The aim of the study – improvement of on-going in Lithuania forest inventories based on satellite images and GIS databases. Specific objective of the study – to explore the possibilities of methods applied for the collection of information from satellite images and GIS databases and its processing in order to determine various Lithuanian forest characteristics, focusing on a variety of forest inventory schemes. 4 The goals of the study: 1. To discuss methodological assumptions for the use of satellite images and GIS database information to estimate various characteristics of the Lithuanian forests. 2. To investigate methodological assumptions for the application of two-phase sampling scheme based on medium-resolution satellite images for the estimation of Lithuanian forest characteristics. 3. To investigate the possibilities of application of medium-resolution satellite images on the basis of two-phase sampling scheme in stand-wise, mature stands and pre-harvesting forest inventories. 4. To investigate methodological decisions and application peculiarities of fast detection of changes in the forest using medium-resolution satellite images under Lithuanian conditions. Scientific novelty The development of methodological background for the use of medium-resolution satellite images and two-phase sampling-based schemes in Lithuanian forest inventory. The use of stand-wise forest inventory data as an auxiliary information together with medium-resolution satellite images in... [to full text] / Bendrasis darbo tikslas – Lietuvoje vykdomų miškų inventorizacijų tobulinimas kosminių nuotolinių tyrimų vaizdų bei GIS duomenų bazių pagrindu. Darbo konkretusis tikslas – ištirti kosminių nuotolinių tyrimų vaizdų ir GIS duomenų bazių informacijos, jos apdorojimo metodų galimybes nustatant įvairias Lietuvos miškų charakteristikas, orientuojantis į įvairias miško inventorizacijos schemas. Darbo uždaviniai: 1. Aptarti kosminių nuotolinių tyrimų vaizdų ir GIS duomenų bazių informacijos naudojimo vertinant įvairias Lietuvos miškų charakteristikas metodines prielaidas. 2. Ištirti dviejų fazių atrankos schemos taikymo vidutinės skiriamosios gebos kosminių vaizdų pagrindu vertinant įvairias Lietuvos miškų charakteristikas metodines prielaidas. 3. Ištirti dviejų fazių atrankos schema grindžiamo vidutinės skiriamosios gebos kosminių vaizdų taikymo sklypinėje, brandžių medynų bei prieškirtiminėje miškų inventorizacijose galimybes. 4. Ištirti operatyvaus pakitimų aptikimo miške, naudojant vidutinės skiriamosios gebos kosminius vaizdus, metodinius sprendimus bei jų taikymo Lietuvos sąlygomis ypatumus. Mokslinis naujumas Išvystyti vidutines skiriamosios gebos kosminių vaizdų ir dviejų fazių atranka grindžiamų vertinimo schemų naudojimo Lietuvos miškų inventorizacijoje metodiniai pagrindai. Sklypinės miškų inventorizacijos duomenų naudojimas kaip pagalbinė informacija kartu su vidutinės skiriamosios gebos kosminiais vaizdais dviejų fazių atrankos schemose vertinant miško charakteristikas... [toliau žr. visą tekstą]

Magistro darbe yra nagrinėjamos neparametrinio knn (k-nearest neighbor) metodo taikymo galimybės Lietuvos sąlygomis vertinant tradicinius miško taksacinius rodiklius bet kokiame šalies teritorijos taške. Darbo objektas – Dubravos miškų urėdijos Dubravos miškas. Darbo tikslas – įvertinti neparametrinio knn (k-nearest neighbor) metodo taikymo Lietuvos miškų inventorizacijose galimybes. Darbo rezultatai. Nustatyta, kad taksacinių rodiklių įvertinimo knn metodu tikslumas kyla didinant apskaitos vienetų, išmatuotų vietovėje, skaičių. Pagrindiniai knn metodo parametrai, kuriais gauti geriausi rezultatai, buvo: 10 artimiausių kaimynų (k reikšmė), atvirkščiai proporcingo atstumo schema, nusakant kiekvieno iš artimiausių kaimynų svertus. Papildomos pagalbinės informacijos – tradicinės sklypinės miškų inventorizacijos metu nustatytų medynų taksacinių rodiklių – panaudojimas kartu su kosminiais Spot Xi vaizdais padidina taksacinių rodiklių įvertinimo tikslumą. Pritaikius optimalų knn metodo taikymo taktikos variantą, mažiausios pasiektos taksacinių rodiklių nustatymo vidutinės kvadratinės paklaidos sudarė 27% medyno vidutinio skersmens, 