| Abstract | Istraživanje krajolika Općine Povljana je provedeno na razini pojedinačnog elementa i krajobraznih cjelina. Za analizu razine pojedinačnog elementa, podatci su prikupljeni metodom ručne vektorizacije. Ručna vektorizacija je vremenski zahtjevna i skupa. Stoga se paralelno ispituje mogućnost zamjene prikupljanja podataka ručnom vektorizacijom s automatiziranim metodama kako bi istraživanja tog tipa bila učinkovitija i šire primjenjiva. U tu svrhu se koristi GEOBIA metoda. Za istraživanje krajobraznih cjelina, u ovom radu povijesnih cjelina, koristi se metoda PKK koja se prvi put primjenjuje u RH. Metoda PKK ne podrazumijeva analizu pojedinačnog elementa krajolika već identificira i datira područja sličnih obrazaca u krajoliku. Međutim, podatci prikupljeni za elemente se mogu koristiti za izradu PKK modela i činiti osnovu za eksplicitnu klasifikaciju. Radi toga se ispituje mogućnost reprodukcije vektorskih modela izrađenih ručnom vektorizacijom pomoću GEOBIA metode koji će biti sukladne kvalitete. Prikupljanje kvalitetnih podataka, ali na brži i jeftiniji način za regionalnu razinu istraživanja, bi sustav identifikacije i zaštite pojedinačnih spomenika i krajolika u cjelini učinilo učinkovitijim. Općina Povljana se nalazi na otoku Pagu. Karakterizira je krški reljef i krajolik suhozidnih ograda. Istraživanja krajolika nemaju dugu tradiciju u RH. Dosadašnja istraživanja su omogućila poznavanje elemenata suhozidne arhitekture i njihove tipologije. U legislativi koja je na snazi u RH postoji formalni okvir za identificiranje i zaštitu krajolika. Prezentiran je teorijski i metodološki okvir PKK metode sa operativnim konceptima u koje pripadaju karakterizacija, karakter, vremenska dubina, karakterni tip, morfološka analiza i retrogresivna analiza. Izrađeno je ukupno petnaest vektorskih modela Općine Povljana vizualnom interpretacijom i ručnom vektorizacijom (široki put, uski put, voda, povremeni tok, suhozidi, zelene ograde, objekti, poljoprivredni objekti, gomile, lokve i bunari, solana, kulturna dobra, šume, krš i fliš). Za složene klase su definirana pravila vektorizacije (suhozidi, uski put, široki put). Modeli su korišteni kao referentni modeli za procjenu točnosti GEOBIA modela. Metoda GEOBIA se opisuje kao poveznica daljinskih istraživanja i GIS-a jer predstavlja sponu između pikselskih i vektorskih podataka. U radu je detaljno predstavljena kroz kontekst nastanka, epistemološku pozadinu te temeljne operativne koncepte (segmentacija i klasifikacija). Metoda je primijenjena na multispektralni MS WV-2 satelitski snimak iz 2016. godine. Na MS WV-2 2016 je provedeno izoštravanje i geometrijska korekcija. Za primjenu GEOBIA metode je korišten softver ArcMap 10.4.1. te u njega integrirani segmentacijski i klasifikacijski algoritmi. Algoritam Mean Shift je korišten za segmentaciju snimka, a za klasifikaciju su korišteni algoritmi Random Trees (RT), Maximum Likelihood (MLC) i Support Vector Machine (SVM). GEOBIA model Općine Povljana je izrađen od deset klasa (široki put, uski put, voda, trstika, suhozidi, zelene ograde, objekti, travnjak, šume i krš) za koje je odabran optimalan raspored kanala. Uz osnovne kanale korišteni su NIR1 i NIR2. Zbog velikog broja klasa (deset), segmentacija je provedena iterativnim postupkom za svaku klasu s optimalnim vrijednostima korisničko definiranih parametara. Za klasifikaciju su izrađeni testni uzorci na temelju vektorskih modela izrađenih ručnom vektorizacijom. Testni uzorci su standardizirani sukladno obilježjima svake klase. Testni uzorci su kružnog oblika, poligonske geometrije, promjera prilagođenog svakoj klaso i reprezentiraju ukupnu populaciju entiteta u krajoliku. Najzahtjevnija klasa su suhozidi jer je riječ o fenomenima u rasteru linearnog oblika, kontinuirane distribucije, a njihova širina iznosi svega do 2 piksela. Suhozidi dijele spektralne karakteristike s drugim klasama zbog materijala od kojeg su izrađeni. Zahtjevna su klasa koja se zbog toga koristi za testiranje utjecaja smanjenja veličine testnih uzoraka na klasifikacijske rezultate. Izrađena su dodatna tri seta testnih uzoraka za klasu suhozidi koji