|
|
Øvelse 2: Arealanvendelsesklassifikation (Fortsat) 
Skift farverne på polygonerne ved at ændre egenskaberne for hver klasse. I LEOWorks3: Brug Inspect TF Statistics, og vælg fra tabellen, hvilket TF du gerne vil inspicere i billedet. Nu kan du se, hvilke pixels der er blevet valgt som træningsfelter til den overvågede klassifikation. Alle de små markerede områder på billedet repræsenterer rene landdækkeklasser enten som bymæssigt område, vegetation eller bar jord. Disse træningsfelter er fremstillet ved at vælge pixels, der kun indeholder en type landdække. Når oplysningerne i hvert bånd af disse pixels er hentet frem, skabes (statistisk set) en signatur for hver type landdække og prøve.
1. Inspicer træningsfelterne. Studer statistikken for hvert enkelt træningsfelt i hver af de tre arealanvendelsesklasser. Er de homogene inden for en klasse? Kontrollér Standard Deviation for at kunne besvare det.
Den nødvendige algoritme til udførelse af klassifikationen hedder "maximum likelihood". Denne proces tildeler hver pixel i hele billedet til den arealanvendelsesklasse, som den mest sandsynligt hører til, baseret på a priori-oplysninger og statistiske metoder. Start klassifikationsprocessen. Vælg alle båndene i billederne 2009_cordoba . Indstil tærsklen til 0, så alle pixels klassificeres.
2. Når du sammenligner dit arealanvendelseskort med billederne, hvilken klasse repræsenterer så hvilket arealanvendelsesklasse?
3. Beskriv farven og ensartetheden af hver klasse i det originale billede.
4. Vurder kvaliteten af det klassificerede billede, der er et råt arealanvendelseskort. Sammenlign det med det originale billede (Cordoba 2009, bånd 435). Kan du finde nogle fejl, f.eks. forkert klassificerede områder?
Diskuter, hvad der kan gøres for at forbedre kvaliteten af klassifikationen.
Gem dette klassificerede billede som Cordoba_2009_class, men behold RGB-billedet på skærmen, da vi skal bruge det i den næste øvelse. Last update: 23 Oktober 2013
| ||||||||||||||||||||||||||||||||||||||||||||||
