Esercizio 4 - Regione di Pokhara (2a parte)
|  | Pokhara è la capitale del distretto nepalese di Kaski | |
Classificazione non supervisionata
Lo scopo dei seguenti esercizi è quello di ottenere maggiori informazioni sulla regione di Pokhara utilizzando la classificazione delle immagini. Può sembrare un'operazione semplice, ma in realtà non è così. Richiede studio, preparazione e precisione.
Nel corso dei prossimi esercizi saranno applicati diversi metodi di classificazione. Lo scopo è quello di illustrare i principi della classificazione delle immagini e di confrontare i risultati prodotti con metodi differenti.
La classificazione è un metodo estremamente utile per richiamare le informazioni da utilizzare per la pianificazione, il controllo e gli aggiornamenti cartografici. Si tratta di un metodo relativamente economico e semplice per ottenere informazioni sulla copertura del suolo, l'uso del territorio e le sue variazioni, in particolare in aree remote o inaccessibili.
Tuttavia, anche in zone del mondo molto conosciute, le immagini satellitari fanno parte della vita quotidiana delle persone. Le immagini satellitari e le mappe di classificazione vengono utilizzate anche in cartografia. Basti pensare alla precisione con cui le zone forestali vengono tracciate nelle mappe topografiche. La loro estensione viene ricavata dalle immagini satellitari e dai prodotti della loro elaborazione.
Qualunque classificazione digitale, sia essa sottoposta o meno a una supervisione, rappresenta solo il punto di partenza per un ulteriore adattamento. Non è possibile produrre una classificazione utile e precisa senza un intervento manuale. Ancora oggi, l'elaborazione dei dati eseguita dalla mente umana permette di applicare procedure più complesse di quelle applicate da un programma per computer. Esistono innumerevoli relazioni complesse tra i diversi tipi di superficie che non vengono rilevate dalle differenze spettrali o geometriche.
Un metodo di classificazione relativamente semplice è la classificazione non supervisionata, in cui tutti i pixel dell'immagine sono raggruppati in un numero prestabilito di classi in base alla somiglianza dei rispettivi valori nella scala di grigi.
Aprite le immagini:
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif e
anapurna_landsat_2000_SE_band_4.tif
in LEOWorks.
Selezionate Multivariate Analysis (Analisi multivariata)>Unsupervised Classification (Classificazione non supervisionata) e selezionate le immagini:
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif
Inserite 7 nel campo Nr. of Classes (n. di classi) e 10 nel campo Nr. of Iterations (n. di iterazioni). La procedura deve essere eseguita per il numero di iterazioni prestabilito o finché non viene soddisfatta una determinata condizione. Salvate la nuova immagine con il nome Pokhara_432_2000_unsupervised in formato TIFF nella cartella Annapurna.
LEOWorks assegna i colori alle classi in modo casuale. Può essere utile, perciò, cambiare i colori in modo che si avvicinino maggiormente a quelli naturali. Fate doppio clic sulla barra LUT nella parte inferiore della cornice dell'immagine. Selezionate un colore nel menu pop-up e modificatelo spostando i cursori RGB. Scegliete un verde per la vegetazione, un beige per la terra nuda e così via. Una volta modificati tutti i colori, salvate nuovamente l'immagine.
Osservate l'immagine classificata e confrontatela con l'immagine a infrarosso vicino e colori reali e con quella a infrarossi a falsi colori.
Quali elementi appaiono ben definiti?
Quali appaiono meno nitidi?
Spiegate le ragioni di questa minore definizione.
Provate a eseguire altre classificazioni non supervisionate usando bande spettrali differenti, ad esempio le bande 1,4,7 o 1,2,3,4,5,7.
Confrontate i risultati delle diverse classificazioni.
| 