uključuju 75 %, 50 % i 25 % uzoraka od ukupne veličine. Razrađene su četiri klasifikacijske sheme koje testiraju sljedeće klasifikacijske probleme: I. utjecaj prostorne distribucije uzoraka za klasu suhozidi na klasifikacijsku točnost sa SVM i RT klasifikatorima, II. utjecaj progresivno smanjene veličine uzoraka i utjecaj veličine uzoraka na klasifikacijsku točnost sa SVM i RT klasifikatorima, III. utjecaj nerazmjerne veličine uzoraka jedne klase pri progresivno smanjenoj veličini uzoraka za klasu suhozida s MLC i SVM klasifikatorima i IV. utjecaj broja klasa na klasifikacijsku točnost klasifikacijom deset klasa sa SVM klasifikatorom. Procjena točnosti modela je izmjerena pomoću PA, UA, OA, Kappa koeficijent i AUC/ROC krivulja. Najviša klasifikacijska točnost u I. klasifikacijskoj shemi je ostvarena SVM klasifikatorom te je utvrđena povezanost razmjernih odnosa između klasa i klasifikacijske točnosti. U II. klasifikacijskoj shemi je najviša točnost ostvarena SVM klasifikatorom te je utvrđeno da je klasifikacijska točnost stabilna i nije direktno povezana s progresivno smanjenom veličinom testnih uzoraka. U I. i II. klasifikacijskoj shemi je niža točnost ostvarena za RT klasifikacijski algoritam. Međutim, ostvareni rezultat nije bio značajno niži od onog koji je postignut sa SVM klasifikatorom. U III. klasifikacijskoj shemi je utvrđen negativan utjecaj nerazmjera testnih uzoraka između klasa na klasifikacijsku točnost. Klasifikacijska točnost je za SVM opadala s povećanjem nerazmjera u veličini uzorka. Stabilni rezultati su ostvareni MLC klasifikatorom. U IV. klasifikacijskoj shemi je sa SVM izrađen GEOBIA model Općine Povljana od 10 klasa za koji je procijenjena dobra točnost prema mjeri KC. Ostvarena klasifikacijska točnost GEOBIA modela za svaku pojedinu klasu i za cjelokupni model je ukazala na negativan utjecaj broja klasa na točnost modela. Za izradu GEOBIA modela visoke točnosti, posebno u spektralno homogenom krškom krajoliku, potrebno je osigurati podatke bolje prostorne rezolucije, u analizu uključiti digitalni model površine visoke prostorne rezolucije te na temelju morfometrijskih parametara provesti GEOBIA analizu. Modeli formiranja krajolika i generalizirani PKK model Općine Povljana je izrađen na vektorskim modelima izrađenim ručnom vektorizacijom i podatcima prikupljenim na povijesnom katastru i povijesnim zračnim snimkama. Povijesni zračni snimci su harmonizirani korištenjem rektifikacijskog algoritma Adjust. Izrađeno je više modela različitih godišta pomoću kojih je uspostavljena vremenska rezolucija promatranja krajolika u intervalima od okvirno 20 godina. Za klasu suhozidi je provedena statistička analiza azimuta te je utvrđena dinamika ograđivanja i pregrađivanja krajolika suhozidnim ogradama. Retrogresivnom analizom su utvrđeni čimbenici koji su oblikovali suvremeni krajolik Povljane. Izrađeni su modeli formiranja krajolika i generalizirani PKK model. Istraživanjem je utvrđeno da je krajolik Općine Povljana relativno recentnog, odnosno, mlađeg postanka. Najstarije cjeline pripadaju klasi suhozidnih ograda iz razdoblja kasnog novog vijeka (prema katastarskim podatcima se mogu datirati najranije u 19. stoljeće). Ostale klase koje dominantno oblikuju krajolik su nastale tijekom 20. stoljeća te se mogu datirati u suvremeno doba. Kvaliteta izrađenog GEOBIA modela nije u skladu s potrebama i standardima u arheologiji i sektoru zaštite kulturnih dobara te na ovoj razini istraživanja ne može zamijeniti vizualnu interpretaciju i ručnu vektorizaciju. Međutim, rezultati istraživanja mogu služiti kao smjernice za buduća istraživanja. Vizualna interpretacija i ručna vektorizacija će u sektoru zaštite kulturnih dobara još neko vrijeme ostati dominantna metoda za analizu podataka prikupljenih daljinskim istraživanjima. |
