Zastosowanie danych hiperspektralnych i sztucznych sieci neuronowych do klasyfikacji gatunków drzewiastych Karkonoskiego Parku Narodowego

University of Warsaw Repository

pl | en
 
 

Show simple item record

dc.contributor.advisor Zagajewski, Bogdan
dc.contributor.author Raczko, Edwin
dc.date.accessioned 2017-06-07T00:05:46Z
dc.date.available 2017-06-07T00:05:46Z
dc.date.issued 2017-03-27
dc.identifier.uri https://depotuw.ceon.pl/handle/item/2152
dc.description.abstract Znajomość składu gatunkowego lasu jest ważnym zagadnieniem w zarządzaniu zasobamiśrodowiska leśnego. Główny nacisk powinien być położony na monitoring składu gatunkowegoposzczególnych zbiorowisk i ich rozmieszczenia przestrzennego. Praca skupiła się na opracowaniumetod identyfikacji gatunków drzew wykorzystując lotnicze dane hiperspektralne.Wysokorozdzielczy skaner hiperspektralny APEX (288 kanałów spektralnych w zakresie 413-2440nm o wielkości piksela 3,35 m) został użyty jako źródło danych do opracowania maprozmieszczenia wybranych gatunków drzew na obszarze Karkonoskiego Parku Narodowego. Wbadaniach wykonano mapę lokalizacji przestrzennej następujących gatunków: buk (Fagus sylvaticaL.), brzoza (Betula pendula Roth), olcha (Alnus Mill.), modrzew (Larix decidua Mill), sosna (Pinussylvestris L.) i świerk (Picea abies L. Karst). W celu zredukowania czasu przetwarzania danych,przeprowadzono procedurę wyboru najlepszych kanałów spektralnych. Zaszumione kanałyzobrazowania oraz te o niskiej jakości zostały usunięte (66 kanałów) przed analizą składowychgłównych (Principal Component Analysis – PCA). Po transformacji, zawartość informacji wkażdym kanale została obliczona wykorzystując współczynnik użyteczności kanału (band loading).Analiza PCA pozwoliła wybrać 40 kanałów spektralnych o największej zawartości informacji, którezostały użyte do klasyfikacji drzewostanów. Jako klasyfikator wykorzystano perceptronwielowarstwowy z jedną warstwą ukrytą. Symulowanie działania sztucznej sieci neuronowejprzeprowadzono przy użyciu programu R oraz paczki nnet. Przeprowadzono proceduręoptymalizacji parametrów uczenia oraz struktury (liczba neuronów w warstwie ukrytej) w celuotrzymania jak najlepszych wyników. Uzyskane wyniki zostały zweryfikowane na podstawiemarszruty terenowej. Rezultatem badań jest mapa rozmieszczenia gatunków drzewiastych.Uzyskane dane statystyczne (mediana dokładności całkowitej wyniosła 87% oraz współczynnikkappa 0,81) potwierdziły przydatność opracowanej metody oraz obrazów hiperspektralnych APEX,gdyż wszystkie sklasyfikowane gatunki uzyskały medianę dokładności producenta wyższą niż 68%.Najlepiej sklasyfikowały się świerki, buki i brzozy (mediana dokładności producenta wyniosłaodpowiednio 93, 88 i 83%. Sosna sklasyfikowała się uzyskując medianę dokładności producenta napoziomie 68% oraz mediana dokładności użytkownika 75%. Opracowana metoda potwierdziłapotencjał teledetekcji hiperspektralnej oraz sztucznych sieci neuronowych jako narzędzi dokartowania gatunków drzew.
dc.description.abstract Knowledge of tree species composition in forest is an important topic in forest management.Accurate tree species maps allow acquiring more details of forest biophysical variables. Thisresearch focused on developing methods of tree species identification using aerial hyperspectraldata. Research area was the Karkonoski National Park located in south-western Poland. Highresolution (3,35m) APEX hyperspectral 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 (Betulapendula Roth), alder (Alnus Mill.), larch (Larix decidua Mill), pine (Pinus sylvestris L.) and spruce(Picea abies L. Karst) were classified. Noisy bands (including water vapor absorption range) weretaken out of whole dataset before band selection procedure. Remaining bands went thought PCA(Principal Component Analysis) analysis to find out bands with highest information load. Eachband had its information load assessed and was ranked based on amount of information it held.Finally 40 most informative bands were selected for final classifications. Feed forward multilayered-perceptron with single hidden layer was applied. To simulate such network we used Rstatistical program and package nnet. Methods of the best artificial neural network architecturedetermination (number of neurons in hidden layer) and network training parameters were used. Theoutput maps were verified using field collected data. Final tree species maps cover whole area ofKPN; achieved median overall accuracy of 87%, with median producer accuracies for all classesexceeding 68%. Best classified classes were spruce, beech and birch with median produceraccuracies of 93%, 88% and 83% respectively. Class pine achieved lowest median producer anduser accuracies of 68% and 75%. Results show great potential in hyperspectral data as tool foridentifying tree species location in diverse mountainous forest.
dc.language.iso pl
dc.rights info:eu-repo/semantics/restrictedAccess
dc.subject klasyfikacja
dc.subject sztuczne sieci neuronowe
dc.subject dane hiperspektralne
dc.subject klasyfikacja gatunków drzew
dc.subject classification
dc.subject artificial neural networks
dc.subject hyperspectral data
dc.subject tree species classification
dc.title Zastosowanie danych hiperspektralnych i sztucznych sieci neuronowych do klasyfikacji gatunków drzewiastych Karkonoskiego Parku Narodowego
dc.title.alternative Zastosowanie danych hiperspektralnych i sztucznych sieci neuronowych do klasyfikacji gatunków drzewiastych Karkonoskiego Parku Narodowego
dc.title.alternative Application of hyperspectral data and artificial neural networks for tree species classification of Karkonoski National Park
dc.type info:eu-repo/semantics/doctoralThesis
dc.contributor.department Wydział Geografii i Studiów Regionalnych
dc.date.defence 2017-06-13
dc.identifier.apd 21067
dc.description.osid 172367
dc.contributor.email edwin.raczko@student.uw.edu.pl

Files in this item

This item appears in the following Collection(s)

Show simple item record

Search Repository


Advanced Search

Browse

My Account

Statistics