Идентификация подвыделов по данным Sentinel
- Crackfox
- Активный участник
- Сообщения: 131
- Зарегистрирован: 02 мар 2016, 20:29
- Репутация: 17
- Ваше звание: разрядник
- Откуда: Москва
- Контактная информация:
Идентификация подвыделов по данным Sentinel
Отчасти тема касается ERDAS'а, но это лишь один из методов, так что пусть будет в "Общие вопросы"
Задача: выделить элементарные единицы полога, т.е. сегменты ( я имею ввиду: парцеллы/ микрогруппировки/ биогруппы/ подвыдела / породные группировки внутри выдела).
Данные: 4 разносезонных снимка Sentinel, подготовленные из исходных данных файлы (4-х канальный стэк, 4-х канальный мультивременной стэк, 10 канальный стэк (все 10 м, 20 м пересчитанные в 10 м), границы выделов и кварталов лесничества.
Для целей сегментации использовал FLS segmentation (как я понимаю математика тут) на 4-х канальных мультивременных стэках (зима+лето; зима+лето+осень; 4 сезона). В параметрах указывал спектральные и размерные характеристики на "1". Текстура и форма выключены.
Ожидалось получить достаточно явные сегменты внутри выдела при достаточно четком отличии сегментов по границам выделов. Вышло конечно совсем не так, а скорее наоборт, н- р вот: причем чем больше временное разрешение снимка, тем ужаснее становится подбор параметров для сегментации.
Собственно после мучений у меня появились вопросы:
1) Правильно ли вообще рассуждать о сегментации такого масштаба (сегментировать подвыделы) , используя 10 м и более разрешение? Если, да то какие данные правильнее использовать (видимый+nir, 10 каналов. как определить подходящее временное разрешение?)
2) Следует ли в параметрах сегментации учитывать только спектральные и размерные параметры и не учитывать текстуру и форму, понимая с каким грустным разрешением выполняется работа.
3)Из чего стоит исходить при подборе параметров сегмента (минимальный размер, средний размер сегмента и т.д.) ?
4) если вдруг кто то знает что эту задачу можно решить, без erdas, какие методы возможно использовать в открытом ПО (qgis, grass, R)
Спасибо!
Задача: выделить элементарные единицы полога, т.е. сегменты ( я имею ввиду: парцеллы/ микрогруппировки/ биогруппы/ подвыдела / породные группировки внутри выдела).
Данные: 4 разносезонных снимка Sentinel, подготовленные из исходных данных файлы (4-х канальный стэк, 4-х канальный мультивременной стэк, 10 канальный стэк (все 10 м, 20 м пересчитанные в 10 м), границы выделов и кварталов лесничества.
Для целей сегментации использовал FLS segmentation (как я понимаю математика тут) на 4-х канальных мультивременных стэках (зима+лето; зима+лето+осень; 4 сезона). В параметрах указывал спектральные и размерные характеристики на "1". Текстура и форма выключены.
Ожидалось получить достаточно явные сегменты внутри выдела при достаточно четком отличии сегментов по границам выделов. Вышло конечно совсем не так, а скорее наоборт, н- р вот: причем чем больше временное разрешение снимка, тем ужаснее становится подбор параметров для сегментации.
Собственно после мучений у меня появились вопросы:
1) Правильно ли вообще рассуждать о сегментации такого масштаба (сегментировать подвыделы) , используя 10 м и более разрешение? Если, да то какие данные правильнее использовать (видимый+nir, 10 каналов. как определить подходящее временное разрешение?)
2) Следует ли в параметрах сегментации учитывать только спектральные и размерные параметры и не учитывать текстуру и форму, понимая с каким грустным разрешением выполняется работа.
3)Из чего стоит исходить при подборе параметров сегмента (минимальный размер, средний размер сегмента и т.д.) ?
4) если вдруг кто то знает что эту задачу можно решить, без erdas, какие методы возможно использовать в открытом ПО (qgis, grass, R)
Спасибо!
