Více

Proč hodnoty složených rastrových pixelů nepokrývají celý rozsah RGB a co to znamená pro reklasifikaci po převodu na int?

Proč hodnoty složených rastrových pixelů nepokrývají celý rozsah RGB a co to znamená pro reklasifikaci po převodu na int?


Mám asi 30 kompozitních rastrů ve formátu IMG, které potřebuji 1.) Zachovat datum vytvoření rastru a 2.) Zkombinovat všechny. Můj pracovní postup je:

Krok 1: rastrová kalkulačka, vynásobte plovoucí rastr číslem 10, aby se při převodu celých čísel neztratily desetinné hodnoty Krok 2: převeďte plovoucí rastr na celé číslo Krok 3: Vytvořte tabulky atributů pro rastry Krok 4: Přidejte pole Krok 5: Vypočítejte pole do přidejte datum, které bude převzato z názvu (datové časy jsou v názvech) Krok 6 vytvořte rastrovou mozaiku - ujistěte se, že je stále celé číslo.

Zdá se to dost snadné, ale nejsem nejlépe informovaný, pokud jde o rastry. Po kroku 2 (nebo kroku 1, pokud jej vynásobím celým číslem) získám rastr s tabulkou atributů, ale ztratil své barevné schéma RGB. Myslel jsem si, že možná bych mohl přiřadit RGB na základě hodnot pixelů jako krok 7, jakmile bude vše hotovo (nějak), ale hodnoty pixelů neodpovídají jednotlivým pásmům RGBN. Rozsah hodnot nové celočíselné datové sady je 3760-16180 (což znamená, že rozsah byl 376-1618 před Calculate Raster), což jsou stejné hodnoty jako pouze pro první pásmo (myslím, že červené) a rozsah složených hodnot. Proč je to? Proč složené pásmo používá také pouze tyto hodnoty, když jsou v ostatních pásmech hodnoty nižší a vyšší? Jak mohu klasifikovat pixely jako RGB, pokud pro ně neexistuje celý rozsah? Pokud máte k mému pracovnímu postupu alternativy nebo návrhy, dejte mi prosím vědět.


Jen bych přidal všechny rastry do mozaikové datové sady (vyžaduje alespoň licenci ArcGIS Standard), bez jakékoli konverze. Pokud chcete přidat informace o datu, můžete do tabulky atributů stop mozaiky přidat pole (není to ani nutné, pokud stačí název rastrového souboru: přidá se do tabulky atributů stop při načítání rastr do vaší mozaiky).

Hodnoty pixelů se tímto způsobem nemění, takže byste neměli ztratit svou symboliku RGB.

Poté můžete nastavit pravidla a definovat, které rastry se budou zobrazovat nahoře, vytvářet animace pomocí okna Time Slider atd. Podrobnosti najdete v tématu nápovědy Čas v mozaice datové sady.


Klasifikace využití půdy

Klasifikační schémata využití půdy obvykle řeší využití půdy i pokrytí půdy. Hlavní klasifikační systém pro využívání půdy vyvinutý americkým geologickým průzkumem (USGS) má několik úrovní klasifikace. Kategorie v těchto úrovních jsou uspořádány ve vnořené hierarchii. Nejobecnější nebo agregovaná klasifikace (úroveň I) zahrnuje široké kategorie využití půdy, jako je „zemědělství“ nebo „městská a zastavěná“ půda (tabulka 1). Tato úroveň klasifikace se běžně používá pro regionální a jiné rozsáhlé aplikace. V rámci každé třídy I je řada podrobnějších (úroveň II) tříd využití území a krajinného pokryvu. Například třída „městská a zastavěná“ zahrnuje podtřídy „obytné“, „komerční“ a „průmyslové“. V rámci každé z tříd II. Úrovně lze definovat a mapovat ještě podrobnější třídy (úrovně III a IV). Třídy v každé úrovni se vzájemně vylučují a jsou vyčerpávající. To znamená, že každé místo v mapované oblasti lze zařadit do jedné a pouze jedné třídy v každé úrovni. Tyto čtyři úrovně klasifikace společně tvoří hierarchický systém pro popis, monitorování a předpovídání využívání půdy a změn krajinného pokryvu. Tento standardizovaný víceúrovňový klasifikační systém umožňuje prostorově explicitní srovnání inventarizace území využívaných v průběhu času.

