| | Lagos - Øvelser med brug af Landsat-data - Del 3
|  | Valg af Training Fields | |
Multispektral billedklassifikation
Maximum Likelihood
I øvelse 2 har du opdelt elementer i Lagos overflade i klasser. For at kunne fortolke arealanvendelsen i et satellitbillede er det meget nyttigt med en overvåget klassifikation.
Det klassificerede billede er med nogle grundlæggende ændringer lig det tematiske kort. De primære klasser for Lagos overflade er tæt skov, tæt bebyggede områder, moderat bebyggede områder, beboelseskvarterer med haver og industriområder, naturligt dække (grønt område), strand, vand.
Maximum likelihood er en overvåget klassifikationsmetode. Den anvender træningsfelter. Disse felter præsenterer visse elementer. For hver type landskabselement (land cover), der skal klassificeres, skal der defineres mindst et træningsfelt.
Programmet sammenligner alle disse referencer og henfører hvert billedelement (pixel) til en af de valgte klasser.
Åbn programmet LEOWorks. Hvis du endnu ikke har downloadet billederne af Lagos, gå til Download i toppen af denne øvelse, og følg anvisningerne.
Vælg File>Open. En dialogboks vises. Vælg mappen Lagos, og vælg det første billede Lagos_Landsat_Band_3.tif. Åbn Lagos_Landsat_Band_4.tif, Lagos_Landsat_Band_5.tif og lagos_landsat_453.tif.
Vælg (aktivér) billedet lagos_landsat_453.tif.
Vælg Multivariate Analysis>Supervised Classification>Select Training Fields.
| | | Klassificeret billede af Lagos |
Vælg Draw Polygon fra værktøjslinjen.
Bemærk: Jo flere træningsfelter, du vælger for en klasse, jo mere nøjagtigt bliver resultatet.
Start med vandoverfladerne, og tegn en polygon inden for vandmassen. 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 tæt skov, og denne klasse kaldes Tæt skov. Gør det samme med alle 7 forvalgte hovedklasser.
Vælg Multivariate Analysis>Supervised Classification>Maximum Likelihood, og vælg billederne Lagos_Landsat_Band_3.tif, Lagos_Landsat_Band_4.tif og Lagos_Landsat_Band_5.tif.
Indstil Threshold Value til 0%. Der åbner et nyt klassificeret billede. Det indeholder syv farver, der afspejler de syv klasser.
| | Klassificeret billede af Lagos ved hjælp af forbedrede farver | |
Vælg Image>Add Legend, og kontrollér kombinationen af farver og klassenavne. I de fleste tilfælde stemmer farverne ikke overens med de naturlige attributter for klasserne. Normalt anvender vi mørk grøn for skove, rød for tæt bebyggede områder og blå for vand. For bedre at kunne forstå klasserne vil vi nu ændre farverne til de mere almindelig kendte.
Vælg Edit LookUp Table, og vælg farven for vandklassen. Ændr farven til mørkeblå. Ændr også alle de andre farver.
Gem billedet som lagos_classified.tif i mappen Lagos, og sammenlign det med billedet lagos_landsat_453.tif.
Er de klassificerede strukturer identificérbare i det falske farvebillede?
Hvilke afvigelser kommer frem i en mere nøje undersøgelse?
Måling af befolkningstæthed
For tropiske byer som Jakarta, Manaus, Nairobi og Lagos er den enorme strøm af immigranter en kæmpe udfordring.
Lagos befolkning vokser dagligt. Væksten i tiåret fra 2000 til 2020 vurderes at være på 7 millioner mennesker. I tillæg til problemet med at forberede byggegrunde til huse, er den nødvendige udvikling af byinfrastrukturer en kæmpe udfordring for enhver regering, og dermed følger meget store omkostninger.
Hvorfor flytter folk generelt fra landområder ind til byerne?
Hvilke specifikke grunde kan de nigerianske tilflyttere have?
Prøv at identificere de generelle krav til en fungerende infrastruktur i en storby.
Hvilke problemer kan der opstå på områder som forsyning med frisk vand, offentlig transport, kanalsystemer, sundhedspleje og uddannelse, hvis befolkningen vokser så hurtigt som i Lagos?
| | | Byen Lagos |
Den kæmpemæssige udbredelse af Lagos er tydelig på det ægte farvebillede fra Landsat (en opløsning på 120 m). Byen snor sig langs med laguner og gennem tropisk skov. Den har bredt sig langt ind i den omkringliggende natur.
Det må formodes, at millioner af indbyggere bor i løse strukturer, når man tager Lagos enorme areal i betragtning.
Næste øvelse vil opklare dette spørgsmål.
Åbn programmet LEOWorks. Hvis du endnu ikke har downloadet billederne af Lagos, gå til Download i toppen af denne øvelse, og følg anvisningerne.
Vælg File>Open. En dialogboks vises. Vælg mappen Lagos, og vælg billedet Lagos_Landsat_Band_321_120m.tif.
| | Polygon rundt om bygrænsen | |
Nu skal vi måle arealet af Lagos by og beregne befolkningstætheden. Sammenligningen med storbyer i Europa vil frembringe nogle interessante spørgsmål vedrørende dagliglivet i Lagos.
Vælg Image>Measure tool, og vælg Units>Meters.
Du skal ikke skrive pixelstørrelsen. Det er unødvendigt på grund af det GeoTIFF-format, der bruges til dataene.
Tegn en polygon rundt om byarealet, der fremstår med lyse farver på billedet. Start ved sydsiden ved at klikke med venstre museknap. Tegn polygonen langs med bygrænsen, og luk den ved hjælp af højre museknap.
Al information vises i dialogboksen, afstandene for hver enkelt vektor, længden af polygonsegmenterne og overfladearealet.
Konvertér m² til km².
Beregn nu befolkningstætheden ved hjælp af det målte areal for Lagos og det skønnede befolkningstal i år 2000 (13 millioner).
Bemærk: Den beregnede befolkningstæthed er knyttet til det bebyggede areal af Lagos og ikke til den administrative bygrænse, der omfatter et udvidet areal.
Sammenlign befolkningstætheden med tætheden i f.eks. London (1.580 km², 7,7 millioner indbyggere), Paris (1.200 km², 2,1 millioner indbyggere) og Berlin (839 km², 3,5 millioner indbyggere) og til sidst med din egen hjemby.
Hvilke konklusioner kan der drages af denne sammenligning?
Hvad betyder den gennemsnitlige tæthed for bystrukturen i Lagos?
Prøv at besvare dette spørgsmål ved hjælp af oplysningerne om de tre storbyer London, Paris og Berlin og din egen hjemby samt befolkningen i Lagos (kvartererne i Lagos med den højeste befolkningstæthed når op på 200.000 indbyggere pr. km²).
| |
