Exercício 4 - Região de Pokhara - continuação
|  | Pokhara é a capital do distrito nepalês de Kaski | |
Classificação não supervisionada
O objectivo dos exercícios que se seguem consiste em aprender mais acerca da região Pokhara utilizando a classificação de imagens. Podes pensar que é apenas uma questão de premir um botão, mas não é o caso. O exercício exige pesquisa, conhecimentos e precisão.
Nos exercícios que se seguem, serão aplicados diferentes métodos de classificação. O objectivo consiste em compreender os princípios da classificação de imagens e comparar os resultados produzidos por diferentes métodos.
A classificação é uma ferramenta muito útil para recuperar informações para planeamento, controlo e actualizações cartográficas. Trata-se de uma forma comparativamente económica e simples para obter informações relativamente à cobertura territorial, ao uso do solo e às alterações territoriais, especialmente em áreas remotas ou inacessíveis.
Contudo, mesmo em locais bastante conhecidos do mundo, as imagens de satélite fazem parte das nossas vidas quotidianas. As imagens de satélite e os mapas de classificação também são utilizados na cartografia. Basta pensar na precisão com que são desenhados os limites de florestas nos mapas topográficos. Estes mapas são criados a partir de imagens de satélite e dos respectivos produtos de processamento de imagens.
Qualquer classificação digital, quer seja supervisionada ou não, é apenas uma base para ulterior adaptação. Não existe forma de produzir uma classificação precisa e útil sem a introdução manual. Até agora, o processamento de informações levado a cabo pelo cérebro humano permite a aplicação de procedimentos mais complexos do que um programa informático. Existem muitas relações complexas entre diferentes tipos de superfícies que não estão abrangidas por diferenças espectrais ou geométricas.
Um método de classificação relativamente simples consiste na Classificação não supervisionada. Todos os pixels numa imagem são agrupados num número específico de classes com base na similaridade dos respectivos valores de escala de cinzentos.
Abre as imagens
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif e
anapurna_landsat_2000_SE_band_4.tif
no LEOWorks.
Selecciona a opção Multivariate Analysis>Unsupervised Classification e selecciona as imagens
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif.
Introduz 7 para a opção 'Nr. of Classes' e 10 para a opção 'Nr. of Iterations'. O procedimento é executado para o número de iterações em questão, ou até que se verifique uma determinada condição. Guarda a nova imagem como Pokhara_432_2000_unsupervised em formato TIFF na pasta Annapurna.
O LEOWorks atribui cores aleatoriamente às classes. Portanto, o próximo passo consiste em alterar as cores para outras mais naturais. Clica duas vezes na barra LUT ao fundo da moldura da imagem. Selecciona uma cor no menu e altera a cor fazendo deslizar as barras deslizantes RGB. Para a vegetação, opta por verde, para o solo nu, opta por bege, e assim sucessivamente. Quando tiveres alterado todas as cores, guarda novamente a imagem.
Observa a imagem classificada e compara-a com a imagem de cores reais em infravermelhos próximos e com a imagem de cores falsas em infravermelhos.
Que elementos se encontram bem definidos?
Que elementos não estão bem apresentados?
Explica os motivos para a ocorrência destas imprecisões.
Experimenta outras classificações não supervisionadas utilizando diferentes bandas espectrais, por exemplo, bandas 1,4,7 ou 1,2,3,4,5,7. Compara os diferentes resultados de classificação.
Que elementos se alteram e que elementos permanecem inalterados?
| 