Stůl 1 . Příklad dvouúrovňového systému klasifikace využití území/krajinného pokryvu

Úroveň IÚroveň II
1. Městská nebo zastavěná11. Obytné
12. Obchod a služby
13. Průmyslový
14. Doprava, komunikace a veřejné služby
15. Průmyslové a obchodní komplexy
16. Smíšené městské a zastavěné pozemky
2. Zemědělství21. Půda a pastvina
22. Sady, háje, vinice, školky a okrasné zahradnické oblasti
23. Omezené operace krmení
3. Rangeland31. Bylinný pastvin
32. Pohoří keřů a kartáčů
33. Smíšený rozsah
4. Lesní půda41. Listnatá lesní půda
42. Stálezelená lesní půda
43. Smíšená lesní půda
5. Voda51. Potoky a kanály
52. Jezera
53. Nádrže
54. Zálivy a ústí řek
6. Mokřady61. Zalesněné mokřady
62. Nezalesněné mokřady
7. Neplodná71. Suché solné pláně
72. Pláže
73. Písčité oblasti jiné než pláže
74. Holý exponovaný kámen
75. Pásové doly, lomy a štěrkovny

Zdroj: After Anderson JR, Hardy EE, Roach JT a Witmer E (1976) Systém klasifikace využití území a krajinného pokryvu pro použití s ​​daty dálkových senzorů. Profesní dokument geologického průzkumu 964. Washington, DC: Tisková kancelář vlády USA.

Klasifikace a mapování krajinného pokryvu je nedílnou součástí porozumění biofyzikálním systémům Země a#x27s. Údaje o rozloze a distribuci přírodních stanovišť divoké zvěře jsou například užitečné při řízení a zmírňování dopadů rozvoje na chráněné a ohrožené druhy. Podobně informace o typu, rozloze a konfiguraci budov, silnic a dalších nepropustných krajinných pokryvů usnadňují modelování odtoku dešťové vody a hydrauliky a hydrologie povodí.

Různé povrchy krajinného pokryvu odrážejí sluneční světlo v odlišných vlnových délkách elektromagnetického spektra. Tyto spektrální „podpisy“, pokud jsou zaznamenány jako vzdáleně snímané obrazy, umožňují klasifikaci a mapování jednotlivých typů krajinných pokryvů. Zdroje dat pro klasifikaci a mapování krajinného pokryvu a využití území zahrnují letecké snímky, satelitní snímky a mapy různých sociálních a kulturních atributů (např. Hranice majetku, hustota osídlení).


Možnosti přístupu

Získejte plný přístup k deníku na 1 rok

Všechny ceny jsou ČISTÉ ceny.
DPH bude přidáno později v pokladně.
Výpočet daně bude dokončen při pokladně.

Získejte časově omezený nebo plný přístup k článkům na ReadCube.

Všechny ceny jsou ČISTÉ ceny.


Úvod do SAR

Radar se syntetickou aperturou (SAR) je aktivní zobrazování systém, přičemž senzor poskytuje vlastní zdroj energie pro osvětlení zemského povrchu. Vyzařuje mikrovlnné záření směrem k povrchu a přijímá odražený signál. Naproti tomu optické senzory-například Landsat, Sentinel-2 a WorldView-spoléhají na to, že povrch osvětlí slunce. Měří množství odraženého slunečního světla na senzoru. Optické senzory, které měří viditelné na krátkovlnné infračervené (SWIR) vlnové délky, mohou poskytovat užitečné obrázky pouze během dne. Oblačnost může zakrýt povrch pro optické senzory, což výrazně omezuje získávání smysluplných informací o povrchu. Senzory SAR mohou na druhé straně získávat měření kdykoli během dne a za jakýchkoli podmínek oblačnosti.

