نکات مهم پیش از فرایند طبقه بندی تصاویر ماهواره ای

78 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

آماده سازی برای طبقه بندی تصاویر یک هدف بسیار مهم در ارتباط با فاز طبقه­ بندی وجود دارد و آن تبدیل کردن تصویر به داده های موضوعی است. در نقشه طبقه ­بندی شده به جای مقادیر فیزیکی رسیده به سنجنده، مقدار مربوط به آندر قالب کلاس موضوعی و با یک مقدار ثابت نمایش داده شده است. ویژگی های موضوعی که…

آماده سازی برای طبقه بندی تصاویر

یک هدف بسیار مهم در ارتباط با فاز طبقه­ بندی وجود دارد و آن تبدیل کردن تصویر به داده های موضوعی است. در نقشه طبقه ­بندی شده به جای مقادیر فیزیکی رسیده به سنجنده، مقدار مربوط به آندر قالب کلاس موضوعی و با یک مقدار ثابت نمایش داده شده است. ویژگی های موضوعی که در داخل نقشه نمایش داده میشود میتواند اطلاعاتی در ارتباط با کاربری و پوشش اراضی، نوع خاک، ترکیب کانی شناسی یک منطقه باشد که در مدل های مختلف وارد شده و برای استخراج اطلاعات بیشتر و تحلیل ها میتواند مورد استفاده قرار گرفته و یا اینکه به عنوان یک محصول نهایی برای تصمیم گیری توسط مدیران مورد استفاده قرار  بگیرد (کاربردی در سیستم های پشتیبانی از تصمیم گیری). درواقع طبقه بندی تصاویر به عنوان فرایند کاهش داده ها در نظر گرفته میشود چراکه در آن از اطلاعاتت چندین باند استفاده شده و یک خروجی نهایی تولید میشود که دربردارنده عموم اطلاعات موجود در سایر باندهای دیگر است.

باتوجه به ایده ها و کاربرد مورد نظر کاربران تعداد کلاس های هدف در یک تصویر تعیین میشود. اینکه چه تعداد کلاس هایی را میتوان در یک نقشه طبقه بندی شده در اختیار داشت تابعی است از زمان و تاریخی که از آن تصویر در اختیار دارید. به عنوان مثال گیاهان از یک چرخه رشد برخوردار هستند. در این رابطه در داخل چرخه رشددر یک زمان گیاه وجود دارد و در زمانی دیگر وجود ندارد. در یک زمان میتوان گیاه را بصورت کامل و رشد کرده در تصویر مشاهده نمود و در زمانی دیگر اینگونه نیست. زمان از اهمیت بسیار بالایی در ارتباط با تعداد کلاس هایی که میتوان استخراج کرد برخوردار است. گاهی وجود ابر و حتی زاویه تابش خورشید خود به عنوان عوامل بسیار مهمی هستند که دراین رابطه میتواند اثر گذار باشد. بازه های زمانی که تصاویر ماهواره ای نیز اخذ میشوند ایجاد کننده محدودیت است. گاهی توان تفکیک زمانی یک سنجنده امکانی را فراهم می آورد که بتوان پدیده های سطح زمین را بصورت روزانه مطالعه نمود و گاهی نیز توان تفکیک زمانی این امکان را در هر ۱۶ روز یکبار برای کاربران فراهم می آورد.

پس از اخذ داده ها حال این سوال مطرح میشود که کدامیک از باندهای طیفی در ارتباط با کاربرد مورد نظر ما میتوانند کاربردی باشند. نکته آن است که هرگز در فرایند طبقه بندی نباید از تمامی باندهای موجود استفاده کرد چرا که بخش زیادی از اطلاعات بین باندی مشابه یکدیگر بوده و با هم دارای همپوشانی است. از سوی دیگر وجود تمامی باندها حجم داده ها را زیاد نموده و پردازش را دشوار تر مینماید و در نتیجه هزینه زمانی افزایش پیدا میکند. بارزترین مثال در این زمینه هم پوشانی رنگی بین باند قرمز و سبز طیف الکترومغناطیس در ارزیابی رفتار طیفی گیاه است. این دو باند از بازتاب نسبتا مشابهی با یکدیگر برخوردار هستند اما باند سبز بصورت نسبی بازتاب بیشتری برای آن ثبت شده است. همین عامل باعث شده تا این دو تصویر اطلاعات خیلی متفاوتی را در ارتباط با گیاه ارائه ندهند و استفاده از هریک به جای دیگری بر روی نتایج طبقه بندی بصورت قابل توجهی اثر گذار نخواهد بود. هرچه میزان بازتاب ها و جذب های صورت گرفته در تصاویر باندهای مختلف از شباهت بیشتری در مقایسه با یکدیگر برخوردار باشند میزان همبستگی آنها بیشتر و در نتیجه  استفاده همزمان از آنها میزان افزونگی در داده ها را به شکل قابل توجهی افزایش داده و حتی نتایج بدست امده از طبقه بندی را نیز میتواند خراب کند.

نوشته های مرتبط :

آموزش های رایگان پیشنهادی :

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

فهرست