Saya tertarik dengan solusi murah atau open source untuk membuat lapisan GIS tutupan lahan yang menggunakan algoritma ekstraksi spektral dan tekstur. Saya telah menggunakan PCI Geomatica, ENVI, dan Feature Analyst VLS di masa lalu; namun solusi ini sedikit di luar kisaran harga saya, ada rekomendasi perangkat lunak?
Ekstraksi Fitur Tutupan Lahan dari Citra Satelit
Jawaban:
Anda dapat menggunakan GRASS GIS untuk ini yang mendukung ekstraksi tekstur dan klasifikasi gambar berdasarkan pendekatan radiometrik / segmentasi. Untuk sebuah ide, lihat abstrak konferensi ini , ceramah terencana di Geoinformatics FCE CTU 2011.
Lihat juga: http://grass.osgeo.org/wiki/Image_processing dan http://grass.osgeo.org/wiki/Image_classification untuk tinjauan umum.
Jika saya mengerti Anda dengan benar, Anda mencari prosedur klasifikasi yang diawasi. Beberapa latar belakang teoritis: http://rst.gsfc.nasa.gov/Sect1/Sect1_17.html
Hal ini tentu dimungkinkan melalui rumput: http://grass.osgeo.org/wiki/Image_classification#Supervised_classification_2
Sebagai alternatif Anda juga bisa melihat saga (saya tidak mengatakan itu lebih baik, saya hanya tahu itu lebih baik sendiri), yang juga bermain bagus dengan qgis dan R. Ada beberapa video yang menunjukkan ini di situs ini: http: // www.uni-koblenz-landau.de/landau/fb7/umweltwissenschaften/landscape-ecology/Teaching/geostat (unduh datafile untuk mendapatkan presentasi).
Dalam semua program GIS, yang akan Anda lakukan adalah menentukan sejumlah titik referensi atau poligon dalam satu jenis tanah, yang kemudian diekstrapolasi ke seluruh area. Berikut adalah contoh klasifikasi penggunaan lahan:
Dan sebenarnya jika Anda telah menggambar poligon pelatihan Anda dalam program gis apa pun, Anda dapat menggunakan R untuk memprediksi. Buat overlay dengan kisi Anda, dan kemudian gunakan sistem prediksi apa pun yang Anda suka (mis. Bagian jika Anda ingin pohon klasifikasi). Info lebih lanjut dalam buku ini sekitar halaman 222: http://www.lulu.com/product/file-download/a-praktis-guide-to-geostatistic-mapping/14938111
Ada banyak lagi yang bisa dikatakan, set pelatihan Anda harus representatif untuk bidang studi Anda (mungkin bahkan lebih baik untuk menghasilkan poin acak dalam R dan mengklasifikasikannya). Anda juga harus memilih set data bantu dengan hati-hati, dan Anda mungkin ingin membuat yang baru jika misalnya tekstur adalah properti yang penting.
-
Jika semua yang ingin Anda lakukan adalah mengekstrak wilayah atau fitur (tanpa mengklasifikasikannya), algoritma segmentasi lebih mungkin apa yang Anda inginkan. Satu contoh (diterapkan dalam SAGA GIS) dibahas dalam makalah ini: http://mirror.transact.net.au/pub/sourceforge/s/project/sa/saga-gis/SAGA%20-%20Documentation/GGA115/gga115_03 .pdf
Terima kasih banyak atas tanggapan Anda. Sepertinya Anda tahu persis bagaimana seseorang dapat mencapai tujuan saya. Apa yang saya akan sangat hargai adalah jika Anda mengklarifikasi jawaban Anda sedikit lagi. Saya secara khusus tertarik pada langkah-langkah yang terlibat sehingga saya dapat mengajarkan program fitur mana yang benar dan mana yang salah sampai semua (atau sebagian besar) fitur yang benar diekstraksi.
—
NetConstructor.com
Berikan lebih banyak info (dalam pertanyaan Anda, bukan dalam komentar) apa sebenarnya fitur yang ingin Anda ekstrak. Terlepas dari itu: jika ada tumpang tindih dalam sinyal (lihat tautan nasa) dari berbagai jenis penggunaan lahan (atau apa pun yang Anda pemetaan), klasifikasi otomatis tidak akan berfungsi dengan baik.
—
johanvdw
Anda bisa melakukannya dengan GRASS.
Pertama-tama Anda akan bekerja dengan data raster:
- Saya akan mengarahkan Anda ke tutorial itu . Lihat bagian raster.
- Anda akan menggunakan r.mapcalc dan r.reclass untuk mengekstrak fitur yang diinginkan.
- r.to.vect akan memungkinkan Anda untuk membuat vektor data Anda.
Akhirnya Anda akan memanipulasi data vektor . v.db.select dan v.class akan membantu Anda.
Pendekatan ini hanya menggunakan satu raster - yang biasanya tidak cukup.
—
johanvdw
Dia berbicara tentang suatu daerah (satu gambar atau kelipatan). Bagaimanapun, gambar dapat digabungkan.
—
simo