|
|
Kathmandu-Tal - Allgemeiner Überblick mit optischen Aufnahmen - Fortsetzung 
Ein relativ einfaches Verfahren ist die unüberwachte (automatische) Klassifizierung. Alle Pixel in einem Bild werden aufgrund der Ähnlichkeit ihrer Graustufenwerte in eine festgelegte Anzahl von Klassen gruppiert. Um unsere Handzeichnung mit dem Ergebnis der unüberwachten Klassifizierung vergleichen zu können, empfiehlt es sich, dieselbe Anzahl Klassen zu verwenden. Öffne das Programm LEOWorks. Wähle File>Open. Ein Dialogfeld wird angezeigt. Öffne den Ordner „Kathmandu“ und wähle die Bilder
Kathmandu_Landsat_2001_Band_1.tif, Wähle Multivariate Analysis>Unsupervised Classification und wähle alle Bilder aus. Gib 5 als Anzahl der Klassen (Nr. of Classes) und 10 als Anzahl der Iterationen (Nr. of Iterations) ein. Eine Iteration ist die entweder mit einer festgelegten Häufigkeit oder bis zum Eintreten einer bestimmten Bedingung durchgeführte Wiederholung einer Folge von Computeranweisungen. Speichere das neue Bild als Kathmandu_2001_unsupervised 1356.tif im Ordner „Kathmandu“.
Vergleiche das Ergebnis der unüberwachten Klassifizierung mit der handgezeichneten.
Welche Bildobjekte sind sehr leicht zu identifizieren?
Weshalb hebt sich das bebaute Gebiet von Kathmandu nicht von den umliegenden Gras- oder Agrarflächen ab? Ziehe zur Beantwortung dieser Frage die zwei Fotos von Straßenszenen und Gebäuden in der Stadt Patan im Kathmandu-Tal hinzu. Wir versuchen jetzt, die unüberwachte Klassifizierung von Kathmandu so zu verbessern, dass das bebaute Gebiet erkennbar wird. Ein Bild, das dabei helfen könnte, ist das Wärmebild, Kathmandu_Landsat_2001_Band_61.tif. Öffne das Bild in LEOWorks. Und verstärke auch sein Kontrast mit Enhance>Interactive Stretching. Wie du siehst, erwärmt sich die Umgebung von Kathmandu mehr als die Stadt selbst und erscheint in einem helleren Grauton. Dies ist ungewöhnlich. Normalerweise sind bebaute Flächen wärmer als die Umgebung einer Stadt. Das erklärt sich beispielsweise durch den Verkehr, dichte Ueberbauung, Heizungen und die Industrie. Gemessen an den Wärmequellen ist die Stadt Kathmandu weniger entwickelt. Ein weiterer Grund ist, dass das Bild um ungefähr 10.00 Uhr Ortszeit an einem Wintertag aufgenommen wurde. Erkläre anhand des Bildes auf der linken Seite, wie sich die Oberfläche im Hinblick auf die Erwärmung verhält. Zeichne die Sonnenstrahlen ein, markiere die Schatten und die Gebiete mit starker und geringer Oberflächenerwärmung und erkläre, wie sich Kathmandu und die Stadtumgebung erwärmen.
Öffne das Programm LEOWorks und die Bilder Verstärke den Kontrast mit Enhance>Interactive Stretching. Natürlich wählen wir diese LANDSAT-Bänder nicht zufällig für die unüberwachte Klassifizierung. Sie ermöglicht vor allem Wald von Stadtgebiet zu trennen.
Wähle Multivariate Analysis>Unsupervised Classification und wähle alle Bilder aus. Gib 5 als Anzahl der Klassen (Nr. of Classes) und 10 als Anzahl der Iterationen (Nr. of Iterations) ein. Eine Iteration ist die entweder mit einer festgelegten Häufigkeit oder bis zum Eintreten einer bestimmten Bedingung durchgeführte Wiederholung einer Folge von Computeranweisungen. Speichere das neue Bild als Kathmandu_2001_unsupervised.tif im Ordner „Kathmandu“.
