ESA - Eduspace ES - Cambio global - Ejercicios con LEOWorks

Cambios costales

Detección de cambios en el delta del Danubio Contaminación de aceite

Deforestación

Parque Nacional de Bardia Cuenca del río Congo Kameng-Sonitpur Kilimanjaro Rondonia Shillong y Guwahati

Hielo

Análisis de los glaciares mediante imágenes de radar La Antártida 2003 El cambio climático y los glaciares El retroceso de los glaciares alpinos Flujo glaciar Monitorización de los glaciares del Himalaya La teledetección de hielo y nieve

Urbanización

Córdoba El Cairo Katmandú Himalayas Valle de Katmandú Lagos

Vegetación

Área de Conservación de Annapurna Perdidos en los Andes Zona de Conservación de Ngorongoro (NCA)Delta interior del Níger La vegetación en América del Sur

Ejercicios con LEOWorks - 5

Este ejercicio esta dividido en ocho partes y se requiere el uso de LEOWorks.

Clasificación de imágenes multiespectrales

El objetivo de este ejercicio es ofrecer orientación sobre las técnicas de clasificación de imágenes multiespectrales y obtener mayor información sobre Bardia.

La clasificación de imágenes digitales es una tarea bastante difícil que requiere buenos conocimientos sobre la superficie tratada para poder extraer información precisa. La clasificación de imágenes multiespectrales es un método útil para generar mapas temáticos, aunque también para destacar cambios concretos, por ejemplo, de la cubierta del suelo.

Trabajaremos con los dos tipos de clasificación, sin supervisión y supervisada.

Clasificación sin supervisión

La clasificación sin supervisión es un método relativamente rudimentario. Todos los píxeles de la imagen se agrupan en un número específico de clases basadas en la similitud de sus valores de escala de grises.

Si tienes dificultades al utilizar LEOWorks, consulta los capítulos correspondientes en el Tutorial y utiliza también el botón de Ayuda (Help).

Abre el programa LEOWorks. Abre las imágenes :

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

Elige Multivariate Analysis>Unsupervised Classification y selecciona todas las imágenes.
Escribe 10 en Nr. of Classes y 5 en Nr. of Iterations. Cuanto mayor sea el número de repeticiones (Iterations), mejor se formarán las clases similares, pero el tiempo de computación será mayor. Con la selección de Iteration 5 es posible que se tarde algunos minutos.
Cuando aparezca el resultado, aplica Multivariate Analysis>Post classification filer>5x5. Esto 'depurará' el resultado. Guarda la nueva imagen como Bardia_2002_unsupervised (TIF) en la carpeta Bardia.

Añade un texto descriptivo a la imagen clasificada.
Elige Image>Add Legend Legend y selecciona la primera clase.
En la ventana 'Current Item', escribe tu elección de uso del suelo en comparación con 'Bardia_Landsat_2002_Band_453.tif'.
Intenta asignar un nombre a cada clase tras comparar la imagen clasificada con la imagen de falso color 'Bardia_Landsat_2002_Band_453.tif'. y también con el resultado de tu interpretación de 5 clases propuestas (bosque, pastizales, tierras de cultivo, ríos y lechos fluviales) en el ejercicio de combinación de imágenes multiespectrales.
Hay 10 clases originales. Si hay varios colores que abarcan la misma clase de cubierta del suelo, puedes unir las clases asignando el mismo color a dos o más (de las 10).

1. ¿Por qué eran parecidos los colores (clases) de los campos de cultivo, los pastizales y la vegetación de la llanura aluvial? ¿Podrías explicarlo?

Guarda la clasificación como 'Bardia_Landsat_2002_unsup.tif' en tu carpeta Bardia.