20% vidutinio aukščio, 40% skerspločių sumos, 35% vidutinio amžiaus, 43% tūrio viename ha, 33% spygliuočių procento rodiklio. Pasitelkus 1999 metų Spot Xi kosminius vaizdus, 1986 apskaitos bareliuose išmatuotas pagrindines medynų taksacines charakteristikas bei 1988 metų sklypinės miškotvarkos duomenis, knn metodu nustatyti pagrindinių taksacinių... [toliau žr. visą tekstą] / The research is dealing with investigations of non-parametric knn (k-nearest neighbor) method for estimation of standard forest characteristics at any point of an area under Lithuanian conditions. Study object: Dubrava forest, managed by Dubrava experimental forest enterprise. Objectives: to assess the usability of non-parametric knn (k-nearest neighbor) method in Lithuanian forests inventory. Results. The increase in number of sample plots with known field information was found to improve the estimation accuracy. The most important parameters for use of knn methods were the following: 10 nearest neighbors (value of k), inverse distance weighted scheme for defining the weights of selected neighbors. Integrating of additional auxiliary information – characteristics of forest compartments, estimated during the conventional stand-wise inventory – to be used together with Spot Xi images improved the overall accuracy of estimations. The lowest achieved root mean square errors were 27% of the average value of all plots within the study area for mean diameter, 20% for mean height, 40% for basal area, 35% for mean age, 43% for volume per 1ha and 33% for the percent of coniferous species in stand tree species composition, when the optimal knn tactics were applied. Spot Xi images from the year 1999, main forest characteristics from 1986 field measured sample plots and data of conventional stand-wise forest inventory from the year 1988 were utilized to estimate using knn method the... [to full text]

Bezüglich des Waldes hat sich in den letzten Jahren seitens der Politik und Wirtschaft ein steigender Informationsbedarf entwickelt. Zur Bereitstellung dieses Bedarfes stellt die Fernerkundung ein wichtiges Hilfsmittel dar, mit dem sich flächendeckende Datengrundlagen erstellen lassen. Die k-nächsten-Nachbarn-Methode (kNN-Methode), die terrestrische Aufnahmen mit Fernerkundungsdaten kombiniert, stellt eine Möglichkeit dar, diese Datengrundlage mit Hilfe der Fernerkundung zu verwirklichen. Deshalb beschäftigt sich die vorliegende Dissertation eingehend mit der kNN-Methode. An Hand der zwei Merkmale Grundfläche (metrische Daten) und Totholz (kategoriale Daten) wurden umfangreiche Berechnungen durchgeführt, wobei verschiedenste Variationen der kNN-Methode berücksichtigt wurden. Diese Variationen umfassen verschiedenste Einstellungen der Distanzfunktion, der Wichtungsfunktion und der Anzahl k-nächsten Nachbarn. Als Fernerkundungsdatenquellen kamen Landsat- und Hyperspektraldaten zum Einsatz, die sich sowohl von ihrer spektralen wie auch ihrer räumlichen Auflösung unterscheiden. Mit Hilfe von Landsat-Szenen eines Gebietes von verschiedenen Zeitpunkten wurde außerdem der multitemporale Ansatz berücksichtigt. Die terrestrische Datengrundlage setzt sich aus Feldaufnahmen mit verschiedenen Aufnahmedesigns zusammen, wobei ein wichtiges Kriterium die gleichmäßige Verteilung von Merkmalswerten (z.B. Grundflächenwerten) über den Merkmalsraum darstellt. Für die Durchführung der Berechnungen wurde ein Programm mit Visual Basic programmiert, welches mit der Integrierung aller Funktionen auf der Programmoberfläche eine benutzerfreundliche Bedienung ermöglicht. Die pixelweise Ausgabe der Ergebnisse mündete in detaillierte Karten und die Verifizierung der Ergebnisse wurde mit Hilfe des prozentualen Root Mean Square Error und der Bootstrap-Methode durchgeführt. Die erzielten Genauigkeiten für das Merkmal Grundfläche liegen zwischen 35 % und 67 % (Landsat) bzw. zwischen 65 % und 67 % (HyMapTM). Für das Merkmal Totholz liegen die Übereinstimmungen zwischen den kNN-Schätzern und den Referenzwerten zwischen 60,0 % und 73,3 % (Landsat) und zwischen 60,0 % und 63,3 % (HyMapTM). Mit den erreichten Genauigkeiten bietet sich die kNN-Methode für die Klassifizierung von Beständen bzw. für die