Research, 21 (5), s. 835-854, doi: 10.1111/itor.12072. Minsky M., Paper t S., 1969. Perceptr ons. A n I nt roduction to Comput ational Geomet ry, MI T Press, Cambridge, M A, ss. 258. Mohri M., Rostamizadeh A., Talwalkar A., 2012. Foundat ons of Machine Learning, Cambridge, London: MIT Press, ss. 412, ISBN: 9780262018258. Montserud R.A., Leamans R., 1992. Comparing global veg ation maps with kappa statisti c, Ecological Modelling, 62, s. 275-293. Mueller A., Oertel D., Richter R., Strobl P., Beran D., Fries J., Boehl H.-R., Obermeier P., Hausold A., Reinhäckel G., 1998. The DAIS 7915 - Three years operating airbor ne imaging spectrometer, Proceedings of the 1st EARSel Workshop on Imaging Spectroscopy, Remote Sensing Laboratories, University of Zurich, Sw itzerland, 6-8 October 1998, s. 21-28. Neal R.M., 1996. Bayesian Learning for Neural Networks, New York: Springer-Verlag, ISBN 0-387-94724-8. Nicodemus F.E., 1965. Directional Reflectance and Emis vity of an Opaque Surface, Applied Optics, 4, s.767-775, doi: https://doi.org/10.1364/AO.4.000767. Nort h P.R.J., 2002. Estimation of fA PAR, L A I and veget at ion f ract ional cover f rom ATSR-2 imagery, Remot e Sensing of Environment, 80, s. 114-121. Nyrek A., 1992. Kultura uzytkow ania gruntów upraw nych, asów i wód na Slasku od XV do XX wieku, Acta Universitas Wratislavi ensis, 1361. Oldeland J., Dor igo W., L ieck f eld L ., L ucieer A ., Jürgens N., 2010. Combining veget ation indices, const rained ordination and f uzzy classification for mapping semi-nat ural veget at ion units f rom hyper spectr al imager y, Remot e Se sing of Envir onment, 114, s. 1155-1166, doi: 10.1016/j.rse.2010.01.003. Omer G., Mutanga O., Abdel-Rahman E.M., Adam E., 2015. Performance of Support Vector Machines and Artificial Neural Network for Mapping Endangered Tree Species Using WorldView-2 Data in Dukuduku Forest, South Africa, IEEE Jour nal of Select ed Topics in Applied Eart h Obser ions and Remote Sensing, 8 (10), s. 4825-4840, doi: 10.1109/JSTARS.2015.2461136. Osowsk i S., 1996. Sieci neuronowe w uj eciu algorytmicz ym, WNT, Warszawa, ss. 352. Pal M., Mat her P.M ., 2006. Some issues in t he classif i on of DA IS hyperspect r al data, I nt ernational Jour nal of Remote Sensing, 27 (14), s. 2895-2916, doi: 10.1080/01431160500185227. Pearlman J., Crawford M., Jupp D., Ungar S., 2003. Foreword to the Earth Observing 1 Special Issue, IEEE Transactions on Geoscience & Remote Sensing, 41, (6), s. 1147-1148, ISSN: 0196-2892. Peerbhay K., Mut anga O., Ismail R., 2013. Commercial t ree species discriminat ion using airborne A ISA Eagle hyper spect ral imager y and part ial least squares discr iminant analysis (PL S-DA ) in KwaZulu–Nat al, South Af rica, I SPRS Journal of Photogrammetry and Remote Sensing, 79, s. 19-28, doi: 10.1016/j.isprsjprs. 