- nadiopt
- Гуру
- Сообщения: 4744
- Зарегистрирован: 29 янв 2009, 13:27
- Репутация: 495
- Ваше звание: хрюкало
- Откуда: Санкт-Петербург
- Контактная информация:
Re: Идентификация подвыделов по данным Sentinel
навскидку какие такие парцеллы с разрешением 10 м? и по-моему тут как раз надо уходить на геометрию, спектр ничего не даст
ин гроссен фамилен нихт клювен клац клац
- rhot
- Гуру
- Сообщения: 1727
- Зарегистрирован: 25 янв 2011, 17:50
- Репутация: 194
- Ваше звание: доктор
- Откуда: Архангельск
Re: Идентификация подвыделов по данным Sentinel
Попробуйте пакет RStoolBox в R.
___________(¯`·.¸(¯`·.¸ Scientia potentia est _/ {SILVA}:::{FOSS}:::{GIS} \_ Знание сила ¸.·´¯)¸.·´¯)___________
-
- Гуру
- Сообщения: 977
- Зарегистрирован: 27 янв 2009, 22:57
- Репутация: 258
Re: Идентификация подвыделов по данным Sentinel
Данные спутниковых наблюдений лучше подходят для мониторинга запасов углерода, чем лесотаксационные данные. На мой взгляд, использование материалов лесоустройства в качестве якоря для привязки данных полученных в результате работы с ДЗЗ не совсем корректно. Это как сравнивать данные Росреестра и OpenStreetMap. В ряде работ показано достаточно большое расхождение между материалами лесоустройства и данными классификации Sentinel, Landsat и т.п. Это можно объяснить следующими причинами:Задача: выделить элементарные единицы полога, т.е. сегменты ( я имею ввиду: парцеллы/ микрогруппировки/ биогруппы/ подвыдела / породные группировки внутри выдела).
- Особенностью лесотаксационных методик;
- Использование в лесоустройстве двух методов таксации - актуализация и полевая таксация.
Достаточно выполнить сравнительный анализ (материалов лесоустройства и по результатам классификации ДЗЗ), а так же провести оценку точности, например по двум параметрам: по покрытой лесом площади и по группам пород (по хвойным и лиственным лесам).
Правильно.Правильно ли вообще рассуждать о сегментации такого масштаба (сегментировать подвыделы) , используя 10 м и более разрешение? Если, да то какие данные правильнее использовать (видимый+nir, 10 каналов. как определить подходящее временное разрешение?)
Необходимо выполнить формирование временного стека из нескольких сотен изображений для трех спектральных каналов: красного, ближнего инфракрасного и среднего инфракрасного.
См. стр. 110 и далее здесь:
Спутниковое картографирование растительного покрова России
Барталев С.А., Егоров В.А., Жарко В.О., Лупян Е.А., Плотников Д.Е., Хвостиков С.А., Шабанов Н.В.
// М.: ИКИ РАН, 2016. 208 c.
http://smiswww.iki.rssi.ru/default.aspx ... licid=1549
и
Mapping dominant tree species over large forested areas using Landsat best-available-pixel
Thompson, S.D., Nelson, T.A., White, J.C., Wulder, M.A. 2015. Large area mapping of tree
species using composited Landsat imagery. Canadian Journal of Remote Sensing 41(3): 203-
218.
Как ни странно это прозвучит, но имеющиеся в наличии материалы спутниковой съемки GeoEye с размером пикселя равным 0.5 м, при классификации на всех классифицированных изображениях присутствует множество артефактов – одиночных пикселей и групп пикселей малых размеров одного класса внутри однородных групп другого класса. Для получения приемлемых результатов, данные изображения нуждаются в дальнейшей дефрагментации. Мы наблюдаем обратный эффект – чем лучше разрешение снимка, тем хуже результат классификации.
Использую плагин QGIS Semi-Automatic Classification Plugin (SCP),
плагин QGIS CloudMasking, Gdal (gdal2xyz), PostgreSQL + программирование, SAGA GIS.
