Esercizi con i dati Landsat - Continuato
|  | Combinazione a falsi colori utilizzando le bande 7,4,2 | |
Combinazione a falsi colori
Per migliorare l'interpretabilità delle immagini satellitari, in molti casi vengono utilizzate immagini a falsi colori.
Nella maggior parte dei casi, un'immagine a falsi colori utilizza almeno un canale a infrarossi. Il campo dell'infrarosso è molto utile per l'interpretazione della superficie terrestre, perchè consiste di energia riflessa ed emessa.
L'infrarosso non è visibile all'occhio umano, ma rivela numerose informazioni. Le piante in particolare riflettono una quantità molto maggiore di energia nell'infrarosso vicino rispetto al campo del visibile dello spettro elettromagnetico. Persino lo stato di salute di una pianta può essere dedotto dall'intensità.
Aprite il programma LEOWorks. Se non avete ancora scaricato le immagini del Cairo, passate alla sezione Scarica in cima alla scheda di lavoro e seguite le istruzioni fornite.
Scegliete File>Open (Apri). Comparirà una finestra di dialogo. Scegliete la cartella Cairo e selezionate la prima immagine Cairo_Landsat_2000_Band_2.tif. Aprite anche Cairo_Landsat_2000_Band_4.tif and Cairo_Landsat_2000_Band_7.tif.
Scegliete Image (Immagine)>Combine from... (Combina da)>Red Green Blue (Rosso Verde Blu). Si aprirà un menu a comparsa. Selezionate l'immagine Cairo_Landsat_2000_Band_7.tif per il Rosso, Cairo_Landsat_2000_Band_4.tif per il Verde e Cairo_Landsat_2000_Band_2.tif per il Blu, quindi fate clic su OK. Migliorate i dati grezzi nello stesso modo descritto nell'esercizio sulla combinazione a colori veri.
Questa immagine è una combinazione a falsi colori di tre immagini in scala di grigi.
Descrivete l'immagine e cercate di dividere le caratteristiche dell'immagine in 5 classi - parchi e aree coltivate, acqua, deserto e terreno spoglio, aree densamente urbanizzate, aree scarsamente edificate. | | | Combinazione a falsi colori utilizzando le bande 4, 2, 1 |
Come sono cambiati i colori delle classi dalle immagini a colori veri a quelle a falsi colori?
Si possono identificare le classi in entrambe le immagini?
Quale immagine preferireste per differenziare le caratteristiche dell'immagine satellitare?
Provate un'altra combinazione.
Scegliete Image (Immagine)>Combine from... (Combina da)>Red Green Blue (Rosso Verde Blu). Si aprirà un menu a comparsa. Selezionate l'immagine Cairo_Landsat_2000_Band_4.tif per il Rosso, Cairo_Landsat_2000_Band_2.tif per il Verde e Cairo_Landsat_2000_Band_1.tif per il Blu, quindi fate clic su OK. Migliorate i dati grezzi nello stesso modo descritto nell'esercizio sulla combinazione a colori veri.
Questa immagine è una combinazione a falsi colori di tre immagini in scala di grigi.
Descrivete l'immagine e cercate di dividere le caratteristiche dell'immagine in 5 classi - parchi e aree coltivate, acqua, deserto e terreno spoglio, aree densamente urbanizzate, aree scarsamente edificate e confrontatele con l'immagine a colori veri.
Descrivete le differenze tra le due immagini a falsi colori.
Selezionate le 5 classi in entrambe le immagini a falsi colori e confrontate i colori utilizzati.
Combinate un'immagine a falsi colori utilizzando il canale 7 per il rosso, il canale 1 per il verde e il canale 2 per il blu.
Cosa potete dire sull'utilità dell'immagine?
Ora provate una combinazione di vostra scelta e notate le variazioni.
| | Classificazione con il metodo del parallelepipedo | |
Classificazione immagini multispettrali
Nell'esercizio 2 avete suddiviso in classi gli oggetti e gli elementi della superficie del Cairo. Per interpretare le caratteristiche di un'immagine satellitare, è molto utile una classificazione visualizzata. L'immagine classificata è, con alcune revisioni di base, simile a una mappa tematica. Le classi principali della superficie del Cairo sono aree densamente urbanizzate, aree scarsamente edificate, foresta, terreno agricolo, acqua, deserto e terreno spoglio.
Sono disponibili diversi strumenti di classificazione, basati sui diversi metodi di elaborazione delle immagini. Il metodo utilizzato dipende dalle informazioni richieste.
Per ulteriori informazioni sulla classificazione delle immagini, consultate LEOWorks Tutorial, sezione dedicata all'elaborazione delle immagini.
