Khai thác tính năng che phủ đất từ ​​hình ảnh vệ tinh


14

Tôi quan tâm đến một giải pháp nguồn mở hoặc chi phí thấp để tạo các lớp GIS phủ đất sử dụng cả thuật toán trích xuất quang phổ và kết cấu. Tôi đã sử dụng VLS PCI Geomatica, ENVI và Phân tích tính năng trong quá khứ; tuy nhiên những giải pháp này vượt quá phạm vi giá của tôi, có khuyến nghị phần mềm nào không?

Câu trả lời:


18

Bạn có thể sử dụng GRASS GIS cho việc này hỗ trợ trích xuất kết cấu và phân loại hình ảnh dựa trên phương pháp đo phóng xạ / phân đoạn. Để biết ý tưởng, hãy xem bản tóm tắt hội nghị này , một cuộc nói chuyện được lên kế hoạch tại Geoinformatics FCE CTU 2011.

Xem thêm: http://grass.osgeo.org/wiki/Image_ Processinghttp://grass.osgeo.org/wiki/Image_ classification để biết tổng quan.


8

Nếu tôi hiểu bạn chính xác, bạn đang tìm kiếm một thủ tục phân loại được giám sát. Một số nền tảng lý thuyết: http://rst.gsfc.nasa.gov/Sect1/Sect1_17.html

Điều này chắc chắn có thể thực hiện thông qua cỏ: http://grass.osgeo.org/wiki/Image_ classification#Supervised_ classification_2

Để thay thế, bạn cũng có thể xem saga (Tôi không nói là tốt hơn, tôi chỉ biết bản thân mình tốt hơn), cũng chơi độc đáo với qgis và R. Có một số video minh họa điều này trên trang web này: http: // www.uni-koblenz-landau.de/landau/fb7/umweltwissenschaften/landscape-ecology/Teaching/geuler (tải xuống các tệp dữ liệu để có được các bài thuyết trình).

Trong tất cả các chương trình gis, những gì bạn sẽ làm là xác định một số điểm tham chiếu hoặc đa giác trong một loại đất, sau đó được ngoại suy cho phần còn lại của khu vực. Dưới đây là một ví dụ về phân loại sử dụng đất:

nhập mô tả hình ảnh ở đây

Và trên thực tế nếu bạn đã rút ra các đa giác đào tạo của mình trong bất kỳ chương trình gis nào, bạn có thể sử dụng R để dự đoán. Tạo một lớp phủ với lưới của bạn, và sau đó sử dụng bất kỳ hệ thống dự đoán nào bạn thích (ví dụ: rpart nếu bạn muốn cây phân loại). Thông tin thêm trong cuốn sách này xung quanh trang 222: http://www.lulu.com/product/file-doad/a-prreal-guide-to-geostatistic-mapping/14938111

Có rất nhiều điều để nói, các bộ huấn luyện của bạn nên là đại diện cho khu vực nghiên cứu của bạn (có lẽ sẽ tốt hơn nếu tạo các điểm ngẫu nhiên trong R và phân loại chúng). Bạn cũng nên chọn bộ dữ liệu phụ trợ của mình một cách cẩn thận và bạn có thể muốn tạo bộ dữ liệu mới nếu ví dụ kết cấu là một thuộc tính quan trọng.

-

Nếu tất cả những gì bạn muốn làm là trích xuất các vùng hoặc tính năng (không phân loại chúng), thuật toán phân đoạn có nhiều khả năng là những gì bạn muốn. Một ví dụ (được triển khai trong SAGA GIS) được thảo luận trong bài viết này: http://mirror.transact.net.au/pub/sourceforge/s/project/sa/saga-gis/SAGA%20-%20Documentation/GGA115/gga115_03 .pdf


Cảm ơn bạn rất nhiều vì đã trả lời của bạn. Dường như bạn biết chính xác làm thế nào một người có thể hoàn thành mục tiêu của tôi. Những gì tôi thực sự sẽ đánh giá cao là nếu bạn làm rõ câu trả lời của bạn hơn một chút. Tôi đặc biệt quan tâm đến các bước liên quan để tôi có thể dạy chương trình tính năng nào là chính xác và tính năng nào sai cho đến khi tất cả (hoặc hầu hết) các tính năng chính xác được trích xuất.
NetConstructor.com

Cung cấp thêm thông tin (trong câu hỏi của bạn, không phải trong nhận xét) chính xác các tính năng mà bạn muốn trích xuất là gì. Ngoài ra: nếu có sự trùng lặp trong tín hiệu (xem liên kết nasa) của các loại sử dụng đất khác nhau (hoặc bất cứ điều gì bạn đang lập bản đồ), phân loại tự động sẽ không hoạt động tốt.
johanvdw

3

Bạn sẽ có thể làm điều đó với GRASS.

Trước tiên bạn sẽ làm việc với dữ liệu raster:

  • Tôi sẽ chỉ cho bạn hướng dẫn đó . Xem phần raster.
  • Bạn sẽ sử dụng r.mapcalcr.reclass để trích xuất các tính năng mong muốn.
  • r.to.vect sẽ cho phép bạn vector hóa dữ liệu của bạn.

Cuối cùng bạn sẽ thao tác dữ liệu vector . v.db.selectv. class sẽ giúp bạn.


1
Cách tiếp cận này chỉ sử dụng một raster - thường không đủ.
johanvdw

Anh ta đang nói về một khu vực (một hình ảnh hoặc bội số). Dù sao, hình ảnh có thể được hợp nhất.
simo
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.