Скачать презентацию
Идет загрузка презентации. Пожалуйста, подождите
Презентация была опубликована 10 лет назад пользователемwww.landscape.edu.ru
1 ЧислоСодержаниеДЗ 15.09Цели, задачи, содержание курса. Использование ДЗ в науках о Земле 22.09Базовые принципы, понятия, ограничения 24.09Базовые принципы, понятия, ограничения 29.09Существующие съемочные системы, ТТХ, каталоги снимков Предварительная подготовка снимков 22.10Элементы и признаки дешифрирования 05.11Элементы и признаки дешифрирования Классификация изображений (признаки, алгоритм, интерпретация)+ Дешифрирование (интерпретация) изображений Интерполяция результатов полевых описаний ДЗ в задачах динамики и функционирования ландшафтного покрова Доклады по статьям гг. История и перспективы ДЗ 25.12Зачет КАЛЕНДАРНЫЙ ПЛАН
2 1.Подбор снимков (тип съемки, разрешение пространственное и радиометрическое, сезон, облачность, искажения) 2.Геометрическая коррекция (совмещение с рабочей географической проекцией, привязка) 3.Радиометрическая коррекция (перерасчет «сырых» значений яркостей съемки в поток отраженной солнечной радиации, зарегистрированный сенсором спутника, Вт/м 2 ). Принципиально при использовании снимков за разные сроки съемки. 4.Расчет индексных изображений, характеризующие физические свойства отражательной поверхности (биологическая продуктивность (NDVI), температура, влажность, текстурные характеристики и др.) 5.Классификация. Выбор классификационных признаков в зависимости от целей исследования, особенностей территории и исходных данных, при необходимости снижение размерности данных, обоснование метрики, способа классификации, числа возможных классов. 6.Интерпретация полученных классов. Сопоставление полученным классам средних значений априорных данных и результатов полевых измерений свойств ландшафтного покрова. ЭТАПЫ АНАЛИЗА ДДЗ:
3 the CORINE program (Co-ordination of Information on the Environment)
5 Level II < 1:80,000 Level III 1:20,000 to 1:80,000 Level IV > 1:20,000. Michigan Land/Use Cover Classification System
7 КЕРЖЕНСКИЙ ЗАПОВЕДНИК
8 6 потенциально различных типов условий снегонакопления Снежный покров в коренных и производных сообществах южной тайги (Центрально-Лесной заповедник) НСО 2010
9 НЕФТЕПРОВОД ВОСТОЧНАЯ СИБИРЬ – ТИХИЙ ОКЕАН
10 КЛАССИФИКАЦИЯ – разделение всех пикселей снимка по их спектральным признакам на группы, соответствующие разным объектам Выбор признаков Классификация без обучения Классификация с обучением Интерпретация Легенда Оформление карты СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ (Image Segmentation)
11 СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ (Image Segmentation) Неопределенность классификации КЛАССИФИКАЦИЯИСХОДНЫЕ ДАННЫЕ
12 1.Классификационные признаки (КП) 2.Непостоянство КП 3.Способ классификации 4.Неопределенность 5.Дробность (число классов) 1 2 ПРОБЛЕМЫ ? ? ? ДИСКРЕТНОЕ МНОЖЕСТВО НЕПРЕРЫВНОЕ МНОЖЕСТВО ?
13 Области значений яркости не пересекаются Способ параллелепипеда Области значений яркости разных объектов пересекаются Корреляция между классификационными признаками отсутствует (метрика минимального расстояния) Существует корреляция между зональными значениями яркост (метрика максимального правдоподобия) Объекты, относительно изолированы в пространстве признаков КЛАССИФИКАЦИЯ БЕЗ ОБУЧЕНИЯ
14 d c b I terative S elf- O rganizing D ata A nalysis T echnique итеративный самоорганизующийся способ анализа данных ШАГ 1. Деление признакового пространства на N равных диапазонов ШАГ 2. Каждый пиксель относится в определенный кластер по принципу минимального расстояния ШАГ 3. Результирующее положение центров и границ кластеров КЛАССИФИКАЦИЯ БЕЗ ОБУЧЕНИЯ: ISODATA М1М1 М 1 + σ 1 М 1 - σ 1 М 2 - σ 2 М2М2 М 2 + σ 2 a d c b a d c b a
15 Классификация способом максимального правдоподобия Расстояние Махаланобиса Классификация способом минимального расстояния Спектральное расстояние D Если спектральные яркости выделяемых объектов меняются непрерывно и плавно КЛАССИФИКАЦИЯ C ОБУЧЕНИЕМ
16 КЛАССИФИКАЦИЯ БЕЗ и C ОБУЧЕНИЕМ
17 ОБОСНОВАНИЕ ДРОБНОСТИ КЛАССИФИКАЦИИ ДИСКРЕТНОЕ МНОЖЕСТВО НЕПРЕРЫВНОЕ МНОЖЕСТВО
18 ПЕРВЫЙ УРОВЕНЬ (2 класса) ДИХОТОМИЧЕСКАЯ КЛАССИФИКАЦИЯ ВТОРОЙ УРОВЕНЬ (4 класса) ОБОСНОВАНИЕ ДРОБНОСТИ КЛАССИФИКАЦИИ
19 = ТЕСТОВЫЕ ИЗОБРАЖЕНИЯ RGB R G B Растр 220 колонок х 192 строк Число пикселей 42020, из них незначащие (No Data Cells) Классификация на 3 класса неопределенностьрезультат
20 Тестовое множество RGB получено совмещением трех случайных подмножеств R, G, B. Значения элементов подмножеств получены генератором случайных чисел и принимают значения от 0 до 1. Размер тестового изображения 100х100 пикселей. ТЕСТОВЫЕ ИЗОБРАЖЕНИЯ RGB R G B =++
21 ТЕСТОВЫЕ ИЗОБРАЖЕНИЯ 100х100 пикселей Landsat 7 ETM+ 22 марта Landsat 5 TM 27 апреля 2000 Landsat 5 TM 30 мая 1992 Landsat 7 ETM+ 20 июня 2001 Landsat 7 ETM+ 27 сентября 2000 Центрально-Лесной заповедник, участки условно-коренных и производных лесов, ветровалы, верховое болото "Старосельский мох" и поле д.Староселье. Разрешение м. Landsat 5 TM 30 августа 1992 Landsat 7 ETM+ 30 мая 2002 Landsat 5 TM 20 мая 2007 САТИНО. Разрешение - 30 м.
22 ПРИЗНАКОВОЕ пространство, ШАПОЧКА С КИСТОЧКОЙ vs. PCA преобразование Kauths Tasseled Cap (LANDSAT 5 for DN Data) BR (яркость) = *b *b *b *b *b *b7 Общая яркость, альбедо GR (зеленость) = *b *b *b *b *b *b7 Интенсивность фотосинтеза, чистая продукция, WET (влажность) = *b *b *b *b *b *b7 Содержание влаги в зеленой фитомассе преобразование Kauths Tasseled Cap (LANDSAT 7 for Reflectance Data) BR (яркость) =0.3561*b *b *b * b *b *b7 Общая яркость, альбедо GR (зеленость) = *b *b *b *b *b *b7 Интенсивность фотосинтеза, чистая продукция, WET (влажность) =0.2626*b *b *b * b *b *b7 Содержание влаги в зеленой фитомассе
Еще похожие презентации в нашем архиве:
© 2024 MyShared Inc.
All rights reserved.