Classificazione con il metodo del parallelepipedo
La classificazione con il metodo del parallelepipedo è un semplice metodo di classificazione supervisionata. Si basa sugli intervalli spettrali delle diverse classi di uso del terreno all'interno delle diverse bande. Si avvale dei Training Field, che rappresentano le diverse classi di uso del terreno. Ogni classe di uso del terreno ha una propria impronta spettrale specifica. Per ogni tipo di copertura del terreno da classificare occorre definire almeno un Training Field. LEOWorks valuta tutti questi Training Fields e assegna ogni elemento dell'immagine (pixel) a una delle classi d'uso del terreno specificate.
Aprite il programma LEOWorks. Se non avete ancora scaricato le immagini del Cairo, passate alla sezione Scarica in cima alla scheda di lavoro e seguite le istruzioni fornite.
Scegliete File>Open (Apri). Comparirà una finestra di dialogo. Scegliete la cartella Cairo e selezionate la prima immagine Cairo_Landsat_2000_Band_1.tif. Cairo_Landsat_2000_Band_2.tif, Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif, Cairo_Landsat_2000_Band_5.tif, Cairo_Landsat_2000_Band_7.tif. Migliorate i dati grezzi nello stesso modo descritto nell'esercizio sulla combinazione a colori veri.
Selezionate (attivate) l'immagine Cairo_Landsat_2000_Band_7.tif.
Scegliete Multivariate Analysis>Supervised Classification>Select Training Fields.
Selezionate Draw Polygon (Traccia poligono) dalla barra degli strumenti.
Nota: Maggiore è il numero di Training Fields selezionati per una classe e più accurato sarà il risultato.
Iniziate con gli specchi d'acqua e tracciate un poligono all'interno del fiume Nilo. Assegnate il nome Water (Acqua) a questa classe. Trovate un'altra parte per disegnare un secondo poligono all'interno di un bacino idrico e denominate questa classe Acqua, e così via. Al termine del lavoro sulle acque, tracciate un poligono all'interno di un'area desertica e assegnate a questa classe il nome Desert (Deserto). Eseguite la stessa operazione con tutte le 7 classi principali selezionate.
Scegliete Multivariate Analysis>Supervised Classification>Parallelepiped e selezionate tutte le immagini.
Prendete nota degli 8 colori diversi e aggiungete i nomi delle classi. Può essere utile aprire l'immagine Cairo_Landsat_2000_Band_321.tif per il confronto.
Scegliete Image (Immagine)>Add Legend (Aggiungi didascalia) e controllate la combinazione di colori e nomi di classi.
Salvate l'immagine classificata come cairo_class_parallel (TIF) nella cartella Cairo.
Discutete l'accuratezza della classificazione supervisionata con il metodo del parallelepipedo.
Quali fonti di errori potrebbero essere coinvolte?
| | | Massima verosimiglianza |
Massima verosimiglianza (ML, Maximum Likelihood)
La classificazione ML (Maximum Likelihood, o massima verosimiglianza) è un altro metodo di classificazione supervisionata. Si basa su complessi metodi statistici, e si avvale inoltre dei Training Field, che rappresentano le diverse classi di uso del terreno. Ogni classe di uso del terreno ha una propria impronta spettrale specifica. Per ogni tipo di copertura del terreno da classificare occorre definire almeno un Training Field. LEOWorks valuta tutti questi Training Fields e assegna ogni elemento dell'immagine (pixel) a una delle classi d'uso del terreno specificate.
Aprite il programma LEOWorks. Se non avete ancora scaricato le immagini del Cairo, passate alla sezione Scarica in cima alla scheda di lavoro e seguite le istruzioni fornite.
Scegliete File>Open (Apri). Comparirà una finestra di dialogo. Scegliete la cartella Cairo e selezionate la prima immagine Cairo_Landsat_2000_Band_1.tif. Aprite anche Cairo_Landsat_2000_Band_2.tif, Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif, Cairo_Landsat_2000_Band_5.tif and Cairo_Landsat_2000_Band_7.tif. Migliorate i dati grezzi nello stesso modo descritto nell'esercizio sulla combinazione a colori veri.
Utilizzate gli stessi Training Field dell'esercizio di classificazione con il metodo del parallelepipedo.
Scegliete Multivariate Analysis>Supervised Classification>Maximum Likelihood e selezionate tutte le immagini (eccetto cairo_class_parallel.tif se fosse ancora aperta).
Impostate il Valore di soglia su 5%.
Prendete nota degli 8 colori diversi e aggiungete i nomi delle classi. Può essere utile aprire l'immagine Cairo_Landsat_2000_Band_321.tif per il confronto.
Scegliete Image (Immagine)>Add Legend (Aggiungi didascalia) e controllate la combinazione di colori e nomi di classi.
Discutete l'accuratezza della classificazione supervisionata con il metodo di massima verosimiglianza. Quali fonti di errori potrebbero essere coinvolte?
Confrontate le classificazioni (con i metodi del parallelepipedo e massima verosimiglianza) e analizzate dove concordano e dove differiscono.
Sperimentate altri valori di soglia, ad esempio 50% e 75%, e confrontate le immagini classificate.
| 