- Вложения
-
- Mapping dominant tree species over large forested areas using Landsat best-available-pixel.pdf
- (4.48 МБ) 382 скачивания
-
- Гуру
- Сообщения: 4057
- Зарегистрирован: 15 окт 2010, 08:33
- Репутация: 1053
- Ваше звание: программист
- Откуда: Казань
Re: Идентификация подвыделов по данным Sentinel
ничего странного, известно, что с определенного разрешения (порядка первых метров) начинает преобладать текстура, а не спектр. Нужны другие методы сегментации. Например как делают в eCognition, или в Сканексе - сначала создается большое число объектов (топологический подход в первом случае) / классов (типологический подход во втором), которые затем собираются в тематические группы.bim2010 писал(а): ↑07 мар 2018, 17:46Как ни странно это прозвучит, но имеющиеся в наличии материалы спутниковой съемки GeoEye с размером пикселя равным 0.5 м, при классификации на всех классифицированных изображениях присутствует множество артефактов – одиночных пикселей и групп пикселей малых размеров одного класса внутри однородных групп другого класса. Для получения приемлемых результатов, данные изображения нуждаются в дальнейшей дефрагментации. Мы наблюдаем обратный эффект – чем лучше разрешение снимка, тем хуже результат классификации.
- Crackfox
- Активный участник
- Сообщения: 131
- Зарегистрирован: 02 мар 2016, 20:29
- Репутация: 17
- Ваше звание: разрядник
- Откуда: Москва
- Контактная информация:
Re: Идентификация подвыделов по данным Sentinel
Не очень Вас понял, считаете подобное разрешение недостаточным для выделения биогрупп?
Спасибо!
есть такое дело, собственно юзер gamm все объяснил.bim2010 писал(а): ↑07 мар 2018, 17:46Как ни странно это прозвучит, но имеющиеся в наличии материалы спутниковой съемки GeoEye с размером пикселя равным 0.5 м, при классификации на всех классифицированных изображениях присутствует множество артефактов – одиночных пикселей и групп пикселей малых размеров одного класса внутри однородных групп другого класса. Для получения приемлемых результатов, данные изображения нуждаются в дальнейшей дефрагментации. Мы наблюдаем обратный эффект – чем лучше разрешение снимка, тем хуже результат классификации.
SWIR в данный композит включать не стоит? разве он не информативен?
-
- Гуру
- Сообщения: 977
- Зарегистрирован: 27 янв 2009, 22:57
- Репутация: 258
Re: Идентификация подвыделов по данным Sentinel
При выделении классов внутри лесного покрова наиболее информативными ближний и первый средний инфракрасный каналы и индекс MSAVI, для нелесных классов – зеленый и красный каналы и индексы NDVI и NBRI. Индексы MNDWI и SWVI менее информативны из всех информационных слоев, использованных при тематической классификации наземных экосистем. То, о чем говорит GAMM есть не только в Сканекс.
Работы по этой теме:
Автоматизированное ландшафтно-экологическое картографирование городских территорий с использованием нейронных сетей (на примере г. Казани)
http://www.ievbras.ru/ecostat/Kiril/Article/A17/SA.htm
http://pca.narod.ru/NeuroGIS.pdf
Реализовано, например, в статистическом пакете R CRAN:
https://cran.r-project.org/web/packages ... ohonen.pdf
https://cran.r-project.org/web/packages/som/som.pdf
https://www.r-bloggers.com/self-organis ... n-using-r/
GAMM, понимаете, очень трудно убедить географов проанализировать 150 - 200 классов характеристик, выделить ядра, и присвоить им "смыслы". Географы очень сильно увлекаясь математикой, уверены в том, что все можно подсчитать, построив модели. И есть волшебный алгоритм (реклама Сканекс срабатывает), который позволит с их помойкой из разновременных, разномасштабных противоречивых данных что-то сделать выдающееся. Что делать, если по одному полигону болота вы получаете более 25 классов, а достаточно выделить всего 3 типа.
