Jak napisać pracę magisterską z kartografii i teledetekcji – przewodnik

Praca magisterska z kartografii i teledetekcji to jedno z trudniejszych wyzwań na kierunkach geodezyjnych i geograficznych. Masz do dyspozycji dane satelitarne, ortofotomapy, oprogramowanie GIS, algorytmy klasyfikacji – i musisz to wszystko złożyć w spójną całość, której promotor nie odrzuci przy pierwszym czytaniu. Ten przewodnik pokazuje, jak to zrobić krok po kroku.

Od czego zacząć – wybór tematu i zakres danych

Pierwsza decyzja, która decyduje o wszystkim, to wybór obszaru badań i źródła danych satelitarnych. Nie zaczynaj od pytania „co mnie interesuje”, zacznij od pytania „jakie dane mam realnie dostępne i jakie mają rozdzielczość wystarczającą do mojego pytania badawczego”.

Dla prac opartych na analizie wielospektralnej najczęściej sięgasz po:

• Sentinel-2 (rozdzielczość 10 m dla pasm RGB i NIR, 20 m dla SWIR) – dane bezpłatne z Copernicus Open Access Hub, aktualizowane co 5 dni
• Landsat 8/9 (rozdzielczość 30 m) – bezpłatny dostęp przez USGS Earth Explorer, archiwum sięga 1972 roku dla starszych sensorów
• Landsat 8 OLI/TIRS – jeśli potrzebujesz danych termicznych (TIRS, 100 m)

Jeśli twój temat dotyczy analizy zmian pokrycia terenu, musisz mieć co najmniej dwa terminy. Pobierz sceny z podobnego okresu fenologicznego (np. lipiec 2015 i lipiec 2022), żeby nie porównywać lasu w pełni wegetacji z lasem po zbiorach albo zimowym bezlistnym.

Przy wyborze obszaru badań uwzględnij zachmurzenie. Sentinel-2 i Landsat potrafią mieć nad Polską sceny z 60-80% zachmurzenia latem. Pobierz przynajmniej 3-4 sceny z danego sezonu i wybierz tę z najmniejszym zachmurzeniem, najlepiej poniżej 10%. Sprawdź to w metadanych jeszcze przed pobraniem.

Układ współrzędnych i projekcje – nie pomijaj tego rozdziału

To sekcja, którą studenci traktują po macoszemu, a promotorzy i recenzenci sprawdzają jako pierwsze. Błędny układ współrzędnych to nie tylko problem wizualny – to błąd merytoryczny dyskwalifikujący wyniki analizy przestrzennej.

Dla danych obejmujących Polskę:

• PUWG 1992 (EPSG:2180) – ogólnopolski, oparty na odwzorowaniu Gaussa-Krügera, strefa 1. Używaj przy pracach obejmujących cały kraj lub większe regiony
• PUWG 2000 (EPSG:2176-2179) – cztery strefy, wyższa dokładność lokalna. Przy pracach obejmujących jeden województwo lub mniejszy obszar
• WGS 84 / UTM Zone 34N (EPSG:32634) – przy pracy z danymi Sentinel lub Landsat, które naturalnie przychodzą w projekcji UTM

Zawsze podawaj EPSG w tekście pracy, nie tylko nazwę. „Dane przetransformowano do układu PUWG 1992 (EPSG:2180)” – tak to wygląda poprawnie. W QGIS-ie robisz to przez Raster > Projekcje > Warp (Reprojekcja).

Jeśli pracujesz z ortofotomapami z Geoportalu (CODGiK), sprawdź ich układ przed użyciem. Starsze ortofotomapy mogą być w układzie 1965 lub Gauss-Boaga – musisz je przetransformować.

Jak zbudować metodykę opartą na GIS

Metodyka to serce pracy. Musisz opisać każdy krok przetwarzania danych tak, żeby inny badacz mógł powtórzyć twoje wyniki.

Przetwarzanie wstępne obrazów satelitarnych

Przed jakąkolwiek analizą musisz przejść przez korekcję radiometryczną i atmosferyczną:

1. Korekcja radiometryczna – zamiana wartości DN (Digital Number) na reflektancję na górze atmosfery (TOA). W przypadku Landsat robi to skala 0,0001 podana w metadanych MTL.txt. W QGIS użyj Semi-Automatic Classification Plugin (SCP) – darmowy, dobrze udokumentowany
2. Korekcja atmosferyczna – zamiana TOA na reflektancję naziemną (BOA, Bottom of Atmosphere). Dla Sentinela dane z poziomu L2A są już po korekcji atmosferycznej (algorytm Sen2Cor). Dla Landsata możesz użyć algorytmu DOS (Dark Object Subtraction) w SCP lub ENVI

Dla prac na poziomie magisterskim korekcja DOS jest akceptowana przez większość promotorów jako wystarczająca, pod warunkiem że opisujesz jej ograniczenia.