Integrierung in Klassifizierungsverfahren an. / Mapping forest variables and associated characteristics is fundamental for forest planning and management. The following work describes the k-nearest neighbors (kNN) method for improving estimations and to produce maps for the attributes basal area (metric data) and deadwood (categorical data). Several variations within the kNN-method were tested, including: distance metric, weighting function and number of neighbors. As sources of remote sensing Landsat TM satellite images and hyper spectral data were used, which differ both from their spectral as well as their spatial resolutions. Two Landsat scenes from the same area acquired September 1999 and 2000 regard multiple approaches. The field data for the kNN- method comprise tree field measurements which were collected from the test site Tharandter Wald (Germany). The three field data collections are characterized by three different designs. For the kNN calculation a program with integration all kNN functions were developed. The relative root mean square errors (RMSE) and the Bootstrap method were evaluated in order to find optimal parameters. The estimation accuracy for the attribute basal area is between 35 % and 67 % (Landsat) and 65 % and 67 % (HyMapTM). For the attribute deadwood is the accuracy between 60 % and 73 % (Landsat) and 60 % and 63 % (HyMapTM). Recommendations for applying the kNN method for mapping and regional estimation are provided.

Bezüglich des Waldes hat sich in den letzten Jahren seitens der Politik und Wirtschaft ein steigender Informationsbedarf entwickelt. Zur Bereitstellung dieses Bedarfes stellt die Fernerkundung ein wichtiges Hilfsmittel dar, mit dem sich flächendeckende Datengrundlagen erstellen lassen. Die k-nächsten-Nachbarn-Methode (kNN-Methode), die terrestrische Aufnahmen mit Fernerkundungsdaten kombiniert, stellt eine Möglichkeit dar, diese Datengrundlage mit Hilfe der Fernerkundung zu verwirklichen. Deshalb beschäftigt sich die vorliegende Dissertation eingehend mit der kNN-Methode. An Hand der zwei Merkmale Grundfläche (metrische Daten) und Totholz (kategoriale Daten) wurden umfangreiche Berechnungen durchgeführt, wobei verschiedenste Variationen der kNN-Methode berücksichtigt wurden. Diese Variationen umfassen verschiedenste Einstellungen der Distanzfunktion, der Wichtungsfunktion und der Anzahl k-nächsten Nachbarn. Als Fernerkundungsdatenquellen kamen Landsat- und Hyperspektraldaten zum Einsatz, die sich sowohl von ihrer spektralen wie auch ihrer räumlichen Auflösung unterscheiden. Mit Hilfe von Landsat-Szenen eines Gebietes von verschiedenen Zeitpunkten wurde außerdem der multitemporale Ansatz berücksichtigt. Die terrestrische Datengrundlage setzt sich aus Feldaufnahmen mit verschiedenen Aufnahmedesigns zusammen, wobei ein wichtiges Kriterium die gleichmäßige Verteilung von Merkmalswerten (z.B. Grundflächenwerten) über den Merkmalsraum darstellt. Für die Durchführung der Berechnungen wurde ein Programm mit Visual Basic programmiert, welches mit der Integrierung aller Funktionen auf der Programmoberfläche eine benutzerfreundliche Bedienung ermöglicht. Die pixelweise Ausgabe der Ergebnisse mündete in detaillierte Karten und die Verifizierung der Ergebnisse wurde mit Hilfe des prozentualen Root Mean Square Error und der Bootstrap-Methode durchgeführt. Die erzielten Genauigkeiten für das Merkmal Grundfläche liegen zwischen 35 % und 67 % (Landsat) bzw. zwischen 65 % und 67 % (HyMapTM). Für das Merkmal Totholz liegen die Übereinstimmungen zwischen den kNN-Schätzern und den Referenzwerten zwischen 60,0 % und 73,3 % (Landsat) und zwischen 60,0 % und 63,3 % (HyMapTM). Mit den erreichten Genauigkeiten bietet sich die kNN-Methode für die Klassifizierung von Beständen bzw. für die Integrierung in Klassifizierungsverfahren an. / Mapping forest variables and associated characteristics is fundamental for forest planning and management. The following work describes the k-nearest neighbors (kNN) method for improving estimations and to produce maps for the attributes basal area (metric data) and deadwood (categorical data). Several variations within the kNN-method were tested, including: distance