Zobrazování SAR je citlivé na účinky topografie, drsnosti povrchu a vlhkosti. Díky tomu je vhodný pro širokou škálu vědeckých aplikací. Interakce mezi mikrovlnným snímáním a zemským povrchem jsou složité. To v kombinaci s množstvím souvisejícího zpracování má tendenci některé uživatele odradit od práce s daty SAR  . Tento tutoriál poskytuje úvod do vzdáleného snímání SAR, abyste mohli začít zkoumat jeho plný potenciál.

Vesmírné a vzdušné radarové systémy přenášejí mikrovlnné impulsy směrem k zemskému povrchu do strany (šikmo). Anténa senzoru zaostřuje pravidelné impulsy do paprsku, který osvětluje povrch v pravém úhlu ke směru, kterým se senzor pohybuje. Směr paprsku antény se nazývá dosah nebo pozemní dosah. Směr dráhy letu se nazývá azimut.

Sentinel-1 přenáší energii na frekvenci 5,405 GHz, v mikrovlnné oblasti zvané pásmo C. V této oblasti mikrovlnná energie proniká pouze částečně povrchy, jako je vegetace a půdy, ve srovnání se senzory v pásmu L, které mohou za suchých podmínek proniknout skrz tyto materiály. (Vlhkost brání pronikání energie přes většinu půd.) Senzory X-band se používají především pro zkoumání vlastností povrchu, protože mikrovlnná energie proniká pouze do horní vrstvy materiálů.

Následující obrázek ukazuje různé mise SAR   a jejich mikrovlnné oblasti. Kliknutím na miniaturu zobrazíte větší verzi.

Anténa přijímá část mikrovlnné energie odražené od povrchových předmětů v paprskovém vzoru. Poměr výkonu mezi přenesenou a odraženou energií se nazývá zpětný rozptyl.

Zpětný rozptyl je bezrozměrný, obvykle se však uvádí v decibelech (dB). Zpětný rozptyl se skládá ze dvou proměnných: amplituda a fáze. Amplituda - také nazývaná velikost—Je měřítkem síly odraženého signálu na senzoru. Fáze představuje bod podél vlny odraženého signálu, když je přijat na snímač. Rozdíl ve fázi mezi vysílaným signálem a přijímaným signálem poskytuje informace o povrchu. Tento rozdíl se měří v radiánech nebo stupních.

Následující diagram ukazuje vztah mezi amplitudou a fází v mikrovlnném signálu:

Protože signál zpětně rozptýleného je kombinací dvou proměnných, musí být tento signál pro účely vytváření digitálního obrazu reprezentován jako komplexní číslo. V nezpracovaném radarovém obrazu tedy každý pixel představuje komplexní hodnotu, která obsahuje informace o amplitudě a fázi o mikrovlnném poli zpětně rozptýleném všemi rozptylovými objekty v radarovém paprsku. Amplituda/velikost je skutečná část komplexní hodnoty, zatímco fáze je imaginární část. Fáze je pro nás obtížnější vizualizovat, proto je představována jako imaginární část.

Data Sentinel-1 použitá v tomto kurzu byla získána v režimu interferometrického širokého řádku (IW). Toto je primární režim získávání po souši a je to nejčastěji používaný režim pro aplikace Sentinel-1. Viz téma Interferometrický široký řádek v Uživatelská příručka Sentinel-1 SAR pro detaily.

Podrobnější informace o fyzických procesech spojených s radarovým dálkovým průzkumem naleznete v referencích na konci tutoriálu.

V další části prozkoumáte některé z nástrojů dostupných v ENVI SARscape pro práci s daty Sentinel-1.


OBNOVA OBRAZU

Obnovení pravidelných výpadků linky

Obnovení pravidelného proužkování

Další metoda obnovy vykresluje histogram DN pro každý ze šesti detektorů. Odchylky průměrných a středních hodnot histogramů se používají k rozpoznání a stanovení korekcí rozdílů detektoru.

