ESA - Eduspace NL - Opwarming van de Aarde - Overzicht Bardiagebied – Beeldverwerking

Kustverandering

Ontbossing

Nationaal park Bardia Bassin van de Congorivier Olifantenreservaat Kaming Sonitpur Kilimanjaro Rondonia Shillong en Guwahati

Ijs

Antarctica 2003 Gletsjers analyseren met radarbeelden Klimaatverandering en gletsjers Terugtrekken van gletsjers in de Alpen Stroming van gletsjerijs Observatie van gletsjers in de Himalaya Remote sensing van ijs en sneeuw

Verstedelijking

Caïro Cordoba Kathmandu Himalaya Kathmanduvallei Lagos

Vegetation

Beschermd natuurgebied Annapurna Spoorloos in de Andes Ngorongoro Conservation Area Binnendelta van de Niger Zuid-Amerika

Overzicht Bardiagebied – Beeldverwerking – Deel 5

Deze oefening is in acht delen verdeeld en LEOWorks moet ervoor worden gebruikt.

Multispectrale beeldclassificatie

Het doel van deze oefening is om meer te weten te komen over technieken voor multispectrale beeldclassificatie en over Bardia in het algemeen.

Digitale beeldclassificatie is een redelijk moeilijke taak waarvoor je veel kennis van het betreffende gebied nodig hebt om juiste informatie te kunnen verkrijgen. Multispectrale beeldclassificatie is een nuttige en waardevolle methode voor het generen van themakaarten en het naar voren halen van veranderingen in de loop der tijd, bijvoorbeeld veranderde landbedekking.

We werken met zowel ongecontroleerde als gecontroleerde classificatie.

Ongecontroleerde classificatie

Ongecontroleerde classificatie is een relatief onnauwkeurige methode. Bij ongecontroleerde classificatie worden alle pixels in een afbeelding gegroepeerd in een bepaald aantal klassen op basis van de gelijkheid van hun zwart-witwaarden.

Als je problemen hebt met LEOWorks, bekijk dan de bijbehorende hoofdstukken in de handleiding. Denk eraan dat er ook een Help-knop is! br>
Open de volgende afbeeldingen in LEOWorks

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

Kies Multivariabele analyse>Ongecontroleerde classificatie en selecteer alle afbeeldingen.
Kies type 10 bij Aantal klassen en 5 bij Aantal iteraties. Hoe meer iteraties, hoe beter de vergelijkbare klassen worden gevormd, maar dan heeft de computer ook meer tijd nodig voor de berekening. Bij Iteratie 5 kan het een paar minuten duren.
Wanneer het resultaat te voorschijn komt, pas je Multivariabele analyse>Na classificatie bijschaven>5x5 toe. Daarmee ‘schoon je het resultaat op’. Sla de nieuwe afbeelding op in de map ‘Bardia’ als Bardia_2002_unsupervised (TIF).

Voeg een legenda aan de geclassificeerde afbeelding toe.
Kies Afbeelding>Legenda toevoegen en selecteer de eerste klasse. Typ in het venster ‘Huidig item’ je keuze van het landgebruik in vergeleken met ‘Bardia_Landsat_2002_Band_453.tif'.
Probeer elke klasse een naam te geven door de geclassificeerde afbeelding te vergelijken met de afbeelding met valse kleuren ‘Bardia_Landsat_2002_Band_453.tif’. Vergelijk de afbeelding ook met het resultaat van je interpretatie in de vijf voorgestelde klassen (bos, grasland, landbouwgrond, rivieren en rivierbeddingen) in de oefening Multispectrale Beeldcombinaties.
Er zijn tien originele klassen. Als verschillende kleuren dezelfde klasse van landbedekking bevatten kun je die klassen samenvoegen door twee of meer klassen (van de tien) dezelfde kleur te geven.

1. Waarom lijken de originele kleuren (klassen) van landbouwgrond, grasland en vegetatie in de overstromingsvlakte op elkaar? Kun je dat uitleggen?

Sla de classificatie op in je map ‘Bardia’ als ‘Bardia_Landsat_2002_unsup.tif’.