Wähle Image>Add Legend und überprüfe die Kombinationen der Farben und Klassennamen. Wälder, Busch, Grasflächen und landwirtschaftlich genutzte Gebiete sind recht deutlich zu erkennen. Beachte, dass es sich hier nur um eine unüberwachte Klassifizierung ohne jegliche manuelle Zusatzeingaben handelt.
Kannst du erklären, weshalb der Wald in den bergigen Gebieten auf zwei Farben (Klassen) verteilt ist? Um diese Frage zu beantworten, untersuche das Wärmebild von 2001.
Welche geographische Struktur hat dieselbe Farbe wie der im Schatten liegende Gebirgswald? Erkläre die Gründe. Welche zusätzlichen Klassen können jetzt bei einem Vergleich der zwei unüberwachten Klassifizierungen deutlich identifiziert werden? Das Ziel dieses Teils der Fallstudie besteht darin, eine einfache, aber korrekte Klassifizierung durchzuführen. Wir haben bereits eine manuelle durchgeführt und eine digitale in Angriff genommen. Wie wir aber sehen konnten, fallen die Ergebnisse ohne eine Analyse der Satellitenbilder nicht so gut aus, wie man es sich wünschen würde. Deshalb geben wir uns jetzt noch etwas mehr Mühe mit dem digitalen Verfahren und versuchen eine überwachte Klassifizierung Kathmandus. Vergiss nicht: Wir möchten unsere von Hand gezeichnete Karte mit einem digital klassifizierten Bild verschneiden. Und natürlich soll das Ergebnis schön echt aussehen. Die Maximum-Likelihood-Klassifizierung ist ein überwachtes (interaktives) Klassifizierungsverfahren. Es basiert auf komplexen statistischen Verfahren. 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. Da du ja Kathmandu mittlerweile wie deine eigene Westentasche kennst, sollte es kein Problem für dich sein, geeignete Trainingsgebiete auszuwählen. Beachte dabei, dass das Ergebnis umso genauer ausfällt, je mehr Trainingsgebiete du für eine Klasse auswählst und je sorgfältiger du die Auswahl triffst.
Es soll das gesamte Spektrum der LANDSAT-Bänder genutzt werden. Öffne hierzu die Bilder Markiere das Bild Kathmandu_Landsat_2001_Band_453.tif und wähle Multivariate Analysis>Supervised Classification>Select Training Fields. Wähle in der Symbolleiste Draw Polygon. Beginne mit dem Wald. Zeichne ein Polygon im nordwestlichen Wald und nenne die Klasse „Wald und Busch“. Zeichne ein weiteres Polygon im südwestlichen Wald und nenne die Klasse erneut „Wald und Busch“. Zeichne weitere Polygone in bewaldeten Flächen und ordne ihnen den Klassennamen zu. Gehe ebenso mit allen anderen Klassen vor. Übergeordnete Klassen
Stelle den Schwellwert (Threshold Value) auf 5 % ein. Die Farben in der Klassifizierung müssen geändert werden. Wähle Image>Add Legend und überprüfe die Kombinationen der Farben und Klassennamen. Klicke in „Current Item“ auf den Farbknopf und wähle die Farbe der Klasse „Wald“ aus. Ändere die Farbe in Dunkelgrün ab. Ändere auch alle anderen Farben. Speichere die Klassifikation (das Ergebnis der Klassifizierung) als Kathmandu_2001_maximlike.tif im Ordner „Kathmandu“.
Weshalb bleiben unklassifizierte (weiße) Bereiche bei der überwachten Klassifizierung von Kathmandu zurück?
Welche geographischen Merkmale sind nicht klassifiziert? In wie viele Klassen würdest du den weißen Bereich unterteilen? Welche Farben würdest du diesen Klassen zuweisen? Was ist aus der Klasse „Flüsse“ geworden? Weshalb ist diese Klasse noch immer unklassifiziert? Last update: 27 Mai 2013
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