2013.01.013. Plummer S.E., Nor th P.R.J., Br iggs S.A ., 1994. The A ngular Veget ation Index: an at mospher ically resist ant index f or t he second along tr ack scanning r adiomet er (ATSR-2) w: Proceedings of the 6t h Symposium on Physical Measureme t s and Spect ral Signat ur es in Remote Sensing, CNES, Toulouse, s. 717-722. Poop C., Brunner D., Damm A ., Van Roozendael M., Fayt C., Buchmann B., 2012. High-resolut ion NO2 r emot e sensing from the A ir borne Pr ism EXper iment (A PEX) imaging spectromet er, At mospher ic Measurement Techniques, 5, s. 2211-2225. Pri ce J.C., 1994. How unique are spectral signatures?, Remote Sensing of Environment, 49, s. 181-186. Pri editis G., Šmits I., Dagis S., Paura L., Kruminš J. Dubrovskis D., 2015. Assessment Of Hyperspectral Data Analysis Methods To Classify Tree Species, Research for Rural Development, 2, s. 7-13. Pu R., 2009. Broadleaf species recognition within situ hyper spect ral dat a, I nter nat ional Jour nal of Remot e Sensing, 30 (11), s. 2759-2777. Quinlan J.R., 1986. Inducti on of decision trees, Machi e Learning, 1, s. 81-106, doi: 10.1007/BF00116251. Raj A., 2014. Przemiany krajobrazu lesnego Karkonoskiego Parku Narodowego w okresie ostatnich kilkudziesieciu lat, Jelenia Góra: Karkonoski Park Narodowy, ss. 100, ISBN: 978-83-64528-16-3. Raj A., Knapik R., 2014. Karkonoski Park Narodowy, Jel a Góra: Karkonoski Park Narodowy, ss.100. ISBN: 978-83-64528-13-2. R Core Team, 2015. R: A language and environment for st atist ical comput in R Foundat ion f or St at ist ical Comput ing, Vienna, A ust ria. URL https:/ /www.R-project.org/. Richards J.A., 1999. Remote Sensing Digital Image Anal sis, Berlin: Springer-Verlag, s. 240, ISBN 978-3-540-29711-6. Richt er R., Schläpf er D., 2002. Geo-at mospheric processing of air bor ne imaging spect romet r y dat a. Par t 2: At mospher ic/Topographic Correct ion, I nt er nat ional Journal of Remot e Sensing, 23 (13), s. 2631-2649, doi: http://dx.doi.org/10.1080/01431160110115834. Rocchini D., Andreo V., Förster M., Garzon-Lopez C., G ierrez A., Gil lespie T., Hauffe H., He K., Kleinschmit B., Mairota P., Marcantonio M., Metz M., Nagendra H., Pareeth S., Ponti L., Ricotta C., Rizzoli A., Schaab G., Zebisch M Zorer R., 2015. Potential of remote sensing to predict species invasions: A modelli ng perspective, Progress in Physical Geography, 39 (3), s. 283-309, doi: 10.1177/0309133315 Rosenblat t F., 1958. The Perceptron: A probabilist ic m 59. l f or inf ormat ion storage and or ganizat ion in the brain, Psychological Review, 65, 6, s. 386-408. Ruban A .V., Hort on P., Young A .J., 1993. Aggregat ion of higher plant xant hophylls: Dif ferences in absorption spectr a and in t he dependency on solvent polar it y, Journal of Phot ochemist ry and Phot obiology, B: Biology, 21, ( 2-3), s. 229-234. Sandmeier St., Deer ing D.W., 1999. Str ucture A nalysis and Classificat ion of Boreal For est s Using A ir bor ne H yperspect ral BRDF Data f rom ASA S, Remot e Sensing of Environment, 69, s. 281-295. Schaepman M., Jehle M., Hueni A ., D' Odori co P., Damm A., Weyermann J., Schneider F., L aurent V., Popp C., Seidel F., Lenhard K., Gege P., Küchler C., Brazi le J., Kohler P., De Vos L., Meuleman K., Meynart R., Schläpfer D., neubühler M., Itten K., 2015. A dvanced r adiomet r y measur ement s and Eart h science applicat ions with t he A irborne Pr ism Exper iment (A PEX), Remot e Sensing of Environment, 158, s. 