Filtrování náhodného šumu

  1. . Navrhněte jádro filtru, což je dvourozměrné pole pixelů s lichým počtem pixelů v dimenzi x a y. Požadavek na liché číslo znamená, že jádro má centrální pixel, který bude upraven operací filtru. Na obrázku 7.9A je jádro tři na tři znázorněno v rámečku.
  2. . Vypočítejte průměr devíti pixelů v jádře pro počáteční umístění, průměr je 43.
  3. . Pokud se centrální pixel odchyluje od průměrného DN jádra o více než prahovou hodnotu (v tomto případě 30), nahraďte centrální pixel průměrnou hodnotou. Na obrázku 7.9B byl původní centrální pixel s hodnotou 0 nahrazen 43.
  4. . Přesuňte jádro doprava o jeden sloupec pixelů a operaci opakujte. Nový průměr je 41. Nový centrální pixel (původní hodnota = 40) je v mezní hodnotě nového průměru a zůstává nezměněn. Na třetí pozici jádra je centrální pixel (DN = 90) nahrazen hodnotou 53.
  5. . Když pravý okraj jádra dosáhne pravého okraje pixelového pole, jádro se vrátí na levý okraj, klesne o jeden řádek pixelů dolů a operace pokračuje, dokud nebude celý obraz podroben filtru klouzavého průměru.

Tento koncept filtru se používá také v mnoha dalších aplikacích pro zpracování obrazu.

Korekce pro atmosférický rozptyl

Druhá restaurátorská technika také vyžaduje, aby měl obrázek husté stíny nebo jiné oblasti s nulovou odrazivostí na pásmu 7. Histogram pásma 7 na obrázku 7.10B ukazuje některé hodnoty 0. Histogramu pásma 4 chybí nulové hodnoty a vrchol je posunut směrem k vyšším DN kvůli aditivnímu účinku zákalu. Pásmo 4 také ukazuje charakteristické prudké zvýšení počtu pixelů na dolním konci stupnice DN (levá strana histogramu). Nedostatek DN pod touto prahovou hodnotou je přičítán osvětlení ze světla rozptýleného do senzoru atmosférou. Pro pásmo 4 se tato prahová hodnota obvykle vyskytuje při DN 11, tato hodnota se odečte od všech pixelů pásma 4, aby se opravil zákal. Pro pásmo 5 je korekce obecně DN 7 a pro pásmo 6 DN DN 3. S touto korekční technikou může být problém, pokud scéna Landsat postrádá husté stíny a pokud nejsou žádné pixely pásma 7 s DN 0.

Oprava geometrických zkreslení

Nesystematické zkreslení Nesystémová zkreslení (obrázek 7.11A) nejsou konstantní, protože jsou důsledkem změn v postoji, rychlosti a nadmořské výšce kosmické lodi, a proto nejsou předvídatelná. Tato zkreslení musí být vyhodnocena ze sledovacích dat Landsat nebo z informací o pozemní kontrole. Změny rychlosti kosmických lodí způsobují zkreslení pouze ve směru podél dráhy a jsou známými funkcemi rychlosti, které lze získat ze sledovacích dat.

Velikost rotace Země během 28 sekund potřebná ke skenování obrazu má za následek zkreslení ve směru skenování, které je funkcí zeměpisné šířky a oběžné dráhy kosmické lodi. V procesu korekce jsou po sobě jdoucí skupiny skenovacích řádků (6 pro MSS, 16 pro TM) posunuty směrem na západ, aby kompenzovaly rotaci Země, což má za následek obrys rovnoběžníku obrazu.

Změny v postoji (náklon, rozteč a zatáčení) a nadmořské výšce kosmické lodi způsobují nesystémová zkreslení, která musí být u každého obrazu určena, aby mohla být opravena. Proces korekce využívá na obrázku geografické rysy, nazývané body pozemního řízení (GCP), jejichž pozice jsou známy. Typickým GCP jsou křižovatky hlavních toků, dálnic a letištních drah. Rozdíly mezi skutečnými umístěními GCP a jejich pozicemi v obrazu se používají ke stanovení geometrických transformací potřebných k obnovení obrazu. Původní pixely jsou převzorkovány tak, aby odpovídaly správným geometrickým souřadnicím. Různé metody převzorkování jsou popsány Rifmanem (1973), Goetzem a dalšími (1975) a Bernsteinem a Ferneyhoughem (1975).