Crackfox какова площадь территории для классификации, какой масштаб вы планируете получить в результате?
Crackfox, какие характеристики рельефа вы используете. Почему выбран метод FLS segmentation, а не "Случайный лес", "нейронные сети" или:
LecoS https://plugins.qgis.org/plugins/LecoS/
https://peerj.com/preprints/116.pdf
http://wiki.gis-lab.info/w/%D0%9C%D0%BE ... 0%A1_GRASS
http://ru.bmstu.wiki/%D0%9C%D0%B5%D0%B4 ... 0%B8%D1%8F
http://vtiaoai.miigaik.ru/posobiya/2014 ... 8-4705.pdf
https://grass.osgeo.org/grass64/manuals/r.li.html
Crackfox, вы сравнивали лесоустройство с кадастровыми данными?
Crackfox, что мешает нанести в OpenStreetMap часть очевидных объектов, которые однозначно можно классифицировать визуально по крупномасштабной мозаике? Например:
болота: natural= wetland http://overpass-turbo.eu/s/qlf
обрабатываемые поля: Landuse= farmland http://overpass-turbo.eu/s/qlg
луга: natural= grassland http://overpass-turbo.eu/s/qlh
огороды: landuse=allotments
гидрография и т.п.
Работы по этой теме:
Автоматизированное ландшафтно-экологическое картографирование городских территорий с использованием нейронных сетей (на примере г. Казани)
http://www.ievbras.ru/ecostat/Kiril/Article/A17/SA.htm
http://pca.narod.ru/NeuroGIS.pdf
Реализовано, например, в статистическом пакете R CRAN:
https://cran.r-project.org/web/packages ... ohonen.pdf
https://cran.r-project.org/web/packages/som/som.pdf
https://www.r-bloggers.com/self-organis ... n-using-r/
GAMM, понимаете, очень трудно убедить географов проанализировать 150 - 200 классов характеристик, выделить ядра, и присвоить им "смыслы". Географы очень сильно увлекаясь математикой, уверены в том, что все можно подсчитать, построив модели. И есть волшебный алгоритм (реклама Сканекс срабатывает), который позволит с их помойкой из разновременных, разномасштабных противоречивых данных что-то сделать выдающееся. Что делать, если по одному полигону болота вы получаете более 25 классов, а достаточно выделить всего 3 типа.
Crackfox какова площадь территории для классификации, какой масштаб вы планируете получить в результате?
Crackfox, какие характеристики рельефа вы используете. Почему выбран метод FLS segmentation, а не "Случайный лес", "нейронные сети" или:
LecoS https://plugins.qgis.org/plugins/LecoS/
https://peerj.com/preprints/116.pdf
http://wiki.gis-lab.info/w/%D0%9C%D0%BE ... 0%A1_GRASS
http://ru.bmstu.wiki/%D0%9C%D0%B5%D0%B4 ... 0%B8%D1%8F
http://vtiaoai.miigaik.ru/posobiya/2014 ... 8-4705.pdf
https://grass.osgeo.org/grass64/manuals/r.li.html
Crackfox, вы сравнивали лесоустройство с кадастровыми данными?
Crackfox, что мешает нанести в OpenStreetMap часть очевидных объектов, которые однозначно можно классифицировать визуально по крупномасштабной мозаике? Например:
болота: natural= wetland http://overpass-turbo.eu/s/qlf
обрабатываемые поля: Landuse= farmland http://overpass-turbo.eu/s/qlg
луга: natural= grassland http://overpass-turbo.eu/s/qlh
огороды: landuse=allotments
гидрография и т.п.
