|
|
Generelt overblik over Kathmandudalen med optiske billeder - Fortsat 
En temmelig enkel klassifikation er den uovervågede klassifikation. Alle pixels i et billede grupperes i et specifikt antal klasser baseret på lighederne i deres gråskalaværdier. For at kunne sammenligne vores håndtegnede klassifikation med den uovervågede klassifikation skal vi anvende det samme antal klasser.
Åbn programmet LEOWorks. Vælg mappen Kathmandu, og vælg billederne:
Kathmandu_Landsat_2001_Band_1.tif, Vælg Multivariate Analysis>Unsupervised Classification, og vælg alle billeder. Skriv 5 for Nr. of Classes og 10 for Nr. of Iterations. En iteration betyder her gentagelsen af en sekvens af computerinstruktioner et specifikt antal gange, eller indtil en betingelse er opnået. Gem billedet som Kathmandu_2001_unsupervised i TIFF-format i mappen Kathmandu.
Sammenlign den uovervågede klassifikation med din håndtegnede klassifikation. Hvilke træk er meget let genkendelige? Hvorfor er det bebyggede område af Kathmandu ikke tydeligt afgrænset i forhold til det omkringliggende græsområde og dyrkede land?
For at svare på dette spørgsmål kan du se på de to fotografier, der viser veje og bygninger i Kathmandudalen i byen Patan. Lad os prøve at forbedre den uovervågede klassifikation af Kathmandu for at kunne skelne det bebyggede område. Et billede, der kan hjælpe, er det "termiske billede". Åbn billedet i LEOWorks. Som du kan se, varmes Kathmandus omgivelser hurtigere op end selve byen, og de ses i en lysere gråskala. Det er usædvanligt, fordi vi er vant til, at bebyggede områder er varmere end omgivelserne. Grunden hertil er for eksempel trafikken, lyskilderne og industrien. Kathmandu by er mindre udviklet på grund af varmekilderne. En anden grund er, at billedet er taget om vinteren kl. ca.10:00 lokal tid. Tag billedet til venstre, og forklar, hvad der sker med overfladerne i forbindelse med opvarmning. Tegn solstrålerne ind, markér skyggerne og de områder, der har højt og lavt opvarmede overflader, og forklar, hvordan Kathmandu og dens omgivelser varmer op. Et andet billede kunne være et NDVI. Men da vi anvender data fra 2001 til klassifikationen, er det unødvendigt at fremstille et vinter-NDVI på grunden af fraværet af bevoksning. Følg trinnene, og fremstil et nyt billede.
Åbn programmet LEOWorks og billederne Der er naturligvis en grund til at vælge LANDSAT-bånd 1 og bånd 4 til den uovervågede klassifikation. Det forklares i casestudiet Kathmandu dengang og nu - bymæssig påvisning med optiske billeder.
Vælg Multivariate Analysis>Unsupervised Classification, og vælg alle billeder. Skriv 5 for Nr. of Classes og 10 for Nr. of Iterations. En iteration betyder her gentagelsen af en sekvens af computerinstruktioner et specifikt antal gange, eller indtil en betingelse er opnået. Gem billedet som Kathmandu_2001_unsupervised i TIFF-format i mappen Kathmandu.
Vælg Image>Add Legend, og kontrollér kombinationen af farver og klassenavne. Skoven, krattet, græsset og det dyrkede land er tydelige. Husk - dette er kun en uovervåget klassifikation uden ekstra manuelt input.
Kan du forklare, hvorfor skovene i bjergområdet er opdelt i to farver (klasser)?
For at besvare spørgsmålet, skal du studere det termiske billede fra 2001. Hvilket geografisk træk har samme farve som den overskyggede bjergskov? Forklar årsagerne. Hvilke andre klasser er nu tydeligt identificerbare, når de to uovervågede klassifikationer sammenlignes? Målet for denne del af casestudiet er at fremstille en basal, men korrekt klassifikation. Vi har lavet én manuelt og forsøgt at lave en anden digitalt. Men som det ses, uden en indsats for at analysere satellitbillederne bliver resultatet ikke så godt, som man kunne ønske. Så lad os gøre en større indsats med den digitale klassifikation og prøve en overvåget klassifikation af Kathmandu, og se hvad der sker. Husk på - vi ønsker at overlejre vores håndtegnede kort med en digital klassifikation. Og selvfølgelig ønsker vi, at billedet kommer til at ligne rimelig meget. Den mest sandsynlige klassifikation (maximum likelihood) er en 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 arealanvendelse, der skal klassificeres, skal der defineres mindst et træningsfelt. LEOWorks evaluerer alle disse træningsfelter og tilskriver hvert billedelement (pixel) til en af de givne klasser af arealanvendelse. Nu er du imidlertid ekspert i Kathmandu, og det burde ikke være noget problem at vælge træningsfelter. Men vær opmærksom på, at jo flere træningsfelter, du er i stand til at vælge for en klasse, og jo mere nøjagtigt du gør det, jo mere nøjagtigt bliver resultatet.
Vi skal anvende hele spektret af LANDSAT-bånd. For at kunne det, skal du åbne billederne Vælg (aktivér) billedet Kathmandu_Landsat_2001_Band_453.tif, og vælg Multivariate Analysis>Supervised Classification>Select Training Fields. Vælg Draw Polygon fra værktøjslinjen. Begynd med skoven. Tegn en polygon inden for den nordvestlige skov, og kald denne klasse "Skov og krat". Tegn en anden polygon inden for den sydvestlige skov, og kald klassen "Skov og krat" igen. Tegn nogle flere polygoner inden for skovdækket land, og giv klassen navn. Gør det samme med alle de andre klasser. Klasser på højt niveau
Indstil Threshold Value til '5%'. Farverne i klassifikationen skal ændres. Vælg Image>Add Legend, og kontrollér kombinationen af farver og klassenavne. Vælg Edit LookUp Table, og vælg farven for skov. Ændr farven til mørkegrøn. Ændr også alle de andre farver. Gem klassifikationen som "Kathmandu_2001_maximlike.tif" i mappen Kathmandu.
Hvorfor er der nogle ikke-klassificerede (hvide) områder i den overvågede klassifikation af Kathmandu?
Hvilke geografiske situationer er ikke-klassificerede? I hvor mange klasser ville du opdele det hvide område? Hvilke farver ville du give disse klasser? Hvad skete der med klassen "Flod"? Hvorfor er den klasse stadig uklassificeret? Last update: 19 Juni 2013
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
