Valle di Kathmandu - Panoramica generale con immagini ottiche - continuato
|  | Classificazione non supervisionata | |
Classificazione digitale
In questo semplice tipo di classificazione, tutti i pixel dell'immagine sono raggruppati in un numero prestabilito di classi, in base alla somiglianza dei rispettivi valori nella scala di grigi.
Per poter confrontare la classificazione manuale con la classificazione non supervisionata, occorre utilizzare lo stesso numero di classi.
Aprite il programma LEOWorks.
Scegliete File>Open (Apri). Viene aperta una finestra di dialogo.
Scegliete la cartella Kathmandu e selezionate le immagini:
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_7.tif.
Scegliete Multivariate Analysis (Analisi multivariata)>Unsupervised Classification (Classificazione non supervisionata) e selezionate tutte le immagini. Inserite 5 nel campo Nr. of Classes (n. di classi) e 10 nel campo Nr. of Iterations (n. di iterazioni). Un'iterazione è la ripetizione di una sequenza di istruzioni del computer per un numero di volte prestabilito o finché non viene soddisfatta una determinata condizione. Salvate la nuova immagine con il nome Kathmandu_2001_unsupervised in formato TIFF nella cartella Kathmandu.
Confrontate la classificazione non supervisionata con quella eseguita manualmente. Quali sono gli elementi dell'immagine più facilmente identificabili?
Perché l'area edificata di Kathmandu non si distingue dai terreni coltivati ed erbosi circostanti?
Per rispondere a questa domanda, osservate le due fotografie che mostrano le strade e gli edifici della città di Patan, nella valle di Kathmandu.
Proviamo ora a migliorare la classificazione non supervisionata di Kathmandu in modo da distinguere l'area edificata.
Per questa operazione è preferibile utilizzare l'immagine termica.
Aprite l'immagine in LEOWorks.
Come si può osservare, i dintorni di Kathmandu si riscaldano di più rispetto alla città vera e propria, e appaiono più chiari nella scala di grigi. Si tratta di un fenomeno insolito, perché normalmente sono le aree edificate ad essere più calde, ad esempio a causa del traffico, dell'illuminazione e delle industrie. La città di Kathmandu è meno sviluppata in termini di fonti di calore. Occorre inoltre considerare che l'immagine è stata acquisita in inverno, intorno alle 10:00 di mattina ora locale. Osservando l'immagine a sinistra, spiegate cosa accade alle superfici in termini di riscaldamento. Tracciate i raggi solari, contrassegnate le aree in ombra e quelle con superfici riscaldate a diversa intensità e spiegate le modalità di riscaldamento di Kathmandu e delle zone circostanti.
Un'altra immagine che è possibile utilizzare è l'NDVI. Tuttavia, poiché la classificazione viene eseguita con i dati del 2001, non è necessario produrre un'immagine NDVI invernale a causa dell'assenza di vegetazione. Seguite la procedura e generate una nuova immagine.
Aprite il programma LEOWorks e le immagini
Kathmandu_Landsat_2001_Band_1.tif
Kathmandu_Landsat_2001_Band_4.tif, e
Kathmandu_Landsat_2001_Band_61.tif
Naturalmente esiste una ragione precisa per la scelta delle bande 1 e 4 LANDSAT per la classificazione non supervisionata. Tale ragione viene spiegata nell'approfondimento Kathmandu - Passato e presente e Rilevamento urbano con immagini ottiche'.
Scegliete Multivariate Analysis (Analisi multivariata)>Unsupervised Classification (Classificazione non supervisionata) e selezionate tutte le immagini. Inserite 5 nel campo Nr. of Classes (n. di classi) e 10 nel campo Nr. of Iterations (n. di iterazioni). Un'iterazione è la ripetizione di una sequenza di istruzioni del computer per un numero di volte prestabilito o finché non viene soddisfatta una determinata condizione. Salvate la nuova immagine con il nome Kathmandu_2001_unsupervised in formato TIFF nella cartella Kathmandu.
| | Classificazione non supervisionata utilizzando un'immagine termica | |
Nella maggior parte dei casi, i colori non corrispondono agli attributi naturali delle classi. Normalmente, si utilizza il verde scuro per le foreste, il rosso per le aree densamente edificate e il blu per i corsi d'acqua. Per facilitare il riconoscimento delle classi, cambieremo i colori per avvicinarli maggiormente alle caratteristiche naturali.
