Share:


Comparison of methods for landsat TM satellite image segmentation in land cover classification

    Jurgita Milieškaitė Affiliation
    ; Gediminas Vaitkus Affiliation

Abstract

Satellite images are the sources of information about the objects on the Earth's surface. However, the practical use of space imagery in Lithuania is still in its infancy. The article presents the segmentation of the satellite image using one of the techniques for digital image classification called supervised classification. Landsat TM digital image classification requiring isolation was carried out using SMAP (sequential maximum a posteriori) and MCL (“maximum likelihood” classifier) segmentation algorithms for the Geographic Information System GRASS (Geographic Resources Analysis Support System) environment. An error matrix (confusion matrix) and kappa coefficients were calculated for accuracy assessment. This study showed that remote sensing and GIS technology are excellent tools for identifying land cover types and calculating their areas. However, to achieve more accuracy employing these methods, additional field investigations will be necessary.

Article in Lithuanian.

Landsat TM kosminių nuotraukų segmentavimo metodų palyginimas atliekant žemės dangos klasifikavimą

Santrauka. Kosminiai vaizdai yra vienas iš informacijos šaltinių apie žemės paviršiuje esančius objektus, tačiau praktiškai kosminiai vaizdai Lietuvoje naudojami dar neseniai. Pateiktas kosminio vaizdo segmentavimas taikant vieną iš skaitmeninių vaizdų klasifikavimo metodų – kontroliuojamąjį klasifikavimą (angl. supervised classification). Landsat TM skaitmeninio vaizdo klasifikavimas (nusistatytų klasių išskyrimas) atliktas taikant daugiaspektrius SMAP (sequential maximum a posteriori) ir MCL („maximum likelihood“ classifier) segmentavimo algoritmus geografinės informacinės sistemos GRASS (geographic resources analysis support system – geografinių duomenų analizės palaikymo sistema) aplinkoje. Klasifikavimo tikslumui įvertinti skaičiuota klaidų matrica (confusion ar error matrix) ir kappa koeficientas. Tyrimų duomenys rodė, kad nuotolinio stebėjimo ir GIS technika yra puiki priemonė Žemės dangos tipams identifikuoti ir plotams apskaičiuoti, tačiau aprašytaisiais metodais gautiems rezultatams įvertinti tiksliau būtini lauko tyrimai vietovėje.

Reikšminia žodižiai: kontroliuojamasis klasifikavimas Landsat TM skaitmeninis vaizdassegmentavimasžemės dangos klasifikavimas SMAP (a posteriori nuoseklusis maksimumas) MLC („didžiausiojo panašumo“ klasifikatorius).

Сравнение методoв сегментации в космических изображениях Landsat TM при классификации земельного полога

Резюме. Космические изображения являются одним из источников информации об объектах на поверхности земли, однако в Литве использование космических изображений не является распространённым явлением. В статье описывается сегментация космического изображения с использованием одного из методов классификации цифровых изображений – контролируемой классификации (supervised classification). Классификация цифрового изображения Landsat TM (выделение созданных классов) осуществлена с применением многоспектральных алгоритмов сегментации SMAP („sequential maximum a posteriori“) и MCL („maximum likelihood“ classifier) в среде географической информационной системы GRASS (Geographic Resources Analysis Support System). Для оценки точности классификации была рассчитана матрица ошибок (англ. confusion или error matrix) и коэффициент каппа. Исследование показало, что дистанционное наблюдение и техника ГИС являются отличным средством для идентификации типов земельного полога и расчета их площади, однако для более точной оценки результатов, полученных с применением описанных методов, необходимы полевые исследования на местности.

Ключевые слова: контролируемaя классификацияцифровое изображение Landsat ТМсегментированиеSMAPMLC.

Keyword : supervised classification, Landsat TM digital image, segmentation, land cover classification, SMAP, MLC

How to Cite
Milieškaitė, J., & Vaitkus, G. (2011). Comparison of methods for landsat TM satellite image segmentation in land cover classification. Geodesy and Cartography, 37(3), 135-142. https://doi.org/10.3846/13921541.2011.626264
Published in Issue
Nov 1, 2011
Abstract Views
523
PDF Downloads
397
Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.