- Вложения
-
- ВЕРОЯТНОСТНАЯ ОЦЕНКА ПУЛА ВИДОВ РАСТИТЕЛЬНЫХ СООБЩЕСТВ.zip
- (3.37 МБ) 398 скачиваний
-
- avtomatizirovannoe-landshaftno-ekologicheskoe-kartografirovanie-neyronnyh-setey.pdf
- (679.68 КБ) 398 скачиваний
- nadiopt
- Гуру
- Сообщения: 4744
- Зарегистрирован: 29 янв 2009, 13:27
- Репутация: 495
- Ваше звание: хрюкало
- Откуда: Санкт-Петербург
- Контактная информация:
Re: Идентификация подвыделов по данным Sentinel
"Не очень Вас понял, считаете подобное разрешение недостаточным для выделения биогрупп?" - да вот раздумываю. Я исхожу из определения:
"https://dic.academic.ru/dic.nsf/ecolog/1899/Парцеллы"
по-моему, при такой постановке вопроса парцелла может оказаться меньше пикселя
"https://dic.academic.ru/dic.nsf/ecolog/1899/Парцеллы"
по-моему, при такой постановке вопроса парцелла может оказаться меньше пикселя
ин гроссен фамилен нихт клювен клац клац
-
- Гуру
- Сообщения: 4057
- Зарегистрирован: 15 окт 2010, 08:33
- Репутация: 1053
- Ваше звание: программист
- Откуда: Казань
Re: Идентификация подвыделов по данным Sentinel
а где еще, кроме eCognition и Сканекса есть сборка тематических групп?
это СканексРаботы по этой теме:
Автоматизированное ландшафтно-экологическое картографирование городских территорий с использованием нейронных сетей (на примере г. Казани)
http://www.ievbras.ru/ecostat/Kiril/Article/A17/SA.htm
Это вообще о другом
создание собственно сети Кохонена ничего не дает, нет механизма сборки тематических групп. Сам Кохонен исходники своих программ выложил в 90-е, вместе с программами перехода от сетей Кохонена к "жестким" нелинейным классификаторам (на основе разных вариантов LVQ).Реализовано, например, в статистическом пакете R CRAN:
https://cran.r-project.org/web/packages ... ohonen.pdf
https://cran.r-project.org/web/packages/som/som.pdf
https://www.r-bloggers.com/self-organis ... n-using-r/
их не нужно анализировать, человек не в состоянии проанализировать более 10-15 классов (исключение - Раменский, но его подвиг никто ни повторить, ни использовать не может)GAMM, понимаете, очень трудно убедить географов проанализировать 150 - 200 классов характеристик, выделить ядра, и присвоить им "смыслы".
да хоть 125, из них собирается 3 тематических группы, соответствующих типам. Не класс определяет тип, а группы (набор "шариков"). Сборка идет на ординационной плоскости по результатам калибровки, с последующей пространственной генерализацией с использованием Марковского случайного поля. При этом есть механизм (матрица влияния соседей), который позволяет управлять тем, кто с кем будут рядом лежать, и кто кого поглотит при генерализации.Географы очень сильно увлекаясь математикой, уверены в том, что все можно подсчитать, построив модели. И есть волшебный алгоритм (реклама Сканекс срабатывает), который позволит с их помойкой из разновременных, разномасштабных противоречивых данных что-то сделать выдающееся. Что делать, если по одному полигону болота вы получаете более 25 классов, а достаточно выделить всего 3 типа.
Это не автомат, а инструмент, который позволяет исследователю "рисовать" классы на ординационной плоскости (в тематическом пространстве), и получать их географические образы. И наоборот, рисовать области с известной тематикой, и смотреть их образы на ординационной плоскости. И делать то, чего стандартная классификация не может в принципе - отображать градиентные переходы.
-
- Гуру
- Сообщения: 977
- Зарегистрирован: 27 янв 2009, 22:57
- Репутация: 258
Re: Идентификация подвыделов по данным Sentinel
Crackfox еще есть вариант использовать Google Earth Engine. Ограничение 300 км2.
