Cairo - Øvelser med brug af Landsat-data - Fortsat
|  | Falsk farvekombination af Cairo ved hjælp af bånd 7,4,2 | |
Kombination med falske farver
For at øge muligheden for fortolkning af satellitbilleder bruges der i mange tilfælde billeder med falske farver, dvs farver der ikke ses i den virkelige verden.
I de fleste tilfælde bruger et billede med falske farver mindst én infrarød kanal. Det infrarøde område er meget nyttigt i forbindelse med fortolkning af Jordens overflade, fordi det består af reflekteret og udsendt energi.
Infrarødt lys er ikke synligt for det menneskelige øje men afslører en masse information. I særdeleshed reflekterer planter meget mere energi i det nærinfrarøde end i det synlige område af det elektromagnetiske spektrum. Selv planternes sundhedstilstand kan konstateres ud fra intensiteten.
Åbn programmet LEOWorks. Hvis du endnu ikke har downloadet billederne af Cairo, gå til Download i toppen af dit arbejdsark, og følg anvisningerne.
Vælg File>Open. En dialogboks vises. Vælg mappen Cairo, og vælg det første billede Cairo_Landsat_2000_Band_2.tif. Åbn ligeledes Cairo_Landsat_2000_Band_4.tif og Cairo_Landsat_2000_Band_7.tif.
Vælg Image>Combine from...>Red Green Blue. Der åbner en menu. Vælg billedet Cairo_Landsat_2000_Band_7.tif for Rød, Cairo_Landsat_2000_Band_4.tif for Grøn og Cairo_Landsat_2000_Band_2.tif for Blå, og klik på OK. Forbedr rådataene på samme måde som beskrevet i øvelsen Kombination med naturlige farver.
Dette nye billede er en farvekombination med falske farver af tre gråskalabilleder.
| | | Falsk farvekombination af Cairo ved hjælp af bånd 4,2,1 |
Beskriv billedet, og prøv at dele billedets elementer op i 5 klasser - parker og landbrugsområde, vand, ørken og bar jord, tæt bebyggede områder, sparsomt bebyggede områder.
Hvordan skiftede klassernes farver fra farvebilledet med naturlige farver til billedkombinationen visende falske farver?
Kan klasserne identificeres på begge billeder?
Hvilket billede foretrækker du til at skelne mellem satellitbilledets elementer?
Prøv en anden kombination.
Vælg Image>Combine from...>Red Green Blue. Der åbner en menu. Vælg billedet Cairo_Landsat_2000_Band_7.tif for Rød, Cairo_Landsat_2000_Band_4.tif for Grøn og Cairo_Landsat_2000_Band_2.tif for Blå, og klik på OK. Forbedr de rå data på samme måde som beskrevet i øvelsen Kombination med naturlige farver.
Dette nye billede er en ny farvekombination med falske farver af tre gråskalabilleder.
Beskriv billedet, og prøv at dele billedets elementer op i 5 klasser - parker og landbrugsområde, vand, ørken og bar jord, tæt bebyggede områder, sparsomt bebyggede områder, og sammenlign dem med det ægte farvebillede.
Beskriv forskellen mellem de to billeder med falske farver.
Vælg de 5 klasser i begge billeder, og sammenlign farverne i billederne.
Kombinér et nyt billede med falske farver ved hjælp af kanal 7 for Rød, kanal 1 for Grøn og kanal 2 for Blå.
Hvad kan du sige om anvendeligheden af billedet?
Prøv nu en kombination efter eget valg, og bemærk variationerne.
| | Parallelepipedum klassifikation af Cairo | |
Multispektral billedklassifikation
I øvelse 2 har du opdelt elementer i Cairos arealanvendelse i klasser. For at kunne fortolke elementerne i et satellitbillede er det meget nyttigt med en visuel klassifikation. Det klassificerede billede er med nogle grundlæggende ændringer lig et tematisk kort. De primære klasser for Cairos overflade er tæt bebyggede områder, sparsomt bebyggede områder, skov, landbrugsland, vand, ørken og bar jord.
Der er forskellige klassifikationsværktøjer baseret på forskellige billedbehandlingsmetoder. Hvilken metode der anvendes, afhænger af hvilken information, der ønskes.
Lær mere om billedklassifikation i LEOWorks Tutorial.