Obliczanie wskaźników spektralnych

NDVI (Normalized Difference Vegetation Index) to wskaźnik, który pojawia się w co drugiej pracy z teledetekcji. Formuła: (NIR – Red) / (NIR + Red). Dla Sentinela-2: pasmo B8 (NIR) i B4 (Red). Dla Landsata 8: pasmo 5 (NIR) i 4 (Red).

Wartości NDVI:
– poniżej 0: woda, chmury, śnieg
– 0-0,2: gleba, zabudowa
– 0,2-0,5: roślinność niska, łąki, uprawy
– powyżej 0,5: las, gęsta roślinność

Poza NDVI rozważ inne wskaźniki zależnie od tematu:
– NDWI (wskaźnik wody): (Green – NIR) / (Green + NIR) – dobre do delimitacji zbiorników wodnych
– NDBI (wskaźnik zabudowy): (SWIR – NIR) / (SWIR + NIR)
– EVI (Enhanced Vegetation Index) – mniej podatny na nasycenie przy gęstej roślinności niż NDVI

W pracy opisz dokładnie, które pasma i z której daty użyłeś. Brak tej informacji to automatyczne pytanie na obronie.

Klasyfikacja obrazów satelitarnych

Klasyfikacja to zazwyczaj najważniejsza część metodyki. Masz dwa główne podejścia:

Klasyfikacja nienadzorowana (bez próbek treningowych): algorytm ISODATA lub k-means grupuje piksele bez twojej ingerencji. Wynikiem jest N klas, które musisz potem ręcznie interpretować i przypisać do kategorii pokrycia terenu. Prosta w wykonaniu, ale wyniki są mniej dokładne i trudniejsze do obrony metodologicznie.

Klasyfikacja nadzorowana (z próbkami treningowymi): pobierasz próbki dla każdej klasy (minimum 30 pikseli na klasę, optymalnie 100-200), a algorytm uczy się rozróżniać klasy na ich podstawie. Trzy algorytmy, które powinieneś znać:

• Maximum Likelihood (ML) – klasyczny algorytm statystyczny zakładający normalny rozkład wartości w klasach. Działa dobrze przy prostych scenach, słabo przy złożonym krajobrazie
• SVM (Support Vector Machine) – radzi sobie lepiej przy małej liczbie próbek treningowych i nakładaniu się klas spektralnych. W QGIS dostępny przez SCP lub skrypty Python/sklearn
• Random Forest – ensemble drzew decyzyjnych, odporny na szum, jeden z najlepszych wyborów dla złożonych scen z wieloma klasami. Wymaga biblioteki scikit-learn lub ENVI/ERDAS

W pracy magisterskiej najczęściej prosi się o porównanie przynajmniej dwóch algorytmów i omówienie różnic. Nie rób klasyfikacji na ślepo – najpierw opracuj legendę klas (np. woda, las liściasty, las iglasty, łąka, uprawy, zabudowa, gleba) i dopiero pod nią zbieraj próbki.

Walidacja dokładności – bez tego nie ma wyników

Wynik klasyfikacji bez walidacji to bezużyteczna mapa. Musisz pokazać, jak dokładna jest twoja klasyfikacja, używając:

Macierz błędów (confusion matrix, error matrix): tabela porównująca klasę przypisaną przez algorytm z klasą rzeczywistą (weryfikowaną w terenie lub na zdjęciach lotniczych). Na przekątnej są poprawne klasyfikacje, poza nią – błędy.

Z macierzy wyliczasz:
– Overall Accuracy (OA) – procent pikseli poprawnie sklasyfikowanych. Minimum akceptowalne w literaturze to 85%.
– Producer’s Accuracy – dokładność dla każdej klasy z perspektywy twórcy mapy (ile % danej klasy zostało poprawnie wykryte).
– User’s Accuracy – dokładność z perspektywy użytkownika mapy (ile % pikseli przypisanych do klasy rzeczywiście do niej należy).
– Współczynnik Kappa – miara zgodności uwzględniająca losowe trafienia. Wartość powyżej 0,8 oznacza bardzo dobrą zgodność, 0,6-0,8 to dobra zgodność.

Zbiór walidacyjny musi być niezależny od zbioru treningowego. Nie możesz walidować na tych samych pikselach, na których uczyłeś algorytm – to błąd metodologiczny, który promotor wyłapie natychmiast.

Semiotyka map i kartograficzna poprawność opracowań

Twoja praca magisterska to nie tylko tabele i wykresy – to też mapy. I mapy muszą być poprawne kartograficznie.