207-219, doi: 10.1016/j.rse.2014.11.014. Schläpfer D., Schaepman M.E., Itten K.I., 1998. PARGE: arametric Geocoding Based on GCP-Calibrated Auxil iary Data, SPIE International Symposium on Optical Science, Engineering and Instrumentation, San Diego (CA), s. 334-344, http://ww w.daniel-schlaepfer.ch/pdf/1998/SPIE_98_parge.pdf. . Schläpf er D., Richt er R., 2002. Geo-at mospheric processing of air bor ne imaging spect romet r y dat a. Par t 1: par amet ric ort horectification, I nt ernat ional Jour nal of Remot e Sensing, 23 (13), s. 2609-2630, doi: http://dx.doi.org/10.1080/01431160110115825. Schläpfer D., Richt er R., K ellenber ger T., 2012. A t mospher ic and Topographic Cor rection of Photogrammetric Airborne Digital Scanner Data (ATCOR-ADS), s. 5, http://www.daniel-schlaepfer.ch/pdf/Schlaepfer_eurocow _ATCOR-ADS.pdf . Schläpfer D., Richter R., Feingersh T., 2014. Operat ional BRDF Ef f ects Cor rection for Wide-Field-of -View Opt ical Scanner s (BREFCOR), I EEE TGA RS, 53, (4), s. 1855-1864, doi: 10.1109/TGRS.2014.2349946 . Shafie A.S., Mohtar S.M., Ahmad N., 2012. Backpropagat on neural network with new improved error function and activation function for classification probl em, IEEE Symposium on Humanities, Science and Engineering Research, 1, s. 359-1364. Shaw D.T., Malt hus T.J., K upiec J.A., 1998, High-spect ral resolution dat a f or monit oring Scot s pine (Pinus sylvest ris L.) regenerat ion, I nter nat ional Journal of Remot e Sensing, 19 (13), s. 2601-2608. 25 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html Shen G., Sakai K ., Hoshino Y., 2010. High Spat ial Resolut ion Hyperspect ral Mapping f or Forest Ecosyst em at Tree Species L evel, A gr icult ural Inf ormat ion Research, 19 (3), s. 71-78. Slownik Jezyka Polski ego pod red. M. Szymczaka. 1978. PWN, Warszawa. Sommer C., Holzwarth S., Heiden U., Heurich M., Muel ler J., Mauser W., 2015. Feature-based treee species classification using airborne hyperspect r al and lidar dat a in the Bavar ian Forest Nat ional Park , EARSeL eProceedings, 14 (2), s. 49-70, doi: 10.12760/0 15-2-05. Sterckx S., Vreys K., Biesemans J., Iordache M.D., Bertels L., Muelman K., 2015. At mospher ic cor rection of APEX hyperspect r al data, Miscellanea Geographica, 20 (12), s. 16-20, doi: 10.1515/mgrsd-2015-0022. Swingler K., 1996. Applying Neural Networks: A Practic Guide, London: Academic Press, ss. 303, ISBN: 9780126791709. Sztemberg-Lewandow ska M., 2015. Problemy decyzyjne w f nkcjonalnej anali zie gl ównych skladowych, Prace Naukowe Uniwersytetu Ekonomicznego we Wroclawiu, 385, s. 267-275, doi: 10.15611/ pn.2015.385.29. Szymura T. H., Dunajski A., Ruczakowska M., 2010. Zmiany powi erzchni lasów na obszarze Karkonoskiego Parku Narodowego w okresie 1747–1977, Opera Corcontica, 47, Suppl. 