Systematické zkreslení Geometrická zkreslení, jejichž účinky jsou konstantní a lze je předpovědět předem, se nazývají systematická zkreslení. Zkosení skenu, zkreslení napříč stopami a variace rychlosti zrcadlového zrcadla patří do této kategorie (obrázek 7.11B). Zkreslení napříč stopami je výsledkem vzorkování dat podél skenovací linky MSS v pravidelných časových intervalech, které odpovídají prostorovým intervalům 57 m. Délka pozemního intervalu je ve skutečnosti úměrná tangensu úhlu skenování, a proto je větší na každém okraji skenovací čáry. Výsledná okrajová komprese snímků Landsat je identická s tou, která je popsána pro termální IR snímky skeneru ve vzduchu (kapitola 5), ​​zkreslení je však u snímků Landsat minimální, protože úhel skenování je pouze 5,8 ° na obou stranách vertikály na rozdíl od 45 ° až 60 ° úhly palubních skenerů s křížovou dráhou.

Testy před spuštěním Landsatu určily, že rychlost zrcadla MSS nebude od začátku do konce každé skenovací linky konstantní, což má za následek menší systematické zkreslení podél každé skenovací linky. Pro korekci tohoto efektu lze použít známé změny rychlosti zrcadlení. Podobné opravy jsou použity pro TM obrázky.

Zkosení skenu je způsobeno dopředným pohybem kosmické lodi během doby potřebné pro každý pohyb zrcadla. Naskenovaný pozemní řádek není normální vůči pozemní stopě, ale je mírně zkosený, což způsobuje zkreslení přes skenovací čáru. K obnovení tohoto geometrického zkreslení se používá známá rychlost satelitu.


Výpočet odstínu

Než provedeme výpočet, definujme, co je odstín.

Odstín je zhruba úhel vektoru k bodu v projekci, přičemž červená je 0 °.

. odstín je, jak daleko kolem okraje tohoto šestiúhelníku leží bod.

Toto je výpočet z wiki stránky HSL a HSV. V tomto vysvětlení to použijeme.

Prohlédněte si šestiúhelník a polohu 51 153 204 na něm.

Nejprve upravíme hodnoty R, G, B tak, aby vyplnily interval [0,1].

Dále najděte maximální a minimální hodnoty R, G, B.

Poté vypočítejte C (chroma). Chroma je definována jako:

. chroma je zhruba vzdálenost bodu od počátku.

Chroma je relativní velikost šestiúhelníku procházejícího bodem.

Nyní máme hodnoty R, G, B a C. Pokud zkontrolujeme podmínky, pokud M = B vrátí hodnotu true pro 51 153 204. Budeme tedy používat H '= (R - G) / C + 4.

Zkontrolujme znovu šestiúhelník. (R - G) / C nám udává délku segmentu BP.

Tento segment umístíme na vnitřní šestiúhelník. Počáteční bod šestiúhelníku je R (červený) při 0 °. Pokud je délka segmentu kladná, měla by být na RY, pokud je záporná, měla by být na RM. V tomto případě je záporná -0,6666666666666666666 a je na okraji RM.

Dále musíme posunout polohu segmentu, nebo spíše P₁, aby varovala B (protože M = B). Modrá má 240 °. Šestihran má 6 stran. Každá strana odpovídá 60 °. 240/60 = 4. Potřebujeme posunout (přírůstek) P₁ o 4 (což je 240 °). Po směně bude P₁ na P a dostaneme délku RYGCP.

Obvod šestiúhelníku je 6, což odpovídá 360 °. Vzdálenost 53,151,204 na 0 ° je 3,3333333333333335. Pokud vynásobíme 3,333333333333333535 číslem 60, získáme jeho polohu ve stupních.

V případě, že pokud M = R, protože umístíme jeden konec segmentu na R (0 °), nemusíme segment posunout na R, pokud je délka segmentu kladná. Pozice P₁ bude kladná. Pokud je ale délka segmentu záporná, musíme ji posunout o 6, protože záporná hodnota znamená, že úhlová poloha je větší než 180 ° a musíme provést úplné otočení.