Każda mapa wymagana w pracy powinna mieć:
– tytuł precyzyjnie określający temat, obszar i datę
– skalę (pasek skalowy, nie tylko liczba 1:50 000, bo liczbowa skala traci sens przy druku/zoomie)
– strzałkę północy
– legendę ze wszystkimi elementami widocznymi na mapie
– układ współrzędnych lub siatkę geograficzną
– źródło danych

Generalizacja kartograficzna to temat, o którym musisz napisać w metodyce, jeśli tworzysz mapy w różnych skalach. Przy zmianie skali z 1:10 000 do 1:100 000 musisz uprościć geometrię – nie możesz pokazać tego samego poziomu szczegółowości. W QGIS użyj algorytmu Douglas-Peucker (dostępny przez Processing Toolbox > Simplify).

Dobór kolorów w kartografii nie jest dowolny. Do przedstawienia klas pokrycia terenu używaj barw konwencjonalnych (zieleń dla lasów, błękit dla wody) lub palet jakościowych z ColorBrewer (colorbrewer2.org). Do map NDVI używaj palet dywergentnych (od czerwonego przez białe do zielonego) lub sekwencyjnych. Unikaj map tęczowych (rainbow) – dezorientują odbiorcę i zniekształcają percepcję danych ciągłych.

Narzędzia – QGIS czy ArcGIS?

Oba działają, ale mają różne implikacje:

QGIS (bezpłatny, open source): pełnoprawne środowisko GIS z dobrym wsparciem dla teledetekcji przez plugin SCP. Zdecydowana większość opublikowanych prac magisterskich z ostatnich 5 lat na polskich uczelniach korzysta właśnie z QGIS. Eksport do PDF bezpośrednio z Print Layout. Skrypty Python (PyQGIS) do automatyzacji.

ArcGIS Pro (płatny, ESRI): bardziej rozbudowane narzędzia do zaawansowanej analizy przestrzennej, lepsza integracja z ArcGIS Online. Jeśli twoja uczelnia ma licencję, możesz z niego korzystać bezpłatnie jako student. Moduł Image Analysis do klasyfikacji obrazów wbudowany.

Google Earth Engine (platforma chmurowa): jeśli analizujesz zmiany w czasie na dużych obszarach (np. całe województwo przez 20 lat), GEE pozwala przetworzyć terabajty danych bez ściągania ich lokalnie. Wymaga znajomości JavaScript lub Python API. Dla wymagających prac z dużą ilością danych jest to przewaga, ale musisz opisać tę metodę dokładnie.

W tekście pracy zawsze podawaj wersję oprogramowania. „Analizę wykonano w QGIS 3.36.3 (Maidenhead)” – tak, z numerem wersji i kodową nazwą.

Struktura rozdziałów

Typowa struktura pracy z kartografii/teledetekcji wygląda tak:

1. Wstęp (cel pracy, pytania badawcze, hipotezy, zakres przestrzenny i czasowy)
2. Przegląd literatury (metody klasyfikacji, wcześniejsze badania dla podobnych obszarów lub tematów)
3. Obszar badań (charakterystyka fizycznogeograficzna, pokrycie terenu, historia zagospodarowania)
4. Materiały i metody (źródła danych satelitarnych, oprogramowanie, etapy przetwarzania, walidacja)
5. Wyniki (mapy, tabele z macierzą błędów, statystyki pokrycia terenu, porównania)
6. Dyskusja (porównanie z innymi badaniami, ograniczenia metody, możliwe błędy)
7. Wnioski (odpowiedzi na pytania badawcze, rekomendacje)

Rozdział z metodami powinien być najdłuższy lub równy rozdziałowi z wynikami. Promotor musi być w stanie ocenić poprawność twoich decyzji metodycznych bez oglądania surowych danych.

Typowe błędy, które eliminują na obronie

Kilka rzeczy, które studenci robią regularnie i które wychodzą najlepiej na komisji:

Pierwszy błąd: brak korekcji atmosferycznej przy porównaniu scen z różnych dat. Jeśli porównujesz obrazy z 2015 i 2022 roku i nie zestandaryzujesz reflektancji, różnice w wartościach spektralnych mogą wynikać z warunków atmosferycznych, nie ze zmian pokrycia terenu.

Drugi błąd: walidacja na pikselach z próbki treningowej. Wspomniane wyżej, ale zdarza się nagminnie. Zbiór treningowy i walidacyjny muszą być rozłączne.

Trzeci błąd: mapy bez skali lub z liczbową skalą bez paska. Komisja to widzi.

Czwarty błąd: brak opisu procesu zbierania próbek treningowych. Napisz, w jaki sposób je pobrałeś (z ortofotomapy, z wizji terenowej, z bazy BDOT10k), kiedy i ile.

Piąty błąd: porównywanie scen z różnych pór roku. Łąka w marcu i łąka w lipcu mają inne wartości NDVI. Traktowanie tej różnicy jako zmiany pokrycia terenu to błąd fenologiczny.

FAQ

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.