| Abstract (english) | The landscape research of the Povljana Municipality was carried out at the level of individual elements and landscape units. For the analysis at the level of individual elements, data was collected using the method of manual vectorization. Manual vectorization is timeconsuming and expensive. Therefore, the possibility of replacing data collection via manual vectorization with automated methods is being explored to make such research more efficient and widely applicable. For this purpose, the GEOBIA method is used. The HLC method, which is being applied for the first time in Croatia, is employed in this paper to study landscape units, specifically historical units. The HLC method does not involve analyzing individual landscape elements but instead identifies and dates areas with similar patterns in the landscape. However, the data collected for the elements can be used to create a HLC model and form the basis for explicit classification. Therefore, the possibility of reproducing vector models created through manual vectorization using the GEOBIA method is examined, ensuring that the quality will be comparable. Collecting high-quality data more quickly and at a lower cost for regional research would make the system for identifying and protecting individual monuments and landscapes more efficient. The municipality of Povljana is located on the island of Pag. It is characterized by karst relief and a landscape of dry stone walls. Landscape research does not have a long tradition in Croatia. Previous research has enabled the understanding of the elements of dry stone architecture and their typology. The current legislation in Croatia provides a formal framework for identifying and protecting landscapes. The theoretical and methodological framework of the HLC method is presented, along with the operational concepts it includes, such as characterization, character, time depth, character type, morphological analysis, and retrogressive analysis. A total of fifteen vector models of the Povljana Municipality were created through visual interpretation and manual vectorization (wide roads, narrow roads, water, intermittent streams, dry stone walls, green fences, buildings, agricultural buildings, mounds, ponds, and wells, salt pans, cultural heritage sites, forests, karst, and flysch). Vectorization rules were defined for complex classes (dry stone walls, narrow roads, wide roads). The models were used as reference models to assess the accuracy of the GEOBIA models. The GEOBIA method is described as a link between remote sensing and GIS because it represents a bridge between pixel-based and vector-based data. The paper details the method's origin, epistemological background, and key operational concepts (segmentation and classification). The method was applied to a multispectral MS WV-2 satellite image from 2016. The MS WV-2 2016 image underwent sharpening and geometric correction. For the application of the GEOBIA method, ArcMap 10.4.1 software was used, with integrated segmentation and classification algorithms. The Mean Shift algorithm was used for image segmentation, while Random Trees (RT), Maximum Likelihood Classification (MLC), and Support Vector Machine (SVM) algorithms were employed for classification. The GEOBIA model of Povljana Municipality was created from ten classes (wide road, narrow road, water, reeds, dry stone walls, green fences, buildings, lawn, forests, and karst), with an optimal channel configuration selected. In addition to basic channels, NIR1 and NIR2 were used. Due to the large number of classes (ten), segmentation was carried out iteratively for each class with optimal values of user-defined parameters. Test samples for classification were created based on the vector models produced through manual vectorization. The test samples were standardized according to the characteristics of each class. The test samples are circular in shape and feature polygonal geometry, with diameters tailored to each class, and they represent the entire population of entities in the landscape. The most challenging class is dry stone walls, as they are linear-shaped phenomena in the raster, with a continuous distribution, and their width is only up to 2 pixels. Dry stone walls share spectral characteristics with other classes due to the materials from which they are made. This class is particularly challenging, and it was used to test the impact of reducing the size of the