1, s. 159-166. Tagliabue G., Panigada C., Colombo R., Fava F., Cilia C., Baret F., Vreys K., Meuleman K., Rossi ni M., 2016. Forest species mapping using air borne hyper spect A PEX dat a, Miscellanea Geogr aphica, 20 (1), s. 28-33, ISSN: 2084-6118, doi: 10.1515/mgrsd-2016-0002. Thenk abail P.S., Enclona E.A., A sht on M.S., Van Der Meer B., 2004. Accur acy assessment s of hyperspect ral waveband per for mance f or vegetat ion analysis applicat ions, Remot e Sensing of Envir onment, 91, s. 354- 376. Thenkabail P.S., Lyon J.G., Huet e A., 2012. A dvances in hyperspect ral remote sensi g of Veget at ion and A gricultur al Croplands, w: P.S. Thenkabail, J. G. Lyon, A. Huete (red.), H yperspect ral Remot e Sensing of Vegetat ion,. Boca Rat o , FL , USA: CRC Press Taylor & Francis Group, s/ 3-35. Tian Q., Tong Q., Pu R., Guo X., Zhao C., 2001. Spectr oscopic deter mination of wheat wat er st atus using 1650-1850 nm spectr al absorpt ion f eat ures, I nt ernational Jour nal of Remot e Sensing, 22, s. 2329-2338. Tkác M., Verner R., 2016. Artificial neural networks in bu iness: Two decades of research, Applied Soft Computing, 38, s. 788-804, doi: 10.1016/j.asoc.2015.09.040. Tomanek J., Witkowska-Zuk L., 1994. Bot anika L esna: Podr ecznik Dla Student ów Wydzialów L es ych, War szawa: Panst wowe Wydawnictwo Rolnicze i L esne, ss. 448, ISBN: 8309018193. Vane G., Goetz A., 1988. Terrestrial i maging spectrosc , Remote Sensing of Environment, 24, s. 1-29, doi: 10.1016/0034-4257(88)90003-X. Vapnik V.N. 1995. The Nat ur e of St at ist ical Learning T eor y, New York, NY: Springer, ss.314, ISBN: 978-1-4757-3264-1, doi: 10.1007/978-1-4757-3264-1. Venables W.N., Ripley B.D., 2002. M odern A pplied St at i t ics wit h S. Fourth Edition, New York : Spr inger, I SBN 0-387-95457-0, ss. 462. Vaughan R., Calvin W., Taranik J., 2003. SEBASS hyperspectral thermal infrared data: surface emissivity measurement and mineral mappi ng, Remote Sensing of Environment, 85, s. 48-63, doi: 10.1016/S0034-4257(02)00186-4. Vreys K., Iordache M., Bomans B., Meuleman K., 2016. Data acquisition with the APEX hyperspectral sensor, Miscellanea Geographica, 20 (1), s. 5-10, doi: 10.1515/mgrsd2016-0001. Wer bos P., 1994. The root s of backpropagat ion: fr om or ed der ivat ives t o neural net wor ks and political f orecast ing (adapt ive and lear ning syst ems for signal processing, communicat ions and contr ol ser ies), New York: John Wiley and Sons, ss. 342. Wezyk P. Wert z B., Waloszek A., 2003. Sk aner hiper spekt ralny A ISA (A ir bor ne Imaging Spect rometer For Applicat ions) jako nar zedzie pozysk iwania inf or macji o ek osyst emie lesnym, Archiwum Fotogramet rii, Kart ogr afii i Teledet ekcj i, 13, s. 485-496, ISBN 83-912227-1-3. Xiong C., Merity S., Socher R., 2016. Dynamic memory n works for visual and textual question answeri ng, ss. 19, arXiv:1603.01417, URL: http://arxiv.org/abs/1603.01417 Yang S., Ting T.O., Man K.L., Guan S., 2013. Investigation of neural netw orks for functi on approximation. First International Conference on Information Technology and Quantitative Management (ITQM2013), Procedia Computer Science, 17, 586-594, doi: 10.1016/j.procs.2013.05.076. Yugal K., Sahoo G., 2012. Analysis of Parametri c & Non Parametric Classifiers for Classification Technique using WEKA, International Journal of Information Technol ogy and Computer Science, 4 (7), s. 43-49, doi: 10.5815/ijitcs 2012.07.06. Zabalza J., Ren J., Yang M., Zhang Y., Wang