ESA - Eduspace DE - Globale Veränderungen - Übungen mit LEOWorks - Bardiaregion im Überblick

Küstenveränderung

Entwaldung

Bardia-Nationalpark Kongobecken Kameng-Sonitpur Kilimanjaro Rondonia Shillong und Guwahati

Eis

Antarctica 2003 Gletscher und Klimawandel Rückzug der Gletscher in den Alpen Gletscherbewegung Gletscherüber
wachung im Himalaya Fernerkundung von Eis und Schnee Untersuchung von Gletschern mit Radaraufnahmen

Urbanisierung

Cordoba Kairo Kathmandu Himalaya Kathmandu-Tal Lagos

Vegetation

Annapurna-Naturschutzgebiet Verschollen in den Anden Ngorongoro-Naturschutzgebiet Nigerbinnendelta Vegetation in Südamerika

Übungen mit LEOWorks - Bardiaregion im Überblick - Teil 5

Multispektralbild-Klassifizierung

Diese Übung soll die unterschiedlichen Methoden der Multispektralbild-Klassifizierung vorstellen und weitere Informationen über die Bardiaregion liefern.

Die digitale Bildklassifizierung ist eine recht komplexe Aufgabe, für die gute Kenntnisse des untersuchten Gebiets erforderlich sind, um genaue Informationen gewinnen zu können. Die Multispektralbild-Klassifizierung eignet sich gut zum Erstellen thematischer Karten, aber auch zum Hervorheben von Veränderungen im Verlauf der Zeit wie etwa einem Wandel der Landbedeckung.

Wir wenden die unüberwachte und die überwachte Klassifizierung an.

Unüberwachte Klassifizierung

Die unüberwachte Klassifizierung ist ein relativ grobes Verfahren. Dabei werden alle Pixel in einem Bild aufgrund der Ähnlichkeit ihrer Graustufenwerte in eine festgelegte Anzahl von Klassen gruppiert.

Falls du Probleme bei der Bedienung von LEOWorks haben solltest, schlage in den entsprechenden Kapiteln des Tutorials nach. Außerdem steht dir stets die Hilfeschaltfläche zur Verfügung!

Öffne das Programm LEOWorks. Öffne die folgenden Bilder:

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

Klicke auf Multivariate Analysis>Unsupervised Classification und wähle alle Bilder aus. Gib 10 als Anzahl der Klassen („Nr. of Classes“) und 5 als Anzahl der Iterationen („Nr. of Iterations“) an. Je mehr Iterationen (d. h. Wiederholungen bzw. Lösungsschritte) du wählst, desto präziser lassen sich Klassen bilden. Allerdings steigt mit der Anzahl der Iterationen auch die Rechenzeit. Bei fünf Iterationen kann der Vorgang einige Minuten beanspruchen. Wenn das Ergebnis angezeigt wird, wende „Multivariate Anaysis>Post classification filer >5x5“ an. Dadurch wird das Ergebnis „bereinigt“. Speichere das neue Bild als Bardia_2002_unsupervised (TIF) im Ordner „Bardia“.

Füge dem klassifizierten Bild eine Legende hinzu.
Klicke auf Image>Add Legend und wähle die erste Klasse aus. Gib in das Fenster „Current Item” eine gewünschte Landnutzungsart für den Vergleich mit Bardia_Landsat_2002_Band_453.tif ein. Vergleiche das klassifizierte Bild mit dem Falschfarbenbild Bardia_Landsat_2002_Band_453.tif und dem Ergebnis deiner Einteilung in die fünf vorgeschlagenen Klassen (Wald, Grasland, Agrarland, Flüsse und Flussbetten) aus der Übung zu den Multispektralbildkombinationen. Versuche auf dieser Grundlage alle Klassen sinnvoll zu benennen. Es sind zehn ursprüngliche Klassen zu unterscheiden. Wenn unterschiedliche Farben dieselbe Landbedeckungsklasse berücksichtigen, kannst du die Klassen zusammenführen, indem du zwei oder mehr (der zehn) Klassen dieselbe Farbe zuordnest.

1. Weshalb hatten Felder, Grasland und die Vegetation im Auengebiet ursprünglich die gleiche Farbe (Klasse)? Kannst du das erklären?

Speichere die Klassifikation (das Ergebnis der Klassifizierung) als „Bardia_Landsat_2002_unsup.tif“ im Ordner „Bardia“.

Zurück