Kairo - Übungen mit Landsatdaten - Fortsetzung
|  | Falschfarbenkombination von Kairo aus den Bändern 7, 4 und 2 | |
Falschfarbenkombination
Zur Verbesserung der Interpretierbarkeit von Satellitenbildern werden häufig Falschfarbenbilder eingesetzt.
Meistens enthält ein Falschfarbenbild mindestens einen Infrarotkanal. Der Infrarotbereich eignet sich sehr gut zur Interpretation der Erdoberfläche, da er sowohl die reflektierte als auch die abgestrahlte Energie umfasst.
Infrarotlicht ist für das menschliche Auge nicht sichtbar, birgt aber sehr viele Informationen. Insbesondere reflektieren Pflanzen mehr Energie im nahen Infrarotbereich als im sichtbaren Bereich des elektromagnetischen Spektrums. Die Intensität gibt sogar Aufschluss über den Gesundheitszustand der Pflanzen.
Öffnen Sie das Programm LEOWorks. Wenn Sie die Aufnahmen von Kairo noch nicht heruntergeladen haben, gehen Sie zu "Download" am oberen Rand des Arbeitsblatts, und befolgen Sie die Anweisungen.
Wählen Sie File>Open. Ein Dialogfeld wird angezeigt. Öffnen Sie den Ordner „Kairo“, und wählen Sie das erste Bild, Cairo_Landsat_2000_Band_2.tif, aus. Öffnen Sie auch Cairo_Landsat_2000_Band_4.tif und Cairo_Landsat_2000_Band_7.tif.
Wählen Sie Image>Combine from...>Red Green Blue. Es wird ein Kontextmenü eingeblendet. Wählen Sie das Bild Cairo_Landsat_2000_Band_7.tif für Red (Rot), Cairo_Landsat_2000_Band_4.tif für Green (Grün) und Cairo_Landsat_2000_Band_2.tif für Blue (Blau) aus, und klicken Sie auf OK. Verbessern Sie die Rohdaten, wie in der Übung zur Echtfarbenkombination beschrieben.
Dieses neue Bild ist eine Falschfarbenkombination aus drei Schwarzweißbildern.
Beschreiben Sie das Bild und unterteilen Sie seine Merkmale in fünf Klassen: Parks und Agrarland, Wasser, Wüste und nackter Boden, dicht bebaute Gebiete, locker bebaute Gebiete. | | | Falschfarbenkombination von Kairo aus den Bändern 4, 2 und 1 |
Wie haben sich die Farben der Klassen zwischen dem Echt- und dem Falschfarbenbild verändert?
Lassen sich die Klassen in beiden Bildern erkennen?
Welches Bild würden Sie zur Unterscheidung der Merkmale im Satellitenbild bevorzugen?
Probieren Sie eine andere Kombination aus.
Wählen Sie Image>Combine from...>Red Green Blue. Es wird ein Kontextmenü eingeblendet. Wählen Sie das Bild Cairo_Landsat_2000_Band_4.tif für Red (Rot), Cairo_Landsat_2000_Band_2.tif für Green (Grün) und Cairo_Landsat_2000_Band_1.tif für Blue (Blau) aus, und klicken Sie auf OK. Verbessern Sie die Rohdaten, wie in der Übung zur Echtfarbenkombination beschrieben.
Dieses neue Bild ist eine Falschfarbenkombination aus drei Schwarzweißbildern.
Beschreiben Sie das Bild und unterteilen Sie seine Merkmale in fünf Klassen: Parks und Agrarland, Wasser, Wüste und nackter Boden, dicht bebaute Gebiete, locker bebaute Gebiete. Vergleichen Sie diese mit dem Echtfarbenbild.
Beschreiben Sie die Unterschiede zwischen den beiden Falschfarbenbildern.
Wählen Sie die fünf Klassen in beiden Falschfarbenbildern aus und vergleichen Sie die in den Bildern verwendeten Farben.
Kombinieren Sie Kanal 7 für Rot, Kanal 1 für Grün und Kanal 2 für Blau zu einem Falschfarbenbild.
Was lässt sich über die Nützlichkeit dieses Bildes sagen?
Probieren Sie nun eine beliebige Kombination aus, und beachten Sie die Veränderungen.
| | Parallelepiped-Klassifizierung von Kairo | |
Multispektralbild-Klassifizierung
In Übung 2 haben Sie die Objekte und Elemente der Oberfläche von Kairo in Klassen unterteilt. Eine optische Klassifizierung kann die Interpretation der Merkmale in einem Satellitenbild sehr erleichtern. Ein klassifiziertes Bild ist, abgesehen von einigen grundlegenden Unterschieden, mit einer thematischen Karte vergleichbar. Die Oberflächenmerkmale von Kairo lassen sich in die Hauptklassen dicht bebaute Gebiete, locker bebaute Gebiete, Wald, Agrarland, Wasser und Wüste und nackter Boden unterteilen.
Es stehen verschiedene auf den unterschiedlichen Bildverarbeitungsverfahren basierende Klassifizierungswerkzeuge zur Verfügung. Von der Art der erforderlichen Informationen hängt es ab, welches Verfahren eingesetzt wird.
Im Kapitel über die Bildbearbeitung im Lehrgang zu LEOWorks erfahren Sie Näheres zur Bildklassifizierung.