J., Marshall S., Han J., 2014. Novel Folded-PCA for improved feature extraction and data reduction w ith hyperspectral imaging and SAR in remote sensing, ISPRS Jour nal of Photogrammet ry and Remot e Sensing, 93, s. 112-122, doi: 10.1016/j.isprsjprs.2014.04.006. Zagajewski B. 2010. Ocena przydat nosci sieci neuronowych i danych hiperspekt r alnych do k lasyf ik acj i roslinnosci Tatr Wysok ich, Teledetekcja Srodowiska, 43, ss.113. Zagajewski B., Jarocinsk a A., Olesiuk D., 2009. Met ody i t echnik i badan geoinforma-tycznych, Warszawa: WGiSR UW, ss. 118. Ze ' ev B. E., Karnieli A., Agam N., Kaufman Y., Hol ben B., 006. Assessing vegetation condition in the presence of biomass burning smoke by applyi ng the Aerosol -free Vegetation Index (AFRI) on MODIS images, Internati onal Journal of emote Sensi ng, 27 (15), s. 3203-3221, doi: 10.1080/01431160500177380 Zhang H., Pu R., Liu X., 2016. A new image processing procedure integrating PCI-RPC and ArcGIS-Spline Tools to improve the orthorectification accuracy of High-Resolution Satellite Imagery, Remote Sensing, 8 (827), s. 16, doi 10.3390/ rs8100827. Zródla i nternetowe: http://sci.esa.int/prodex/33641-the-programme/ - stan a dzien 31.01.2017 http://www.apex-esa.org/ - stan na dzi en 31.01.2017 http://www.daniel-schlaepfer.ch/ - stan na dzi en 31.01 17 http://www.eufar.net/planning/xml_print.php?idp=ta_hym untecos_1230 – stan na dzien 01.02.2017 Spis rycin Ryc. 1. Porównanie charakterystyk spektralnych pozyskanych z det ekt ora wielospekt r alnego oraz symulacj i char akt er yst yk spek tr alnych 218-kanalowego zobrazowania EnMAP 16 Ryc. 2. Wplyw czynników na przebieg krzywej odbicia sp ktralnego. 17 Ryc. 3. Schemat perceptronu wielowarstwow ego skladajacego sie z trzech warstw 36 Ryc. 4. Dokladnosc klasyfikacji danych hiperspektralny h pokrycia terenu algorytmem sztucznych sieci neuronowych 37 Ryc. 5. Lokalizacja Karkonoskiego Parku Narodowego w Polsce. 44 Ryc. 6. Rozmieszczenie zbiorowisk lesnych i nielesnych na obszarze Karkonoskiego Parku Narodowego (KPN) 45 Ryc. 7. Mapa potencjalnego w ystepowania badanych gatun ów drzew na obszarze Karkonoskiego Parku Narodowego.. 50 Ryc. 8. Schemat najwazniejszych procedur klasyfi kacji linnosci drzewiastej 52 Ryc. 9. Plan nalotu wykonanego podczas projektu HyMoun o 53 Ryc. 10. Wykonanie pomiarów spektrometrycznych ASD FieldSpec 3 wykorzystanych do korekcji obrazów APEX 54 Ryc. 11. Wizual izacja fragmentu zobrazowania hiperpsek ralnego APEX w postaci tzw. data-cube 54 Ryc. 12. Zdjecie wykonane podczas zbierania danych ter wych. Po praw ej odbiornik GPS ZENO 10 razem z antena odbiorcza. 55 Ryc. 13. Mapa rozmieszczenia poli gonów pomiarowych zeb ych w trakcie badan. 56 Ryc. 14. Lokalizacja wzorców wyznaczonych na scenach A EX 58 Ryc. 15. Przykl ad kanalów o slabej (obrazek a – 413 nm i dobrej jakosci (obrazek b – 630 nm).. 59 Do dalszych anali z wykorzystano sceny posiadajace 222 analy spektralne. 