{"name": "GeoAI Klasyfikator", "package_name": "geoai_klasyfikator", "description": "Object-based land cover classification (GEOBIA) of drone, aerial and Sentinel-2 RGB imagery: SLIC segmentation, Random Forest and design-based accuracy assessment with area estimates. Polish user interface.", "about": "Wtyczka robi map\u0119 pokrycia terenu ze zdj\u0119cia RGB i od razu m\u00f3wi, ile ta mapa jest warta. Nie klasyfikuje pojedynczych pikseli, tylko dzieli zdj\u0119cie na obiekty (kawa\u0142ki pola, dachu, korony drzewa) i uczy si\u0119 od Ciebie, co jest czym. Interfejs i dokumentacja s\u0105 po polsku; opis po angielsku jest ni\u017cej.\n\nDANE\n- ortomozaika z drona, zdj\u0119cie lotnicze albo kompozycja RGB sceny Sentinel-2; program czyta trzy pierwsze kana\u0142y jako czerwie\u0144, ziele\u0144 i b\u0142\u0119kit, wi\u0119c surowej sceny wielokana\u0142owej nie podawaj,\n- opcjonalny numeryczny model pokrycia terenu (NMPT) w tym samym uk\u0142adzie wsp\u00f3\u0142rz\u0119dnych,\n- tryb liczenia tylko tego, co wida\u0107 na ekranie, do szybkich pr\u00f3b.\n\nKROK 1. OBIEKTY\nPodzia\u0142 metod\u0105 SLIC w przestrzeni barw CIELAB; wielko\u015b\u0107 obiektu podajesz w metrach kwadratowych albo jako liczb\u0119 obiekt\u00f3w.\n\nKROK 2. CECHY\n19 cech z samego zdj\u0119cia, 24 z NMPT, wszystkie w tabeli atrybut\u00f3w warstwy obiekt\u00f3w:\n- barwa: \u015brednia i zmienno\u015b\u0107 trzech kana\u0142\u00f3w oraz jasno\u015b\u0107,\n- wska\u017aniki zielono\u015bci z zakresu widzialnego ExG, VARI i NGRDI (kamery dronowe nie rejestruj\u0105 podczerwieni, wi\u0119c NDVI tu nie ma),\n- faktura z macierzy wsp\u00f3\u0142wyst\u0105pie\u0144 (GLCM): kontrast, jednorodno\u015b\u0107, energia i entropia,\n- kszta\u0142t: powierzchnia, obw\u00f3d, okr\u0105g\u0142o\u015b\u0107 i wypuk\u0142o\u015b\u0107,\n- otoczenie: jasno\u015b\u0107 obiektu na tle s\u0105siad\u00f3w,\n- wysoko\u015b\u0107 z NMPT: \u015brednia, zmienno\u015b\u0107, nachylenie, wysoko\u015b\u0107 na tle s\u0105siad\u00f3w i wysoko\u015b\u0107 nad gruntem.\n\nKROK 3. NAUKA I MAPA\n- przyk\u0142ady wskazujesz klikaj\u0105c obiekty na mapie albo maluj\u0105c z wci\u015bni\u0119tym Ctrl,\n- przed nauk\u0105 sprawdzasz, czy klasy da si\u0119 rozr\u00f3\u017cni\u0107 (odleg\u0142o\u015b\u0107 Jeffriesa i Matusity z walidacj\u0105 krzy\u017cow\u0105) i kt\u00f3re cechy je dziel\u0105,\n- klasyfikacja metod\u0105 Random Forest (100 drzew, sta\u0142e ziarno losowania, wi\u0119c wynik jest powtarzalny),\n- opcjonalnie doci\u0105ganie po zielono\u015bci dla pas\u00f3w w\u0119\u017cszych ni\u017c obiekt i usuwanie drobnych p\u0142at\u00f3w,\n- zapis do GeoTIFF razem ze stylem .qml.\n\nKROK 4. ILE TA MAPA JEST WARTA\n- losowanie punkt\u00f3w kontrolnych proste albo warstwowe wed\u0142ug klas mapy, nigdy na obiektach u\u017cytych do nauki,\n- opisywanie punkt\u00f3w przy ukrytej klasyfikacji,\n- macierz b\u0142\u0119d\u00f3w, dok\u0142adno\u015b\u0107 u\u017cytkownika i producenta, dok\u0142adno\u015b\u0107 wa\u017cona powierzchni\u0105 oraz szacowane powierzchnie klas z przedzia\u0142ami ufno\u015bci 95 proc. (Olofsson i in. 2014, Stehman 2014); wsp\u00f3\u0142czynnika kappa \u015bwiadomie nie liczymy.