Opgave 4 - Pokhara Region - Forrige
|  | Pokhara is the capital of the Nepalese district of Kaski | |
Uovervåget klassifikation
Formålet med følgende øvelser er at lære mere om Pokhararegionen ved hjælp af billedklassifikation. Måske tror du, at det bare er et spørgsmål om at trykke på en knap, men det er slet ikke tilfældet. Det kræver forskning, viden og omhyggelighed.
I løbet af de næste øvelser vil vi anvende forskellige klassifikationsmetoder. Målet er at forstå principperne ved billedklassifikation og at sammenligne de frembragte resultater med andre metoder.
Klassifikation er et meget nyttigt værktøj til at indhente oplysninger til brug for planlægning, kontrol og kartografiske opdateringer. Det er en forholdsvis billig og nem måde at skaffe informationer om bevoksning, arealanvendelse og ændringer af denne især i fjerne og utilgængelige områder.
Men selv på velkendte steder på kloden er satellitbilleder en del af hverdagen. Satellitbilleder og klassifikationskort bruges i kartografien. Tænk på, hvor nøjagtigt skellene mellem skov og land er indtegnet på topografiske kort. Disse skel hentes fra satellitbilleder og deres afledede produkter.
Enhver digital klassifikation, hvad enten den er overvåget eller uovervåget, er kun en basis for yderligere tilpasning. Det er umuligt at fremstille en nøjagtig og brugbar klassifikation uden manuelt input. Indtil videre muliggør den informationsbehandling, som sker i den menneskelige hjerne, anvendelsen af mere komplekse procedurer end et computerprogram. Der er så mange komplekse forbindelser mellem forskellige former for overflader, som ikke dækkes af spektrale eller geometriske forskelle.
En temmelig enkel klassifikation er den uovervågede klassifikation. Alle pixel i et billede grupperes i et specifikt antal klasser baseret på ligheden i deres gråskalaværdier.
Åbn billederne i LEOWorks:
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif
Vælg Multivariate Analysis>Unsupervised Classification, og vælg billederne:
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif
Skriv 7 for Nr. of Classes og 10 for Nr. of Iterations. Proceduren udføres for et givet antal iterationer, eller indtil en betingelse er opnået. Gem det nye billede som Pokhara_432_2000_unsupervised i TIFF-format i mappen Annapurna.
LEOWorks foretager en tilfældig tildeling af farver til klasserne. Det næste trin er derfor at ændre farverne til nogle, der er tættere på naturen. Dobbeltklik på LUT-panelet i bunden af billedet. Vælg en farve i menuen, og ændr farven ved at skyde med RGB-panelerne. For vegetation vælger du en grøn, for bar jord en beige farve og så videre. Når alle farverne er blevet ændret, skal du gemme billedet igen.
Se på det klassificerede billede, og sammenlign det med billedet med naturlige farver og det infrarøde billede med falske farver.
Hvilke træk er veldefinerede?
Hvilke vises meget svagt?
Forklar årsagerne til disse unøjagtigheder.
Prøv andre uovervågede klassifikationer ved hjælp af andre spektrale bånd, f.eks. båndene 1, 4, 7 eller 1, 2, 3, 4, 5, 7. Sammenlign de forskellige klassifikationsresultater.
Hvilke træk ændrer sig, og hvilke forbliver de samme?
| 