Takže ani holandské wiki řešení hue = (g - b) / c, ani Eng wiki řešení hue = ((g - b) / c) % 6 nebude fungovat pro délku záporného segmentu. Pouze záporná odpověď SO = (g - b) / c + (g & lt b? 6: 0) funguje pro záporné i kladné hodnoty.


Souřadnicový referenční systém a informace o projekci zesilovače

Prostorový referenční systém (SRS) nebo souřadnicový referenční systém (CRS) je místní, regionální nebo globální systém založený na souřadnicích používaný k lokalizaci geografických entit. - Wikipedie

Země je kulatá. V žádném případě se nejedná o nový koncept, ale musíme si to pamatovat, když mluvíme o souřadnicových referenčních systémech spojených s prostorovými daty. Když vytváříme mapy na papíře nebo na obrazovce počítače, přecházíme z trojrozměrného prostoru (zeměkoule) do 2 rozměrů (obrazovky počítače nebo kus papíru). Abychom to zkrátili, projekce datové sady se týká toho, jak jsou data „zploštělá“ v geografickém prostoru, aby naše lidské oči a mozky mohly porozumět informacím ve 2 dimenzích.

Projekce se týká matematických výpočtů provedených za účelem „sloučení dat“ do 2D prostoru. Souřadnicový systém odkazuje na souřadnicový prostor x a y, který je přidružen k projekci použité k sloučení dat. Pokud máte stejnou datovou sadu uloženou ve dvou různých projekcích, tyto dva soubory se při vykreslení neshodují správně.

Mapy Spojených států v různých projekcích. Všimněte si rozdílů ve tvaru spojených s každou jinou projekcí. Tyto rozdíly jsou přímým důsledkem výpočtů použitých k „sloučení“ dat do 2rozměrné mapy. Zdroj: M. Corey, opennews.org

Jak mapové projekce mohou oklamat oko

Podívejte se na toto krátké video od Buzzfeed, které zdůrazňuje, jak mohou projekce mapy způsobit, že jsou kontinenty úměrně větší nebo menší, než ve skutečnosti jsou!


Závěry

Tato studie odhalila potenciál leteckých fotografií dronů DJI-Phantom-2 pro mapování mangrovových porostů a také jeho schopnost vůči satelitním datům Plejády-1B z pozorování v Setiu Wetland, Malajsie. Získávání dat z dronů v zatažených dnech je pro mangrovové výzkumníky výjimečně výhodné. Přestože počáteční náklady na data dronu byly shledány vysokými (což také závisí na typu použitého dronu a senzorů), stávají se cenově výhodnými při monitorování oblastí o velikosti přibližně 50 km 2 nebo při dlouhodobém používání monitorování relativně malých oblastí několika kilometrů čtverečních. Vyšší prostorové rozlišení dat dronu společně s DEM poskytovalo vysoce přesné klasifikované mapy ve srovnání se snímky Plejád. Mezi testovanými klasifikačními algoritmy byla jasná účinnost MAN pro objektovou klasifikaci a MLI pro pixelové klasifikační přístupy. Překrývající se spektrální podpisy, zejména pro druhy jako R.. apiculata, A. alba a C. equisetifolia s podobnými výškami stromů, byly zodpovědné za pozorované chyby klasifikace. Celkově mangrovové mapování založené na leteckých fotografiích dronů poskytlo nebývalé výsledky-zejména pokud jde o klasifikaci a přesnost obrazu (na základě objektů a pixelů), což ukazuje, že technologie dronu by mohla být použita jako alternativa k satelitnímu monitorování/správě mangrovové ekosystémy. Zatímco kvalita obrazu dronu (spektrální a radiometrické rozlišení) závisí na typech použitých senzorů, omezení jeho účinnosti dat (oblast pokrytí, doba získávání/zpracování dat a náklady na uživatele) závisí na modelu použitého dronu. Jistě, vývoj technologie dronů směrem k delší výdrži baterie (umožňující větší pokrytí oblasti), voděodolné povaze (umožňující provoz v deštivých dnech), senzorům přiblížení (umožňujícím sledování pod baldachýnem), zjednodušené velikosti dat (zkrácení doby zpracování), hyperspektrálnímu senzorové a aktivní systémy dálkového průzkumu Země (např. Lidar) je v budoucnu ještě více využijí, zejména pro diskriminaci na úrovni druhů v prostředí s relativně nízkou diverzitou, jako jsou mangrovové lesy.


