Cvičení 3 – komplexní zpracování a klasifikace dat Oblast – Cairo Popis dat Landsat Landsat 7 ETM je 6. satelit, který NASA vypustila pro observaci Země (start Landsatu 6 byl v roce 1993 neúspěšný). Hlavním úkolem snímkování Landsat je monitorování životního prostředí, přírodních katastrof, detekce využití krajiny a regionální plánování, kartografie, vyhledávání nerostných surovin. Landsat 7 pokrývá 8 spektrálních pásem od viditelného světla (kanál 1, 2, 3) k blízkému a střednímu IR (4, 5, 7) a termální záření (kanál 6). Pozemní rozlišení je 15m pro panchromatické snímky (8) a 30m pro kanály 1 až 5 a 7. Kanál 6 (termální záření) je snímáno v rozlišení 80m. Popis snímků Káhiry Pro práci ve cvičení je nutné mít stažená data – data stáhneme a rozbalíme do pracovního adresáře a spustíme program LeoWorks V rámci tohoto cvičení budeme pracovat se snímky z Landsat 7 ETM z roku 2000.
Otevřeme první snímek – File -> Open a z pracovního adresáře vybereme snímek Cairo_Landsat_2000_Band_1.tif. Otevřete i ostatní snímky z roku 2000. Všechny snímky musí být vylepšeny (enhanced) abychom si je mohli lépe prohlédnout Vybereme první snímek Cairo_Landsat_2000_Band_1.tif. a z menu spustíme Enhance->Histogram Equalization. Snímek se změní – toto aplikujeme na všechny snímky.
Nyní máme na obrazovce 9 snímků. Každý snímek ukazuje část elektromagnetického spektra mezi 0.45 μm a 12.5 μm (viditelné spektru má rozsah 0.45 μm do 0.7 μm). Používá se tolik rozdílných spektrálních pásem, protože různé prvky na zemském povrchu vypadají v různých spektrálních pásmech rozdílně. To znamená, že všechny zobrazené prvky/objekty se zobrazí v rozdílných barvách, když je ozáříme světlem (včetně IR). Když tedy chceme rozlišit podle jejich barvy, potřebujeme nástroj, který umí pracovat s více pásmy, zahrnující viditelné barvy, ale také IR sektor. Nyní se podívejme na snímky a zkusme je rozdělit do dvou kategorií podle stejného vzhledu. Všimněte si, že voda a severozápadní oblast s vegetací jsou PARTICULAR. Porovnejte tyto dvě skupiny s tabulkou, která obsahuje Landsat pásma. Najdeme v tabulce tyto dvě skupiny? Jaký je rozdíl v detailu snímků, když porovnáme snímek Cairo_Landsat_2000_Band_61.tif, Cairo_Landsat_2000_Band_62.tif a Cairo_Landsat_2000_Band_8.tif s ostatními snímky? Multispektrální kombinace snímků
Pro lidské oko je komplikované rozlišovat objekty zemského povrchu na šedotónových snímcích. Proto je vhodné zkombinovat 3 šedotónové snímky do jednoho RGB. Barvy jednotlivých objektů se odvíjí od spektrálních pásem, které byly použity pro kombinaci, protože každý objekt má svou spektrální charakteristiku. Různé kombinace umožňují rozdílné vykreslování identických objektů.
Cairo, 23. srpna 2000
Kombinace v pravých barvách (true-color) Kombinace v pravých barvách vyžaduje pásma Red, Green a Blue. Tato kombinace pásem generuje snímek, který je nejvíce podobný barevné fotografii.
Oteveme si znovu snímky Cairo_Landsat_2000_Band_1.tif, Cairo_Landsat_2000_Band_2.tif a Cairo_Landsat_2000_Band_3.tif Z hlavního menu vyberte Image->Combine from … ->Red Green Blue. V dialogovém okně vyberte snímek *_3.tif pro Red, *_2.tif pro Green a *_1.tif pro Blue a klikneme na OK. Výsledný obrázek je nyní vytvořen z kombinace viditelného spektra, nicméně stále není v pravých barvách – musíme ještě zvýraznit (enhance) vstupní data. Vybereme (aktivujeme) první snímek Cairo_Landsat_2000_Band_3.tif a vybereme z hlavního menu Enhance->Interactive Stretching. Objeví se histogram. Posuneme levý modrý posuvník vstupního histogramu k levému prvnímu bodu vstupního histogramu (Input Histogram). Pak posuňte pravý červený posuvník k pravému ohraničení vstupního histogramu a klikněte Apply. Všimněte si změn v kombinovaném snímku. Úpravu histogramu proveďte i s ostatními snímky.
Popište snímek a zkuste objekty na snímku rozdělit do 5 tříd – parky a zemědělská půda, voda, poušť a holá zem, hustě zastavěná oblast, řídce zastavěná oblast. Jaké další objekty můžeme rozlišit? Kombinace v nepravých barvách (false-colour) Ke zvýšení interpretovatelnosti satelitních snímků jsou často využívány snímky v nepravých barvách. Ve většině případů kombinace v nepravých barvách obsahuje téměř vždy jedno IR pásmo. IR pásmo je velmi užitečné při interpretaci zemského povrchu, protože zahrnuje odraženou nebo vyzářenou energii. IR pásmo není viditelné, ale obsahuje hodně informací. Např. vegetace odráží mnohem více záření v blízkém IR pásmu než ve viditelném spektru. Díky tomu můžeme vyhodnocovat např. zdravotní stav vegetace.
