Kathmanduvallei met optische beelden – Algemeen overzicht - Vervolg
|  | Ongecontroleerde classificatie van Kathmandu | |
Digitale classificatie
Een relatief eenvoudige manier van classificeren is 'Ongecontroleerde classificatie'. Alle pixels in een afbeelding worden gegroepeerd in een bepaald aantal klassen op basis van de gelijkheid van hun zwart-witwaarden.
Om onze met de hand getekende classificatie te vergelijken met de ongecontroleerde classificatie moeten we hetzelfde aantal klassen gebruiken.
Open het programma LEOWorks.
Kies Bestand>Open. Er verschijnt een dialoogvenster.
Kies de map Kathmandu en selecteer de afbeeldingen:
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_7.tif.
Kies Multivariabele analyse>Ongecontroleerde classificatie en selecteer alle afbeeldingen. Vul 5 in bij Aantal klassen en 10 bij Aantal iteraties. Een iteratie is de herhaling van een reeks computerinstructies. Dit gebeurt een aangegeven aantal keer of tot aan een voorwaarde is voldaan. Sla de nieuwe afbeelding op in de map Kathmandu als Kathmandu_2001_unsupervised, in tiff-formaat.
Vergelijk de ongecontroleerde classificatie met je handgetekende classificatie. Welke beeldkenmerken zijn heel gemakkelijk te identificeren? Waarom is het bebouwde gebied van Kathmandu niet goed te onderscheiden van het omringende gras en akkerland?
Om deze vraag te beantwoorden kijk je naar de twee foto’s van wegen en gebouwen in de stad Patanin in de Kathmanduvallei.
We gaan proberen de ongecontroleerde classificatie van Kathmandu te verbeteren om het bebouwde gebied te differentiëren.
Open de afbeelding in LEOWorks.
Zoals je kunt zien wordt de omgeving van Kathmandu warmer dan de stad zelf, zodat de omgeving lichter grijs is. Dat is ongewoon, omdat we gewend zijn dat bebouwde gebieden warmer zijn dan de omgeving. Dat komt bijvoorbeeld door het verkeer, lichtbronnen en industrie. De stad Kathmandu is minder duidelijk vanwege de warmtebronnen. Ook is de afbeelding in de winter genomen, om ongeveer tien uur ’s ochtends lokale tijd. Kijk naar de afbeelding links en leg uit wat er op het gebied van verwarming met de oppervlakken gebeurt. Teken de zonnestralen, markeer de schaduwen en de gebieden met oppervlakken die snel en langzaam opwarmen en leg uit hoe Kathmandu en de omgeving ervan opwarmen.
Een andere afbeelding om te gebruiken zou een NDVI zijn. Maar omdat we de gegevens uit 2001 gebruiken voor classificatie is het niet nodig om een NDVI uit de winter te produceren, aangezien er geen vegetatie is. Volg de stappen en maak een nieuwe afbeelding.
Open het programma LEOWorks en de afbeeldingen
Kathmandu_Landsat_2001_Band_1.tif
Kathmandu_Landsat_2001_Band_4.tif, en
Kathmandu_Landsat_2001_Band_61.tif
Natuurlijk is er een reden waarom we Landsat-band 1 en band 4 kiezen voor de ongecontroleerde classificatie. Dat wordt uitgelegd in het thema 'Kathmandu nu en toen - Staddetectie met optische beelden'.
Kies Multivariabele analyse>Ongecontroleerde classificatie en selecteer alle afbeeldingen. Vul 5 in bij Aantal klassen en 10 bij Aantal iteraties. Een iteratie is de herhaling van een reeks computerinstructies. Dit gebeurt een aangegeven aantal keer of tot aan een voorwaarde is voldaan. Sla de nieuwe afbeelding op in de map Kathmandu als Kathmandu_2001_unsupervised, in tiff-formaat.
| | | Ongecontroleerde classificatie van Kathmandu door een thermische afbeelding |
In de meeste gevallen komen de kleuren niet overeen met de natuurlijke eigenschappen van de klassen. Normaal gesproken gebruiken we donkergroen voor bossen, rood voor dicht bebouwde gebieden en blauw voor water. Om de klassen beter te begrijpen veranderen we onze kleuren zodat ze er bekender uit zien.
Kies Afbeelding>Legenda toevoegen en controleer de combinatie van kleuren en namen van klassen.
Kies Bewerken>Opzoeken>Tabel en selecteer de kleur voor de klasse Bos (schaduw).