Best Available Pixel (Bap) Composite using the Python API of Google Earth Engine (Gee)
https://github.com/fitoprincipe/geebap
http://cfs.nrcan.gc.ca/pubwarehouse/pdfs/35699.pdf
https://landsat.usgs.gov/sites/default/ ... TM_pdf.pdf
Best Available Pixel (Bap) Composite using the Python API of Google Earth Engine (Gee)
https://github.com/fitoprincipe/geebap
http://cfs.nrcan.gc.ca/pubwarehouse/pdfs/35699.pdf
https://landsat.usgs.gov/sites/default/ ... TM_pdf.pdf
- Crackfox
- Активный участник
- Сообщения: 131
- Зарегистрирован: 02 мар 2016, 20:29
- Репутация: 17
- Ваше звание: разрядник
- Откуда: Москва
- Контактная информация:
Re: Идентификация подвыделов по данным Sentinel
Площадь участка 3000 га. Соответственно использовать даже дюжины
сцен sentinel проблематично. Про 100 изображений или как в монографии ИКИ более 40 в данном случае можно забыть.
в данный момент не учитываю (кстати что Вы имеете ввиду : цмр, ТЛУ из данных таксации, что то иное?), т.к. предварительно цель - сегменитровать элементарные части полога, дабы "смочь учесть" весь размах значений яркости. Т.е. полученное количество сегментов..подклассов (принадлежащих к n-му количеству классов, в зависимости от количества пород) полностью описывает размах значений внутри классов, а значит и весь модельный участок. Далее можно построить регулярную сеть и уже в поле проверять что мы там дистанционно навыделяли.
Возможно стоит отойти от алгоритмов сегментации и использовать кластеризацию без обучения с избыточным количеством классов, варианты объектно-ориентированной классификации или
Маскирование произведено, для работы используется растр исключительно лесных территорий.
-
- Гуру
- Сообщения: 977
- Зарегистрирован: 27 янв 2009, 22:57
- Репутация: 258
Re: Идентификация подвыделов по данным Sentinel
На мой взгляд, ни один из методов классификации, при таком подходе не сможет дать удовлетворительных результатов о породной структуре леса. Просто не достаточно информации для анализа. Только укрупнено. Например, выделение хвойных пород леса по NDVI зимнего снимка (в сравнении с летним). Максимальные значения NDVI и будут хвойные: https://apps.sentinel-hub.com/eo-browse ... el-2%20L1CВозможно стоит отойти от алгоритмов сегментации и использовать кластеризацию без обучения с избыточным количеством классов, варианты объектно-ориентированной классификации
См. здесь: http://mapexpert.com.ua/index_ru.php?id=20&table=news Рисунок 3. Значения NDVI и соответствующие им типы растительного покрова.
И еще http://www.miigaik.ru/upload/iblock/131 ... 15ab0e.pdf
Барталев в главе 4.3. Картографирование породной структуры лесов на основе спутниковых данных описывает метод использования временных рядов спутниковых данных для картографирования преобладающих древесных пород в лесах России.
Рис. 4.6. Динамика КСЯ лесов с преобладанием различных пород по данным MODISОн основан на различиях фенологической динамики их спектрально-отражательных характе¬ристик. Известно, что леса разных пород могут демонстрировать различную дина¬мику фенологического развития (Елагин, 1994). Так, появление листьев на деревьях дуба в основном происходит на 2—3 недели позже, чем у деревьев других листвен¬ных пород в сходных климатических условиях. Цветение липы происходит позже других лиственных пород. Для березы характерно ранее появление листьев весной и позднее их опадание осенью. У ели в начале лета заканчивается рост хвои и начи¬нается ее вызревание раньше, чем у пихты и кедра. Таким образом, интервал меж¬ду наступлением соответствующей фазы для деревьев разных пород, находящихся в одинаковых географических условиях, может составлять от недели и более. Фено-логическая динамика лесов различных пород проявляется в различиях эволюции их спектрально-отражательных характеристик в течение вегетационного сезона, что может быть использовано для их разделения по данным ДЗЗ высокого временного разрешения.