Otevřeme si snímky *_2.tif, *_4.tif a *_7.tif. Z hlavního menu vyberte Image->Combine from … ->Red Green Blue. V dialogovém okně vyberte snímek *_7.tif pro Red, *_4.tif pro Green a *_2.tif pro Blue a klikneme na OK. Vstupní snímky upravíme pomocí egalizace histogramu jako u snímku v pravých barvách.
Popište snímek a zkuste objekty na snímku rozdělit do 5 tříd – parky a zemědělská půda, voda, poušť a holá zem, hustě zastavěná oblast, řídce zastavěná oblast. Jak se změnily barvy jednotlivých tříd v porovnání se snímkem v pravých barvách? Mohou být tyto třídy identifikované v obou snímcích? Jaký snímek byste zvolili pro identifikaci těchto tříd?
Obrázek 1 Kombinace v nepravých barvách pásma 4, 2, 1
Zkuste i jiné kombinace snímků.
Z hlavního menu vyberte Image->Combine from … ->Red Green Blue. V dialogovém okně vyberte snímek *_4.tif pro Red, *_2.tif pro Green a *_1.tif pro Blue a klikneme na OK. Vstupní snímky upravíme pomocí egalizace histogramu jako u snímku v pravých barvách.
Jaký je rozdíl oproti předchozímu snímku v nepravých barvách? Jsme schopni identifikovat 5 definovaných tříd? Multispektrální klasifikace snímku V rámci předchozího cvičení jsme se snažili rozdělit objekty na snímku do několika tříd. K interpretaci prvků na satelitním snímku je klasifikace velmi užitečná. Klasifikovaný snímek (upravený) je podobný tematické mapě. Základní třídy v oblasti Káhiry je hustě zastavěná oblast, řídce zastavěná oblast, les, zemědělská půda, voda, poušť a holá zem. Pro klasifikaci snímků existují různé algoritmy, které jsou založené na metodách zpracování digitálního obrazu. Které z metod je vhodná záleží na tom, jakou informaci chceme ze snímků získat. Parallelpiped classification Parallelpiped classfification je jednoduchá metoda řízené klasifikace snímku. Je založena na spektrálním rozsahu jednotlivých tříd využívání krajiny v různých spektrálních pásmech. Každý typ využití krajiny má svou spektrální charakteristiku. Pro každou třídu, která má být klasifikována, musíme definovat minimálně jednu trénovací množinu. Algoritmus poté vyhodnotí všechny trénovací množiny a vybere všechny pixely, které do dané třídy náleží. Pro řízenou klasifikaci budeme potřebovat následující snímky:
Cairo_Landsat_2000_Band_1.tif Cairo_Landsat_2000_Band_2.tif Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif Cairo_Landsat_2000_Band_5.tif, Cairo_Landsat_2000_Band_7.tif.
Snímky upravíme ekvalizací histogramu stejně jako u snímků v pravých barvách.
Vybereme (aktivujeme) snímek Cairo_Landsat_2000_Band_7.tif a z hlavní lišty vybereme funkci Multivariate Analysis->Supervised Classification->Select Training Fields Z nástrojové lišty zvolíme Draw Polygon Začneme vytvářet trénovací množiny – čím více trénovacích množin pro jednu třídu definujeme, tím přesnější budou výsledky Začneme s vodními plochami a nakreslíme polygon do řeky Nil. Najdeme ještě další vodní plochy, nakreslíme do nich polygon a třídu nazveme Voda. Dále vybereme oblast na poušti a stejně budeme postupovat u všech definovaných tříd. Dále z hlavního menu vybereme funkci Multivariate Analysis->Supervised Classification->Parallelepiped a vybereme všechny snímky. Vyberte Image->Add Legend a zkontrolujte barvy a názvy tříd. K porovnání můžeme použít i snímek Cairo_Landsat_2000_Band_321.tif.
Klasifikovaný snímek Káhiry
Maximum Likelihood klasifikace Klasifikace Maximum Likelihood je další z metod řízené klasifikace. Je založena na složitých statistických metodách. V principu ale funguje stejně jako předchozí metoda Parallelpied class. Pro tuto klasifikaci použijeme následující snímky:
Cairo_Landsat_2000_Band_1.tif Cairo_Landsat_2000_Band_2.tif Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif Cairo_Landsat_2000_Band_5.tif, Cairo_Landsat_2000_Band_7.tif.
Snímky upravíme ekvalizací histogramu stejně jako u snímků v pravých barvách.
Použijeme stejné trénovací množiny jako u Parallelpiped classification Z hlavního menu zvolíme funkci Multivariate Analysis->Supervised Classification>Maximum Likelihood a vybereme všechny snímky. Prahovou hodnotu nastavíme na Threshold Value – 5% Vyberte Image->Add Legend a zkontrolujte barvy a názvy tříd. K porovnání můžeme použít i snímek Cairo_Landsat_2000_Band_321.tif. Porovnejte výsledek s Parallelpiped classification Vyzkoušejte další prahové hodnoty – např. 50% a 75% a porovnejte výsledky analýzy.
Klasifikovaný snímek Káhiry pomocí metody Maximum Likelihood