Abstraktní

Navzdory zvýšené dostupnosti dat ze satelitního obrazu s vysokým rozlišením je jejich operační využití pro mapování městského pokrytí v subsaharské Africe nadále omezeno nedostatkem výpočetních zdrojů a technických znalostí. Proto existuje potřeba jednoduchých a efektivních technik klasifikace obrázků. Pomocí Bamendy v severozápadním Kamerunu jako testovacího případu jsme zkoumali dva zcela nekontrolované pixelové přístupy k extrakci porostu strom/keř (TS) a přízemní vegetace (GV) z indexu vegetace upraveného z půdy odvozeného od IKONOS. Patří sem: (1) jednoduchá klasifikace Jenks Natural Breaks a (2) dvoustupňová technika, která kombinuje Jenksův algoritmus s aglomeračním hierarchickým shlukováním. Obě techniky byly porovnány navzájem a s nelineárním podpůrným vektorovým strojem (SVM) pro klasifikační výkon. Přestože celková přesnost klasifikace byla obecně u všech technik vysoká (> 90%), testy jednosměrné analýzy odchylek odhalily dvoustupňovou techniku, která překonala jednoduchou Jenksovu klasifikaci, pokud jde o předpovídání třídy GV. V předpovědi třídy TS také překonal SVM. Došli jsme k závěru, že metody bez dozoru jsou technicky stejně dobré a prakticky lepší pro efektivní mapování městské vegetace v rozpočtu a technicky omezených oblastech, jako je subsaharská Afrika.


Abstraktní

Mokřady patří mezi nejdynamičtější, nejrozmanitější a nejrozmanitější stanoviště Země, protože rovnováha mezi pevninou a vodními plochami poskytuje úkryt jedinečné směsi rostlinných a živočišných druhů. Tato studie zkoumá změny ve dvou středomořských mokřadních deltách vytvořených řekami Axios a Aliakmonas v Řecku za období 25 let (1984–2009). Byla provedena přímá fotointerpretace čtyř snímků Landsat TM získaných během studijního období. Kromě toho byla vyvinuta propracovaná, poloautomatická metoda klasifikace obrázků založená na podpůrných vektorových strojích (SVM), která zefektivňuje proces mapování. Velikosti depozice a eroze v různých časových měřítcích během období studie byly kvantifikovány pomocí obou přístupů založených na změnách povrchové plochy pobřežní linie. Analýza pomocí obou metod byla provedena v prostředí geografických informačních systémů (GIS).

Přímá fotointerpretace, která tvořila náš referenční soubor dat, ukázala znatelné změny v pobřežních deltách obou studovaných oblastí, přičemž k erozi docházelo většinou v dřívějších obdobích (1990–2003) v obou říčních deltách, po níž následovala depozice v novějších letech (2003– 2009), ale v různých velikostech. Prostorové vzorce změn pobřežních linií předpovídané ze SVM vykazovaly podobné trendy. V absolutních hodnotách byly předpovědi SVM na erozi a depozici sedimentů ve studované oblasti v porovnání s fotointerpretací řádově 5–20%, což dokazuje potenciální schopnost této metody při monitorování změn pobřežních oblastí. Jeden z hlavních příspěvků naší práce spočívá v použití klasifikátoru SVM při pobřežním mapování změn, protože podle našich znalostí bylo použití této techniky v této aplikační doméně nedostatečně prozkoumáno. Tato studie dále významně přispívá k pochopení dynamiky delty řek Středozemního moře a jejich chování a potvrzuje užitečnost technologie EO a GIS jako účinného nástroje při rozhodování o politice a úspěšném řízení krajiny. Ten má značnou vědeckou a praktickou hodnotu pro širší komunitu zainteresovaných uživatelů, vzhledem k tomu, že je celosvětově stále otevřený přístup k pozorováním z tohoto satelitního radiometru.


Podívejte se na video: 24 - POČÍTAČOVÁ GRAFIKA