Ocena przydatności cech teksturalnych do identyfikacji naturalnej roślinności nieleśnej na podstawie danych lotniczych

Roślinność na terenach podmokłych odgrywa kluczową rolę w zachowaniu bioróżnorodności, regulacji cyklu wodnego oraz stabilizacji ekosystemów. Jednakże, rozpoznawanie roślinności na obszarach bagiennych stanowi istotne wyzwanie badawcze ze względu na duże zróżnicowanie wewnętrzne oraz podobieństwo występujących klas roślinności. Celem niniejszej pracy było określenie przydatności cech teksturalnych Grey Level Co-occurence Matrix (GLCM) obliczonych z ortofotomapy, do identyfikacji typów roślinności na tych terenach. Podstawą klasyfikacji były dane hiperspektralne HySpex i ortofotomapa, które posłużyły do utworzenia 11 zestawów danych wejściowych. Jako dane referencyjne wykorzystano dane terenowe. Klasyfikację przeprowadzono za pomocą algorytmu Random Forest. Ogólna dokładność F1 dla wszystkich klas wahała się od 0,693 do 0,720. Na podstawie wyników można stwierdzić, że dodanie cech teksturalnych 30 kanałów Minimum Noise Fraction (MNF) zwiększa dokładność F1 klasyfikacji terofitów o 10%. Natomiast w przypadku roślinności wodnej dodanie tekstury obniżyło dokładność o około 12%. Dla reszty klas dodanie tekstury nie zmieniało istotnie wyników klasyfikacji. Wyniki wskazuję, że przydatność cech teksturalnych zależy od specyfiki badanego obszaru. W przyszłych badaniach zaleca się synchronizację terminów pozyskania danych w ramach tego samego sezonu wegetacyjnego oraz testowanie różnych parametrów cech teksturalnych, co może poprawić dokładność klasyfikacji.