metric, weighting function and number of neighbors. As sources of remote sensing Landsat TM satellite images and hyper spectral data were used, which differ both from their spectral as well as their spatial resolutions. Two Landsat scenes from the same area acquired September 1999 and 2000 regard multiple approaches. The field data for the kNN- method comprise tree field measurements which were collected from the test site Tharandter Wald (Germany). The three field data collections are characterized by three different designs. For the kNN calculation a program with integration all kNN functions were developed. The relative root mean square errors (RMSE) and the Bootstrap method were evaluated in order to find optimal parameters. The estimation accuracy for the attribute basal area is between 35 % and 67 % (Landsat) and 65 % and 67 % (HyMapTM). For the attribute deadwood is the accuracy between 60 % and 73 % (Landsat) and 60 % and 63 % (HyMapTM). Recommendations for applying the kNN method for mapping and regional estimation are provided.

Made available in DSpace on 2014-07-29T14:57:46Z (GMT). No. of bitstreams: 1 dissertacao-fernando.pdf: 677510 bytes, checksum: 19704f0b04ee313a63b053f7f9df409c (MD5) Previous issue date: 2010-10-10 / Most research on Automatic Text Categorization (ATC) seeks to improve the classifier performance (effective or efficient) responsible for automatically classifying a document d not yet rated. The k nearest neighbors (kNN) is simpler and it s one of automatic classification methods more effective as proposed. In this paper we proposed two kNN variations, Inverse kNN (kINN) and Symmetric kNN (kSNN) with the aim of improving the effectiveness of ACT. The kNN, kINN and kSNN methods were applied in Reuters, 20ng and Ohsumed collections and the results showed that kINN and kSNN methods were more effective than kNN method in Reuters and Ohsumed collections. kINN and kSNN methods were as effective as kNN method in 20NG collection. In addition, the performance achieved by kNN method is more stable than kINN and kSNN methods when the value k change. A parallel study was conducted to generate new features in documents from the similarity matrices resulting from the selection criteria for the best results obtained in kNN, kINN and kSNN methods. The SVM (considered a state of the art method) was applied in Reuters, 20NG and Ohsumed collections - before and after applying this approach to generate features in these documents and the results showed statistically significant gains for the original collection. / Grande parte das pesquisas relacionadas com a classificação automática de textos (CAT) tem procurado melhorar o desempenho (eficácia ou eficiência) do classificador responsável por classificar automaticamente um documento d, ainda não classificado. O método dos k vizinhos mais próximos (kNN, do inglês k nearest neighbors) é um dos métodos de classificação automática mais simples e eficazes já propostos. Neste trabalho foram propostas duas variações do método kNN, o kNN invertido (kINN) e o kNN simétrico (kSNN) com o objetivo de melhorar a eficácia da CAT. Os métodos kNN, kINN e kSNN foram aplicados nas coleções Reuters, 20NG e Ohsumed e os resultados obtidos demonstraram que os métodos kINN e kSNN tiveram eficácia superior ao método kNN ao serem aplicados nas coleções Reuters e Ohsumed e eficácia equivalente ao método kNN ao serem aplicados na coleção 20NG. Além disso, nessas coleções foi possível verificar que o desempenho obtido pelo método kNN é mais estável a variação do valor k do que os desempenhos obtidos pelos métodos kINN e kSNN. Um estudo paralelo foi realizado para gerar novas características em documentos a partir das matrizes de similaridade resultantes dos critérios de seleção dos melhores resultados obtidos na avaliação dos métodos kNN, kINN e kSNN. O método SVM, considerado um método de classificação do estado da arte em relação à eficácia, foi aplicado nas coleções Reuters, 20NG e Ohsumed - antes e após aplicar a abordagem de geração de características nesses documentos e os resultados obtidos demonstraram ganhos estatisticamente significativos em relação à coleção original.