59 Ryc. 17. Przykl ady Numerycznego Modelu Terenu (DTM), N merycznego Modelu Pokrycia Terenu (DSM) i znormalizowanego Numerycznego Modelu Pokrycia Terenu (nDSM) 61 Ryc. 18. Schemat wykonania maski drzewostanów 62 Ryc. 19. Zasieg obszarów wymaskowanych z klasyfikacji na tle zasiegu zbiorowisk lesnych KPN 62 26 z 27 2017-03-21 07:49 https://panel.plagiat.pl/web/main/printReport.html Ryc. 20. Efekt korekcji atmosferycznej krzyw ej spektra nej charakteryzujacej laki 66 Ryc. 21. Najbardziej informacyjne kanaly spektralne zobrazowania APEX. 67 Ryc. 22. Zaleznosc miedzy liczba neuronów w warstwie u ytej perceptronu wielowarstwowego o jednej warstw ie ukrytej a sredni a dokladnosci producenta dla zestawu uzytego do uczenia sieci i zestawu weryfikacyjnego. 68 Ryc. 23. Wartosc bledu RMSE w zaleznosci od liczby neu ów w w arstwie ukrytej perceptronu w ielow arstwowego o jednej warstwie ukrytej. 69 Ryc. 24. Mapa wystepowania gatunków drzew na podstawie wykonanej klasyfikacj i obrazów APEX 70 Ryc. 25. Porów nanie dokladnosci producenta i uzytkowni a dla sklasyfikowanych klas 72 Ryc. 26. Dokladnosc ogólna i wspólczynnik kappa klasyf kacji 72 Ryc. 27. Dokladnosci producenta dla poszczególnych klas 73 Ryc. 28. Dokladnosci uzytkow nika dla poszczególnych kl 73 Ryc. 29. Procentowy udzial kl as w ysokosciowych dla klasyfikow anych gatunków drzew 74 Ryc. 30. Obraz poklasyfikacjyny lasu w Oxfordshire.. 79 Ryc. 31. Lokalizacja obszarów wykorzystanych w porównaniu. 83 Ryc. 32. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Szklarska Poreba). 83 Ryc. 33. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Wodospad Szklarki). 84 Ryc. 34. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Jagni atków 1). 85 Ryc. 35. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Jagni atków 2). 85 Ryc. 36. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Jagni atków 3). 86 Ryc. 37. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Karpacz 1).. 86 Ryc. 38. Porów nanie dostepnej mapy (a) i wyników wykon ej klasyfikacji (b) (obszar Karpacz 2).. 87 Spis tabel Tabela 1. Wybrane zakresy absorpcji promieniowania elektromagnetycznego przez rosliny 18 Tabela 2. Charakterystyki skanera APEX 30 Tabela 3. Liczba zebranych poligonów pomiarowych uzysk nych podczas badan terenowych, wlaczajac zestaw danych pozyskany z KPN oraz liczba pikseli w yznaczonych na podstaw ie badan terenowych 57 Tabela 4. Liczba wzorców (pikseli) wykorzystanych do u zenia i weryfikacji dla poszczególnych klas 65 Tabela 5. Macierz bledów klasyfikacji dla iteracji o n jwyzszej dokladnosci ogólnej 71 Tabela 6. Dokladnosc producenta i uzytkownika dla posz zególnych klas (iteracja o najwyzszej dokladnosci ogólnej) 71 Tabela 7. Powierzchnia (ha) zajmow ana przez klasyfikow e gatunki drzew w podziale na trzy klasy wysokosci 75 Tabela 8. Porównanie procentowego udzialu poszczególny h gatunków drzew na obszarze KPN, w edlug danych KPN (Danielewicz i inni, 2012) oraz wyników uzyskanych z klasyfikacji 75 Tabela 9. Porównanie wyników pracy z dostepna literatu 77 Zalaczniki 1. Mapa rozmieszcznia wybranych gatunków drzew na terenie Karkonoskiego Parku Narodowego, Arkusz Karpacz 2. Mapa rozmieszcznia wybranych gatunków drzew na terenie Karkonoskiego Parku Narodowego, Arkusz Szklarska Poreba Copyright © Plagiat.pl 2002-2017 27 z 27 2017-03-21 07:49
