Übung 4 - Pokhara Region - Fortsetzung
|  | Pokhara | |
Unüberwachte Klassifizierung
Das Ziel der folgenden Übungen ist es, mithilfe der Bildklassifizierung mehr über das Gebiet um Pokhara zu erfahren. Man könnte meinen, das lässt sich per Knopfdruck erledigen. Dem ist aber nicht so. Recherche, Wissen und Genauigkeit sind für diesen Vorgang gefragt.
In den nachfolgenden Übungen wenden wir unterschiedliche Klassifizierungsmethoden an. Unser Ziel ist es, die Prinzipien der Bildklassifizierung zu verdeutlichen und die Ergebnisse der unterschiedlichen Verfahren zu vergleichen.
Die Klassifizierung ist ein sehr nützliches Hilfsmittel zum Sammeln von Informationen für Planungs- und Kontrollzwecke oder für die Aktualisierung von Kartenmaterial. Sie bietet eine vergleichsweise kostengünstige und einfache Methode, um Informationen über Landbedeckung, Landnutzung und entsprechende Veränderungen zu erhalten, insbesondere in abgelegenen oder unzugänglichen Gegenden.
Doch selbst in gut bekannten Teilen der Welt gehören Satellitenbilder heute zum Alltag. Satellitenbilder und Klassifikationskarten finden auch in der Kartographie Anwendung. Deutlich wird dies an den genauen Waldgrenzen in topographischen Karten. Sie werden aus Satellitenbildern und deren Bildverarbeitungsprodukten entnommen.
Jede digitale Klassifizierung, ob automatisch („unüberwacht“) oder halbautomatisch („überwacht“, interaktiv), stellt nur eine Ausgangsbasis für die weitere Anpassung dar. Ohne manuelle Arbeit ist eine genaue und nützliche Klassifizierung nicht möglich. Bislang ist die Informationsverarbeitung, die das menschliche Hirn leistet, zu viel komplexeren Verfahren fähig als Computerprogramme. Es bestehen zahlreiche vielschichtige Zusammenhänge zwischen unterschiedlichen Oberflächenarten, die nicht durch spektrale oder geometrische Unterschiede definierbar sind.
Ein relativ einfaches Verfahren ist die unüberwachte (automatische) Klassifizierung. Alle Pixel in einem Bild werden aufgrund der Ähnlichkeit ihrer Graustufenwerte in eine festgelegte Anzahl von Klassen gruppiert.
Öffne die Bilder
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif
Klicke auf Multivariate Analysis>Unsupervised Classification und wähle die Bilder
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif
Gib 7 als Anzahl der Klassen (Nr. of Classes) und 10 als Anzahl der Iterationen (Nr. of Iterations) an. Der Vorgang wird so häufig, wie mit der Anzahl der Iterationen festgelegt, wiederholt oder bis zum Eintreten einer bestimmten Bedingung durchgeführt. Speichere das neue Bild im Format TIFF als Pokhara_432_2000_unsupervised im Ordner „Annapurna“.
LEOWorks nach dem Zufallsverfahren Farben zugewiesen. Der nächste Schritt besteht deshalb darin, die Farben näher an das Erscheinungsbild in der Natur anzupassen. Doppelklicke auf die LUT-Leiste am unteren Bildrand. Wähle eine Farbe im Kontextmenü aus und ändere sie, indem du die RGB-Schieberegler verstellst. Wähle für die Vegetation ein Grün, für nackten Boden einen Beigeton usw. Wenn alle Farben angepasst sind, speichere das Bild erneut mit Save.
Betrachte das klassifizierte Bild und vergleiche es mit dem Nahinfrarot-Echt- und dem Infrarot-Falschfarbenbild.
Welche Strukturen sind deutlich erkennbar?
Welche eher schlecht?
Erkläre die Gründe für diese Ungenauigkeiten.
Probiere weitere unüberwachte Klassifizierungen mit anderen Spektralbändern aus, z. B. Bänder 1,4,7 oder 1,2,3,4,5,7. Vergleiche die Ergebnisse der verschiedenen Klassifizierungen.
Welche Strukturen verändern sich, welche bleiben unverändert?
| 