test samples on the classification results. Three additional sets of test samples for the dry stone wall class were created, including 75%, 50%, and 25% of the total sample size. Four classification schemes were developed to test the following classification problems: I. The impact of the spatial distribution of samples for the dry stone wall class on classification accuracy using SVM and RT classifiers, II. The impact of progressively reduced sample size and the effect of sample size on classification accuracy using SVM and RT classifiers, III. The impact of disproportionate sample sizes for one class during progressively reduced sample sizes for the dry stone wall class using MLC and SVM classifiers, IV. The impact of the number of classes on classification accuracy when classifying ten classes with the SVM classifier. Model accuracy was assessed using PA, UA, OA, Kappa coefficient, and AUC/ROC curves. The highest classification accuracy in Scheme I was achieved with the SVM classifier and a correlation was found between the proportional relationships between classes and classification accuracy. In Scheme II, the highest accuracy was also achieved with the SVM classifier, and it was determined that classification accuracy remained stable and was not directly related to the progressively reduced size of the test samples. In both Schemes I and II, the RT classifier resulted in lower accuracy, but the result was not significantly lower than that achieved with the SVM classifier. The negative impact of sample imbalance between classes on classification accuracy was observed in Scheme III. For the SVM classifier, accuracy decreased as the sample size disproportion increased. Stable results were achieved with the MLC classifier. In Scheme IV, the GEOBIA model of Povljana Municipality, consisting of 10 classes, was created using the SVM classifier. The model showed good accuracy according to the Kappa coefficient. However, classification accuracy for each class and the overall model indicated a negative impact of the number of classes on model accuracy. To achieve a high-accuracy GEOBIA model, especially in a spectrally homogeneous karst landscape, it is necessary to use data with better spatial resolution, include a high-resolution digital surface model in the analysis, and conduct GEOBIA analysis based on morphometric parameters. Landscape formation models and the generalized HLC model of the Povljana Municipality were created using vector models developed through manual vectorization, along with data collected from historical cadastral maps and aerial photographs. The historical aerial photographs were harmonized using the rectification algorithm Adjust. Several models from different years were created, which allowed the establishment of a temporal resolution for landscape observation at approximately 20-year intervals. A statistical analysis of azimuths was performed for the dry stone wall class, and the dynamics of enclosing and subdividing the landscape with dry stone walls were determined. A retrogressive analysis identified the factors that shaped the contemporary landscape of Povljana. Landscape formation models and the generalized HLC model were developed. The research found that the landscape of the Povljana Municipality is relatively recent, i.e., it has a later origin. The oldest units belong to the class of dry stone walls from the late modern period (according to cadastral data, they can be dated as early as the 19th century). Other classes that predominantly shape the landscape were formed during the 20th century and can be dated to the contemporary period. The quality of the developed GEOBIA model does not meet the needs and standards of archaeology and the cultural heritage protection sector, and at this stage of research, it cannot replace visual interpretation and manual vectorization. However, the research results can serve as guidelines for future studies. Visual interpretation and manual vectorization will remain the dominant methods for analyzing data collected through remote sensing in the cultural heritage protection sector for some time. |
