 | | | | |
| | | | | |
|
Forandring af kystlinien Donau-deltaetOlieforurening fra borerigSkovrydning Bardia National ParkCongobækkenetKameng-Sonitpur Elephant ReserveKilimanjaroRondoniaShillong og GuwahatiIs Antarktis 2003Klimaforandringer og gletsjereGletscheres tilbagesmeltning i AlperneGletsjerisens bevægelseGletsjeranalyse ved hjælp af radarbillederMonitorering af gletschere i HimalayaTelemåling af is og sneUrbanisering CairoCordobaKathmanduHimalayaKathmandudalenLagosVegetation Annapurna Conservation AreaForsvundet i AndesbjergeneNgorongoro Conservation AreaNiger-indlandsdeltaetSydamerika
| | | | | | | Overblik over Bardia-regionen - Billedbehandling - Del 5
Denne øvelse er opdelt i otte dele og kræver anvendelse af af LEOWorks.
Multispektral billedklassifikation
Formålet med denne øvelse er at give en orientering om teknikken til klassifikation af multispektrale billeder og lære mere om Bardia.
Klassifikationen af digitale billeder er en ret vanskelig opgave, der kræver et godt kendskab til det behandlede område for at få den korrekte information frem. Klassifikation af multispektrale billeder er en nyttig og værdifuld metode til frembringelse af tematiske kort, men den kan også fremhæve ændringer over tid af f.eks. arealanvendelsen.
Vi skal arbejde med dels uovervåget og overvåget klassifikation.
Uovervåget klassifikation
Uovervåget klassifikation er en temmelig grov metode. I den uovervågede klassifikation grupperes alle pixel i et billede i et bestemt antal klasser baseret på lighederne i deres gråtoneværdier.
Hvis du har problemer med at anvende LEOWorks, kan du konsultere de tilhørende afsnit i vejledningen, og der findes også en Help-knap!
Åbn programmet LEOWorks. Åbn følgende billeder:
- Bardia_Landsat_2002_Band_1.tif
- Bardia_Landsat_2002_Band_2.tif
- Bardia_Landsat_2002_Band_3.tif
- Bardia_Landsat_2002_Band_4.tif
- Bardia_Landsat_2002_Band_5.tif
- Bardia_Landsat_2002_Band_7.tif
Vælg Multivariate Analysis>Unsupervised Classification og vælg alle billeder.
Skriv 10 for Nr. of Classes og 5 for Nr. of Iterations. Jo flere iterationer (beregninger) jo bedre ensartede klasser får man, men det tager længere tid.
Når resultatet vises, anvendes Multivariate Analysis>Post classification filer>5x5. Dette vil "rense" resultatet. Gem det nye billede som Bardia_2002_unsupervised (TIF) i mappen Bardia.
Tilføj en legende (signaturforklaring) til det klassificerede billede.
Vælg Image>Add Legend og vælg den første klasse.
I vinduet “Current Item” skal du skrive dit valg af arealanvendelse sammenlignet med Bardia_Landsat_2002_Band_453.tif.
Prøv at give et navn til hver klasse ved at sammenligne det klassificerede billede med billedet med falske farver, Bardia_Landsat_2002_Band_453.tif, og ligeledes med resultatet af din tolkning til de 5 foreslåede klasser (skov, græsland, landbrugsland, floder og flodlejer) i øvelsen med multispektrale billedkombinationer.
Der er ti oprindelige klasser. Hvis forskellige farver omfatter den samme landdækkeklasse, kan du samle klasser ved at give 2 eller flere klasser (af de 10) den samme farve.
1. Hvorfor ligner den oprindelige farve (klasse) for dyrkede marker, græsland og vegetation på flodsletten hinanden? Kan du forklare det?
Gem klassifikationen som "Bardia_Landsat_2002_unsup.tif" i mappen Bardia.
| |
| | Bardia National Park BaggrundBeliggenhedGeologi og jordbundsforholdVejr og klimaforholdFolk og bebyggelserØvelser InledningOversigt - arbejde med udskrifter på papirOverblik over Bardia-regionen - BilledbehandlingLandskab og landdækkedynamik på Karnali-flodslettenVurdering af habitatets egnethed for næsehorn i BardiaEduspace - Software LEOWorks 3ArcExplorerEduspace - Download bardia.zipbardia_paperprints.zipResourcer Useful links
|
Forrige