Verander de kleur naar donkergroen. Verander alle andere kleuren op dezelfde manier.
Je kunt bossen, struiken, gras en akkerland redelijk duidelijk zien. Denk eraan: dit is alleen maar een ongecontroleerde classificatie zonder extra handmatige invoer.
Kun je verklaren waarom het bos in de berggebieden is verdeeld in twee kleuren/klassen? Om dit te beantwoorden bestudeer je de thermische afbeelding uit 2001.
Welk geografisch kenmerk heeft dezelfde kleur als het bergbos in de schaduw? Leg uit waarom.
Welke extra klassen zijn nu duidelijk te onderscheiden als je de twee ongecontroleerde classificaties met elkaar vergelijkt?
Het doel van dit deel van het thema is het produceren van een eenvoudige, maar correcte classificatie. We hebben een classificatie met de hand gemaakt en hebben geprobeerd een digitale classificatie te maken. Maar als we geen moeite doen om de satellietbeelden te analyseren is het resultaat niet zo goed als het zou kunnen zijn. Laten we dus wat beter ons best doen op de digitale classificatie en proberen een gecontroleerde classificatie van Kathmandu te maken. Denk eraan: we willen onze met de hand getekende kaart op een digitale classificatie leggen. En natuurlijk willen we dat de afbeeldingen redelijk op elkaar lijken.
De ‘classificatie van maximale waarschijnlijkheid’ is een gecontroleerde classificatiemethode. Hij is gebaseerd op verfijnde statistische methoden. Hij maakt gebruik van trainingsvelden die de verschillende klassen van landgebruik voorstellen. Elke klasse van landgebruik heeft zijn eigen specifieke spectrale vingerafdruk. Voor elke soort landbedekking moet minstens één trainingsveld worden gedefinieerd om geclassificeerd te kunnen worden. LEOWorks evalueert al die trainingsvelden en wijst elk beeldelement (elke pixel) toe aan een van de gegeven klassen van landgebruik.
Ondertussen ben je een expert als het gaat over Kathmandu, dus het is geen probleem om trainingsvelden te selecteren. Hoe meer trainingsvelden je voor een klasse kunt selecteren en hoe nauwkeuriger je dat doet, hoe nauwkeuriger het resultaat wordt.
We gaan het hele spectrum van Landsatbanden gebruiken. Om dat te doen open je de afbeeldingen
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_61.tif,
Kathmandu_Landsat_2001_Band_7.tif
and to select the training fields
Kathmandu_Landsat_2001_Band_453.tif.
Selecteer (activeer) de afbeelding Kathmandu_Landsat_2001_Band_453.tif en kies Multivariabele analyse>Gecontroleerde classificatie>Selecteer trainingsvelden.
Selecteer Teken veelhoek in de taakbalk.
Begin met het bos. Teken een veelhoek in het noordwestelijke bos en noem de klasse ‘bossen en struiken’. Teken nog een veelhoek in het zuidwestelijke bos en noem de klasse weer ‘bossen en struiken’. Teken nog wat veelhoeken in bebost land en benoem de klasse. Doe hetzelfde bij alle andere klassen.
Klassen van hoog niveau
- Rivieren
- Dicht bebouwde gebieden
- Minder dicht bebouwde gebieden
- Landingsbanen van vliegvelden
- Bossen en struiken
- Gras en akkerland
Kies Multivariabele analyse>Gecontroleerde classificatie>Maximale waarschijnlijkheid en selecteer alle afbeeldingen (behalve Kathmandu_Landsat_2001_Band_453.tif).
Stel de drempelwaarde op ‘5%’ in.
Je moet de kleuren van de classificatie veranderen.
Kies Afbeelding>Legenda toevoegen en controleer de combinatie van kleuren en namen van klassen.
Kies Bewerken> Opzoeken>Tabel en selecteer de kleur voor de klasse Bos. Verander de kleur naar donkergroen. Verander ook alle andere kleuren.
Sla de classificatie op in je map Kathmandu als ‘Kathmandu_2001_maximlike.tif’.
Waarom zijn er wat ongeclassificeerde (witte) gebieden in de gecontroleerde classificatie van Kathmandu?
Welke geografische situaties zijn niet geclassificeerd?
In hoeveel klassen zou je het witte gebied verdelen?
Welke kleuren zou je aan die klassen geven?
Wat is er met de klasse ‘Rivier’ gebeurd? Waarom is die klasse nog steeds niet geclassificeerd?
| 