Parallelepiped-Klassifizierung
Die Parallelepiped-Klassifizierung ist ein einfaches beaufsichtigtes Klassifizierungsverfahren. Es beruht auf den Spektralbereichen der verschiedenen Landnutzungsklassen innerhalb der unterschiedlichen Bänder. Dabei werden Trainingsgebiete zur Definition der Landnutzungsklassen verwendet. Jede Landnutzungsklasse besitzt einen eigenen, spezifischen "spektralen Fingerabdruck", d. h. eine charakteristische Absorptionsstruktur. Für jede zu klassifizierende Landbedeckungsart muss mindestens ein Trainingsgebiet definiert werden. LEOWorks wertet all diese Trainingsgebiete aus und ordnet jedes Bildelement (Pixel) einer der bestimmten Landnutzungsklassen zu.
Öffnen Sie das Programm LEOWorks. Wenn Sie die Aufnahmen von Kairo noch nicht heruntergeladen haben, gehen Sie zu „Download“ am oberen Rand des Arbeitsblatts, und befolgen Sie die Anweisungen.
Wählen Sie File>Open. Ein Dialogfeld wird angezeigt. Öffnen Sie den Ordner "Kairo", und wählen Sie das erste Bild, Cairo_Landsat_2000_Band_1.tif, aus. Cairo_Landsat_2000_Band_2.tif, Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif, Cairo_Landsat_2000_Band_5.tif, Cairo_Landsat_2000_Band_7.tif. Verbessern Sie die Rohdaten, wie in der Übung zur Echtfarbenkombination beschrieben.
Markieren Sie das Bild Cairo_Landsat_2000_Band_7.tif. Wählen Sie Multivariate Analysis>Supervised Classification>Select Training Fields.
Wählen Sie in der Symbolleiste Draw Polygon.
Hinweis: Je mehr Trainingsgebiete Sie für eine Klasse auswählen können, desto genauer fällt das Ergebnis aus.
Beginnen Sie mit den Wasseroberflächen. Ziehen Sie ein Polygon über dem Nil. Geben Sie der Klasse den Namen "Wasser". Suchen Sie eine weitere Stelle in einem Gewässer, zeichnen Sie wieder ein Polygon, nennen Sie auch diese Klasse "Wasser" usw. Wenn Sie mit dem Wasser fertig sind, ziehen Sie ein Polygon in einer mit Wüste bedeckten Fläche und nennen die Klasse "Wüste". Gehen Sie so mit allen sieben zuvor bestimmten Hauptklassen vor.
Wählen Sie Multivariate Analysis>Supervised Classification>Parallelepiped, und wählen Sie alle Bilder aus.
Notieren Sie sich die acht Farben und fügen Sie ihnen die Klassennamen hinzu. Es kann hilfreich sein, das Bild Cairo_Landsat_2000_Band_321.tif zum Vergleich heranzuziehen.
Wählen Sie Image>Add Legend, und überprüfen Sie die Kombinationen der Farben und Klassennamen.
Speichern Sie das klassifizierte Bild unter dem Namen cairo_class_parallel (TIF) in Ihrem Ordner "Kairo".
Diskutieren Sie die Genauigkeit der beaufsichtigten Parallelepiped-Klassifizierung.
Welche Fehlerquellen sind möglicherweise vorhanden?
| | | Maximum-Likelihood-Klassifizierung von Kairo |
Maximum Likelihood
Die Maximum-Likelihood-Klassifizierung ist ein weiteres beaufsichtigtes Klassifizierungsverfahren. Es basiert auf komplexen statistischen Verfahren. Auch hierbei kommen Trainingsgebiete zur Definition der Landnutzungsklassen zum Einsatz. Jede Landnutzungsklasse besitzt einen eigenen, spezifischen "spektralen Fingerabdruck", d. h. eine charakteristische Absorptionsstruktur. Für jede zu klassifizierende Landbedeckungsart muss mindestens ein Trainingsgebiet definiert werden. LEOWorks wertet all diese Trainingsgebiete aus und ordnet jedes Bildelement (Pixel) einer der bestimmten Landnutzungsklassen zu.
Öffnen Sie das Programm LEOWorks. Wenn Sie die Aufnahmen von Kairo noch nicht heruntergeladen haben, gehen Sie zu "Download" am oberen Rand des Arbeitsblatts, und befolgen Sie die Anweisungen.
Wählen Sie File>Open. Ein Dialogfeld wird angezeigt. Öffnen Sie den Ordner "Kairo", und wählen Sie das erste Bild, Cairo_Landsat_2000_Band_1.tif, aus. Öffnen Sie auch Cairo_Landsat_2000_Band_2.tif, Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif, Cairo_Landsat_2000_Band_5.tif und Cairo_Landsat_2000_Band_7.tif. Verbessern Sie die Rohdaten, wie in der Übung zur Echtfarbenkombination beschrieben.
Verwenden Sie dieselben Trainingsgebiete wie in der Übung zur Parallelepiped-Klassifizierung.
Wählen Sie Multivariate Analysis>Supervised Classification>Maximum Likelihood, und wählen Sie alle Bilder (außer cairo_class_parallel.tif, sofern es noch geöffnet ist) aus.
Stellen Sie den Schwellwert (Threshold Value) auf 5 % ein.
Notieren Sie sich die acht Farben und fügen Sie ihnen die Klassennamen hinzu. Es kann hilfreich sein, das Bild Cairo_Landsat_2000_Band_321.tif zum Vergleich heranzuziehen.
Wählen Sie Image>Add Legend, und überprüfen Sie die Kombinationen der Farben und Klassennamen.
Diskutieren Sie die Genauigkeit der beaufsichtigten Maximum-Likelihood-Klassifizierung. Welche Fehlerquellen sind möglicherweise vorhanden?
Vergleichen Sie die beiden Klassifizierungen (Parallelepiped und Maximum Likelihood) und erörtern Sie, worin sie sich gleichen und worin sie sich unterscheiden.
Probieren Sie andere Schwellwerte aus, z. B. 50 % und 75 %, und vergleichen Sie die klassifizierten Bilder.
| 
