Форумы GIS-Lab.info

Прошу покритиковать статью

Хорошая статья! Пригодится тем, кто не знаком с решением данной задачи средствами open-source.

1) Я всё-таки поменял бы название статьи на что-то вроде "Классификация космического снимка с обучением в QuantumGIS используя плагин GRASS GIS". Решается же не в чистой GRASS, а там есть свои тонкости
2) Бросается в глаза, что работа велась с использованием 2х! ОС: Windows XP и Windows Vista.

rhot писал(а):Я всё-таки поменял бы название статьи на что-то вроде "Классификация космического снимка с обучением в QuantumGIS...

Все-таки, классификация осуществляется в GRASS, а не в QGIS...
Согласен, что если делать все исключительно в GRASS, то специфика будет.
Подожду, что скажут другие грасоведы.

rhot писал(а):Бросается в глаза, что работа велась с использованием 2х! ОС: Windows XP и Windows Vista.

Кроме как на рисунке 2 это еще где-то бросается в глаза? 2-й рисунок переделаем.

надо поменять оформление команд, на такое (пример):

bolotoved писал(а): Все-таки, классификация осуществляется в GRASS, а не в QGIS...
Согласен, что если делать все исключительно в GRASS, то специфика будет.

Всё-таки, работа ведётся в QGIS с помощью "Инструментов GRASS" (к грассовским модулям есть ещё доступ через SEXTANTE, но это тоже не значит, что делается в "чистой" GRASS). А некоторые действия в статье (оцифровка, макет карты) вообще не привязаны к GRASS.
Мне кажется, лучше было бы назвать типа: "Классификация космического снимка с обучением с помощью QGIS+GRASS".

Хорошая статья. Из замечаний -- может быть стоило указать в разделе "Классификация космического снимка", что связка i.gensigset + i.smap не единственная, и что для классификации можно использовать также и другие модули.

Спасибо,полезная и содержательная статья

Статью дополнили.

KolesovDmitry писал(а):Из замечаний -- может быть стоило указать в разделе "Классификация космического снимка", что связка i.gensigset + i.smap не единственная, и что для классификации можно использовать также и другие модули.

В статье упомянул кратко. Создал новую статью, где будут описаны хитросплетения различных алгоритмов классификации в GRASS.

Александр Мурый писал(а):Мне кажется, лучше было бы назвать типа: "Классификация космического снимка с обучением с помощью QGIS+GRASS".

Да, я согласен, надо переименовать в "Классификация космического снимка с обучением с помощью QGIS+GRASS" или в "Классификация космического снимка с обучением с помощью приложения GRASS для QGIS"

в вики переименовал

хорошо бы в первом сообщении ссылку поправить. (сам так и не обучился)

[ Сообщение с мобильного устройства ]

пардон, поправил ссылку

Всё таки для классификации космических снимков Landsat лучше использовать различные индексы, которых существует огромное разнообразие, при этом в зависимости от задачи и объёма данных можно добиться очень хороших результатов.

Примеры индексов: NDVI, NDWI, NDSI, VIBI и др.

Также рекомендую для создания маски облачности использовать алгоритм FMASK, который помимо облачности выделяет на снимках Landsat 4-7: снег, воду, тени от облаков и класс включающий в себя все остальные объекты.

http://code.google.com/p/fmask/

URIIT писал(а):Всё таки для классификации космических снимков Landsat лучше использовать различные индексы,

Кто ж спорит? Но эта-то статья не об индексах. В GRASS 7.0 есть спец. модуль, считающий разные индексы — i.vi.

URIIT писал(а): Также рекомендую для создания маски облачности использовать алгоритм FMASK, который помимо облачности выделяет на снимках Landsat 4-7: снег, воду, тени от облаков и класс включающий в себя все остальные объекты.

Кстати, FMASK уже обсуждался здесь.

URIIT писал(а):Всё таки для классификации космических снимков Landsat лучше использовать различные индексы

Индексы - это хорошо с точки зрения повышения воспроизводимости. Но классификацию с обучением по эталонам индексы не заменяют и далеко ходить не надо: достаточно посмотреть алгоритмы создания продуктов MODIS связанных с классификацией растительного покрова - почти всегда индексы играют лишь вспомогательную роль (дополнительные слои для кластеризации с обучением). См., например, алгоритм создания MOD44B (процент облесенности).

Еще раз спасибо за статью. Возникла пара вопросов:
Этот подход под Win работает? Там нет проблем в вызовом модулей GRASS из командной строки, не ожидаются ли традиционные пляски с бубном? Можно ли статью рекомендовать для Win-пользователей?