Конечно, Барталева надо интерпретировать, т.е. у нас не глобальный проект и MODIS никак не подходит. Но снимков Sentinel-2А и Sentinel-2В уже несколько сотен по интересующей территории. Я предлагаю делать анализ попиксельно и не за один сезон, не Best Available Pixel, а именно расчет характеристик и индексов в каждом пикселе и получить функцию во времени для понимания фенологической динамики по спектрально-отражательным характеристикам.
Технически решить такую задачу прощее всего для меня оказалось так: строим сетку, по размеру совпадающую с разрешение пикселей растровых данных. По этой сетке извлекаются значения из растров в SQL. Т.е. по сути векторизация и последующая работа уже с вектором. В конце обработки результат опять назад в растр.
Вопросы к обсуждению по работе с Sentinel 2 Toolbox.
Задачи:
1. Маскирование облачного покрова и теней от облаков. Насколько это сейчас в рабочем состоянии в toolbox? Проверял примерно год назад - была каша.
2. Конвертация данных Sentinel в показатели излучения на сенсоре. Для Landsat это описано здесь: http://gis-lab.info/qa/dn2radiance.html
3. Экспорт данных Sentinel из растра в вектор. Gdal (gdal2xyz). Может уже сделал кто сразу экспорт из растра в SQL, без промежуточной конвертации в тхт?
Последний раз редактировалось bim2010 27 ноя 2018, 10:33, всего редактировалось 1 раз.
- Natalia Novoselova
- Гуру
- Сообщения: 3020
- Зарегистрирован: 15 янв 2013, 20:14
- Репутация: 69
- Ваше звание: Лиса
- Откуда: **
- Контактная информация:
Re: Идентификация подвыделов по данным Sentinel
Можно ли, хотя бы после ухода темы из топа, перенести ее туда, где ее после смогут найти другие? То есть в раздел "Охрана природы" или "ДЗЗ"? Общий раздел - это только для того, для чего не нашлось своего тематического раздела. Все "общее" по оценке природных процессов и экосистем - размещать лучше в "Охране природы" (см. под названием раздела его описание).
К теме, хотя не совсем по вашим объектам:
Даже опытный в таких делах, сам В.и У. Ярошенко, признал, что да, так палы травы видны значительно лучше.Для Sentinel-2 для идентификации действующих пожаров очень хорошо работает комбинация каналов (R,G,B) = (12,11,4). Это каналы 2.6мкм, 1.6мкм и красный. В EO Browser эта комбинация определена как False color (urban).
Источник: http://forestforum.ru/viewtopic.php?f=9&t=22053#p167682
-
- Гуру
- Сообщения: 4057
- Зарегистрирован: 15 окт 2010, 08:33
- Репутация: 1053
- Ваше звание: программист
- Откуда: Казань
Re: Идентификация подвыделов по данным Sentinel
может, при условии что (1) структура воспроизводится на больших площадях (это не сплошной экотон), и (2) калибровку ("сборку" тематических классов из спектральных) делает профессионал-дешифровщик, знающий территорию.
P.S. При наличии на территории гидросети и прочих увлажненных мест какой-нибудь построенный по рельефу индекс влажности тоже не повредит.
-
- Гуру
- Сообщения: 1085
- Зарегистрирован: 27 окт 2010, 10:53
- Репутация: 358
- Откуда: Ракурс & GISGeo
Re: Идентификация подвыделов по данным Sentinel
Можно вмешаюсь, тут пару раз слово таксация фигурировало. Данная работа "Идентификация подвыделов по данным Sentinel" имеет какое-то практическое значение для таксационных работ или же чисто научно-исследовательское?
По таксации с применением данных аэро и космосъемки (0,5 м) есть пара публикаций, тут даже обсуждалось как-то.
По таксации с применением данных аэро и космосъемки (0,5 м) есть пара публикаций, тут даже обсуждалось как-то.
Проект GISGeo: геомаркетинг
Кто сейчас на конференции
Сейчас этот форум просматривают: нет зарегистрированных пользователей и 12 гостей