\n\nWIELE ZDJ\u0118\u0106 NARAZ\nWtyczka pracuje na jednym zdj\u0119ciu. Gdy zdj\u0119\u0107 s\u0105 dziesi\u0105tki albo setki, nie \u0142\u0105cz ich w mozaik\u0119: w repozytorium s\u0105 program wiersza polece\u0144 i program dla Windows z tym samym silnikiem, kt\u00f3re ucz\u0105 model raz i klasyfikuj\u0105 ca\u0142y folder zdj\u0119\u0107, ka\u017cde osobno, z map\u0105 GeoTIFF dla ka\u017cdego zdj\u0119cia i zbiorczym raportem powierzchni klas (raport.csv). Przerwany przebieg mo\u017cna wznowi\u0107.\n\nWYMAGANIA\nQGIS 3.22 lub nowszy i nic wi\u0119cej. Gdy w Pythonie QGIS-a s\u0105 biblioteki scikit-image i scikit-learn, wtyczka u\u017cywa ich implementacji; w przeciwnym razie w\u0142asnych implementacji tych samych algorytm\u00f3w.\n\nInstrukcja z rysunkami: https://gorniakgrzegorz.github.io/geoai_klasyfikator/\nJak cytowa\u0107: DOI 10.5281/zenodo.24005560\n\nENGLISH\nQGIS plugin with a Polish user interface for supervised, object-based land cover mapping (GEOBIA) from RGB imagery: drone orthomosaics, aerial photographs and RGB composites of Sentinel-2 scenes, optionally with a digital surface model. It segments the image with SLIC in CIELAB space and measures 19 object features from RGB, or 24 with a surface model: colour, visible-band vegetation indices (ExG, VARI, NGRDI), GLCM texture, shape, neighbourhood context, elevation, slope and height above ground. Training examples are picked by clicking objects on the map canvas. Class separability is checked before training with a cross-validated Jeffries-Matusita distance, and objects are classified with Random Forest (100 trees, fixed random seed). The plugin finishes with a design-based accuracy assessment: stratified sampling of check points outside training objects, error matrix, user's and producer's accuracy, and area-weighted accuracy with estimated class areas and 95 per cent confidence intervals following Olofsson et al. (2014) and Stehman (2014). Optional pixel-level greenness refinement recovers features narrower than an object, and a sieve sets a minimum mapping unit. Requires QGIS 3.22 or newer and nothing else; scikit-image and scikit-learn are used when present. For large image sets there is no need to mosaic the images: a command line program and a Windows application with the same computational core, available in the repository, train a model once and batch-classify a whole folder of images, each image separately, writing a GeoTIFF map per image and a summary report of class areas (raport.csv); an interrupted run can be resumed. Documentation: https://gorniakgrzegorz.github.io/geoai_klasyfikator/ ; citation: DOI 10.5281/zenodo.24005560.", "homepage": "https://gorniakgrzegorz.github.io/geoai_klasyfikator/", "repository": "https://github.com/gorniakgrzegorz/geoai_klasyfikator", "tracker": "https://github.com/gorniakgrzegorz/geoai_klasyfikator/issues", "author": "Grzegorz G\u00f3rniak", "tags": ["klasyfikacja", "pokrycie terenu", "uzytkowanie terenu", "obia", "geobia", "segmentacja", "slic", "random forest", "uczenie maszynowe", "geoai", "dron", "uav", "ortomozaika", "zdjecia lotnicze", "sentinel-2", "teledetekcja", "raster", "gis", "faktura", "glcm", "wskazniki roslinnosci", "exg", "nmpt", "dsm", "nmt", "ocena dokladnosci", "macierz bledow", "olofsson", "rolnictwo", "lesnictwo", "planowanie przestrzenne", "land cover", "classification", "accuracy assessment", "drone", "remote sensing"], "downloads": 15, "latest_version": "1.0.3", "versions": [{"version": "1.0.3", "experimental": false, "qgis_min": "3.22.0", "qgis_max": "4.99.0", "downloads": 15, "uploaded_by": "gorniakgrzegorz", "upload_datetime": "2026-11-06T06:58:57.148264"}]}