Extraktion von Landbedeckungsmerkmalen aus Satellitenbildern

Ich interessiere mich für eine kostengünstige oder Open-Source-Lösung zur Erstellung von Landbedeckungs-GIS-Schichten, die sowohl spektrale als auch texturale Extraktionsalgorithmen verwenden. Ich habe in der Vergangenheit PCI Geomatica, ENVI und Feature Analyst VLS verwendet. Diese Lösungen liegen jedoch etwas außerhalb meiner Preisspanne. Gibt es Software-Empfehlungen?

Hierfür können Sie GRASS GIS verwenden, das die Texturextraktion und Bildklassifizierung auf der Grundlage eines radiometrischen / Segmentierungsansatzes unterstützt. Eine Idee finden Sie in diesem Konferenz-Abstract , einem geplanten Vortrag auf der Geoinformatics FCE CTU 2011.

Siehe auch: http://grass.osgeo.org/wiki/Image_processing und http://grass.osgeo.org/wiki/Image_classification für eine Übersicht.

Wenn ich Sie richtig verstehe, suchen Sie ein überwachtes Klassifizierungsverfahren. Einige theoretische Grundlagen: http://rst.gsfc.nasa.gov/Sect1/Sect1_17.html

Dies ist sicherlich durch Gras möglich: http://grass.osgeo.org/wiki/Image_classification#Supervised_classification_2

Alternativ können Sie sich auch die Saga ansehen (ich sage nicht, dass sie besser ist, ich weiß es einfach selbst besser), die auch gut mit QGIS und R zusammenarbeitet. Einige Videos zeigen dies auf dieser Website: http: // www.uni-koblenz-landau.de/landau/fb7/umweltwissenschaften/landscape-ecology/Teaching/geostat (laden Sie die Datendateien herunter, um die Präsentationen zu erhalten).

In allen GIS-Programmen definieren Sie lediglich eine Reihe von Referenzpunkten oder Polygonen in einem Landtyp, die dann auf den Rest des Gebiets hochgerechnet werden. Hier ist ein Beispiel für eine Landnutzungsklassifizierung:

Und tatsächlich, wenn Sie Ihre Trainingspolygone in einem beliebigen gis-Programm gezeichnet haben, können Sie R zur Vorhersage verwenden. Erstellen Sie eine Überlagerung mit Ihren Gittern und verwenden Sie dann ein beliebiges Vorhersagesystem (z. B. rpart, wenn Sie Klassifizierungsbäume möchten). Weitere Informationen finden Sie in diesem Buch auf Seite 222: http://www.lulu.com/product/file-download/a-practical-guide-to-geostatistical-mapping/14938111

Es gibt noch viel mehr zu sagen: Ihre Trainingssätze sollten repräsentativ für Ihr Studiengebiet sein (vielleicht ist es sogar besser, zufällige Punkte in R zu generieren und diese zu klassifizieren). Sie sollten Ihre Hilfsdatensätze auch sorgfältig auswählen und möglicherweise neue generieren, wenn z. B. die Textur eine wichtige Eigenschaft ist.

-

Wenn Sie nur Regionen oder Features extrahieren möchten (ohne sie zu klassifizieren), ist es wahrscheinlicher, dass Sie einen Segmentierungsalgorithmus verwenden. Ein Beispiel (implementiert in SAGA GIS) wird in diesem Dokument erläutert: http://mirror.transact.net.au/pub/sourceforge/s/project/sa/saga-gis/SAGA%20-%20Documentation/GGA115/gga115_03 .pdf

Mit GRASS wäre das möglich.

Sie werden zuerst mit Rasterdaten arbeiten:

• Ich werde Sie auf dieses Tutorial hinweisen . Siehe den Rasterteil.
• Sie werden r.mapcalc und r.reclass verwenden , um die gewünschten Funktionen zu extrahieren.
• Mit r.to.vect können Sie Ihre Daten vektorisieren.

Schließlich werden Sie Vektordaten bearbeiten . v.db.select und v.class helfen Ihnen dabei.