|
|
Übung 2: Lavadetektion mit überwachter Klassifizierung  Überwachte Klassifizierung Wir lernen nun, wie man anhand einer halbautomatischen Klassifizierung Lava aufspüren und Veränderungen eines Vulkans erkennen kann. Die Ergebnisse der Klassifizierung basieren auf dem unterschiedlichen Reflexionsverhalten (spektrale Signatur) der erfassten Merkmale (z. B. Vegetation, Stadtgebiet, Lava, nackter Boden) in den verschiedenen Spektralbändern.
Bei einer überwachten Klassifizierung sind Eingaben vom Benutzer erforderlich. Es müssen Trainingsgebiete definiert werden, in denen der Software mitgeteilt wird, welche Pixelwerte zu welcher Klasse gehören. Bei der Klassifizierung mit dem Maximum-Likelihood-Algorithmus werden alle Pixel von der Software einer bestimmten Klasse zugeordnet (siehe Tutorial ab Seite 52). Definition von Klassen Entscheiden Sie zuerst, worauf Sie sich konzentrieren möchten. Für die Klassifizierung verschiedener Vegetationsarten werden die Trainingsgebiete anders gewählt als für die Unterscheidung zwischen Lava und Vegetation oder anderen Merkmalen. Mit der Übung verfolgen wir zwei Ziele:
Bei der Klassifizierung von optischen Bildern stellen Wolken sowie die Schatten von Wolken ein großes Problem dar, denn sie können in einigen Bändern als andere Merkmale mit „dunklen“ Werten (z. B. Lava) fehlinterpretiert werden. Es stehen zwei Methoden zum Herausfiltern von Wolken und Schatten zur Verfügung: 1) Erstellen einer Wolkenmaske (es erfolgt eine automatische Maskierung durch Anwendung eines Schwellenwerts oder Klassifizierungsalgorithmus und/oder manuelles Digitalisieren und anschließendes Ausschneiden der betroffenen Pixelbereiche aus dem Bild) oder 2) Definieren einer spezifischen Klasse für Wolken und Schatten (wie im Fall des Bilds von 2001). Folgende Klassen sind vordefiniert:
Last update: 22 Mai 2013
| ||||||||||||||||||||||||||||||||||||||
1