Scegliete Image (Immagine) >Add Legend (Aggiungi didascalia) e controllate la combinazione di colori e i nomi delle classi.
Scegliete Edit LookUp Table (Modifica tabella di ricerca) e selezionate il colore per la classe "forest(shadow)" (foresta/ombra). Assegnate a questa classe il colore verde scuro. Ripetete la procedura per cambiare gli altri colori.
Le foreste, la vegetazione, i terreni erbosi e quelli coltivati sono chiaramente distinguibili. Si ricordi che questa è una semplice classificazione non supervisionata, realizzata senza interventi manuali.
Sapete spiegare perché le foreste nelle zone montuose sono rappresentate in due colori (classi)? Per rispondere alla domanda, studiate l'immagine termica del 2001.
Quali elementi geografici presentano lo stesso colore delle foreste montuose in ombra? Spiegate le ragioni.
Quali altre classi sono chiaramente distinguibili confrontando le due classificazioni non supervisionate?
La finalità di questa parte dell'approfondimento è quella di produrre una classificazione corretta di livello generale. Finora abbiamo eseguito una classificazione manuale e un'altra digitale. Abbiamo però visto che, senza un'analisi delle immagini satellitari, il risultato non è del tutto soddisfacente. Proviamo ora a eseguire una classificazione digitale più accurata di Kathmandu usando il metodo della classificazione supervisionata. Si ricordi che, per sovrapporre la mappa tracciata manualmente con il risultato della classificazione digitale, occorrerà produrre un'immagine che corrisponda il più possibile.
Un metodo di classificazione supervisionata è quello basato sul principio della massima verosimiglianza. Oltre a utilizzare sofisticati metodi statistici, questo metodo 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 i Training Field e assegna ogni elemento dell'immagine (pixel) a una delle classi d'uso del terreno specificate.
Ormai conoscete a sufficienza Kathmandu per poter selezionare facilmente i Training Field. Ricordate che l'accuratezza del risultato sarà direttamente proporzionale al numero dei Training Field selezionati e alla loro precisione.
Per questa operazione, utilizzerete l'intero spettro delle bande Landsat. Aprite le immagini
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_61.tif,
Kathmandu_Landsat_2001_Band_7.tif
e per selezionare i Training Field,
Kathmandu_Landsat_2001_Band_453.tif.
Selezionate (attivate) l'immagine Kathmandu_Landsat_2001_Band_453.tif e scegliete Multivariate Analysis (Analisi multivariata)>Supervised Classification (Classificazione supervisionata)>Select Training Fields (Seleziona Training Field).
Selezionate Draw Polygon (Traccia poligono) dalla barra degli strumenti.
Iniziate con la foresta. Tracciate un poligono all'interno della foresta nordoccidentale e assegnatelo alla classe "Foresta e vegetazione". Tracciate un altro poligono all'interno della foresta sud-occidentale e assegnate anche questo alla classe "Foresta e vegetazione". Tracciate altri poligoni all'interno del terreno forestale e assegnateli alla stessa classe. Ripetete la procedura per tutte le classi.
Classi principali
- Fiumi
- Aree densamente edificate
- Aree scarsamente edificate
- Piste aeroportuali
- Foreste e vegetazione
- Terreni erbosi e coltivati
Scegliete Multivariate Analysis (Analisi multivariata)>Supervised Classification (Classificazione supervisionata)>Maximum Likelihood (Massima verosimiglianza) e selezionate tutte le immagini (tranne Kathmandu_Landsat_2001_Band_453.tif).
Impostate il campo Threshold Value (Valore di soglia) al 5%.
Sarà necessario cambiare i colori della classificazione.
Scegliete Image (Immagine) >Add Legend (Aggiungi didascalia) e controllate la combinazione di colori e i nomi delle classi.
Scegliete Edit LookUp Table (Modifica tabella di ricerca) e selezionate il colore verde scuro per la classe del terreno forestale. Cambiate anche gli altri colori.
Salvate la classificazione con il nome "Kathmandu_2001_maximlike.tif" nella cartella Kathmandu.
Perché la classificazione supervisionata di Kathmandu presenta alcune aree non classificate (bianche)?
Quali condizioni geografiche non sono state classificate?
In quante classi dividereste l'area bianca?
Quali colori assegnereste a queste classi?
Cosa è accaduto alla classe "Fiumi"? Perché questa classe non è ancora classificata?
| 