Parallelepipedum klassifikation
Parallelepipedum klassifikation er en enkel overvåget klassifikationsmetode. Den er baseret på det spektrale område for de forskellige klasser af arealanvendelse inden for de forskellige bånd. Den bruger træningsfelter, der repræsenterer de forskellige klasser af landanvendelse. Hver klasse af arealanvendelse har sit eget specifikke spektrale fingeraftryk. For hver type arealanvendelse, der skal klassificeres, skal der defineres mindst et træningsfelt. LEOWorks evaluerer alle disse træningsfelter og henfører hvert billedelement (pixel) til en af de givne klasser af arealanvendelse.
Åbn programmet LEOWorks. Hvis du endnu ikke har downloadet billederne af Cairo, gå til Download i toppen af denne side, og følg anvisningerne.
Vælg File>Open. En dialogboks vises. Vælg mappen Cairo, og vælg det første billede Cairo_Landsat_2000_Band_1.tif. Åbn ligeledes Cairo_Landsat_2000_Band_2.tif, Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif, Cairo_Landsat_2000_Band_5.tif og Cairo_Landsat_2000_Band_7.tif. Forbedr de rå data på samme måde som beskrevet i øvelsen Kombination med naturlige farver.
Vælg (aktivér) billedet Cairo_Landsat_2000_Band_7.tif.
Vælg Multivariate Analysis>Supervised Classification>Select Training Fields.
Vælg Draw Polygon fra værktøjslinjen.
Bemærk: Jo flere øvelsesfelter, du vælger for en klasse, jo mere nøjagtigt bliver resultatet.
Start med vandoverflader, og tegn en polygon inden for Nilen. Kald klassen Vand. Find et andet sted, hvor du kan tegne endnu en polygon inden for vandmassen, og kald også denne klasse Vand, og så videre. Når du er færdig med vandet, tegnes en polygon inden for et område dækket med ørken, og denne klasse kaldes Ørken. Gør det samme med alle 7 forvalgte hovedklasser.
Vælg Multivariate Analysis>Supervised Classification>Parallelepiped, og vælg alle billederne.
Nedskriv de 8 forskellige farver, og tilføj klassenavnene. Det kan være en hjælp at åbne billedet Cairo_Landsat_2000_Band_321.tif til sammenligning.
Vælg Image>Add Legend, og kontrollér kombinationen af farver og klassenavne.
Gem det klassificerede billede som cairo_class_parallel (TIF) i mappen Cairo.
Diskutér nøjagtigheden af den overvågede parallelepipedumklassifikation.
Hvilke fejlkilder kan være involveret?
| | | Maximum Likelihood klassifikation af Cairo |
Maximum Likelihood
Klassifikationen Maximum Likelihood er en anden overvåget klassifikationsmetode. Den er baseret på en sofistikeret statistisk metode. Den bruger træningsfelter, der repræsenterer de forskellige klasser af arealanvendelse. Hver klasse af arealanvendelse har sit eget specifikke spektrale fingeraftryk. For hver type landdække, der skal klassificeres, skal der defineres mindst et træningsfelt. LEOWorks evaluerer alle disse træningsfelter og henfører hvert billedelement (pixel) til en af de givne klasser af arealanvendelse.
Åbn programmet LEOWorks. Hvis du endnu ikke har downloadet billederne af Cairo, gå til Download i toppen af siden, og følg anvisningerne.
Vælg File>Open. En dialogboks vises. Vælg mappen Cairo, og vælg det første billede Cairo_Landsat_2000_Band_1.tif. 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. Forbedr de rå data på samme måde som beskrevet i øvelsen Kombination med naturlige farver.
Brug samme træningsfelter som i øvelsen Parallelepipedum klassifikation.
Vælg Multivariate Analysis>Supervised Classification>Maximum Likelihood, og vælg alle billederne (med undtagelse af cairo_class_parallel.tif, hvis det stadig er åbent).
Indstil Threshold Value (tærskelværdi) til 5%.
Nedskriv de 8 forskellige farver, og tilføj klassenavnene. Det kan være en hjælp at åbne billedet Cairo_Landsat_2000_Band_321.tif til sammenligning.
Vælg Image>Add Legend, og kontrollér kombinationen af farver og klassenavne.
Diskutér nøjagtigheden af den overvågede klassifikation Maximum Likelihood. Hvilke fejlkilder kan være involveret?
Sammenlign begge klassifikationer (parallelepipedum og maximum likelihood), og diskutér, hvor de er ens, og hvor de afviger fra hinanden.
Prøv nogle andre tærskelværdier, f.eks. 50% og 75%, og sammenlign de klassificerede billeder.
| 
