Форумы GIS-Lab.info

Crackfox писал:

Возможно стоит отойти от алгоритмов сегментации и использовать кластеризацию без обучения с избыточным количеством классов …

Чабан в работе Автоматизированная обработка аэрокосмической информации для картографирования геопространственных данных пишет: Неконтролируемая классификация выполняется с целью выбора тестовых участков с высокой степенью пространственной однородности.
Чабан в работе Методы и алгоритмы распознавания образов в автоматизированном дешифрировании данных дистанционного зондирования в главе 10.3. Самоорганизующиеся карты Кохонена на стр 88 пишет:

В ГИС нейросети могут применяться при систематизации каких-то данных по ряду признаков. Но в тематической классификации аэрокосмических изображений эта идеология применяется крайне редко, из-за чрезмерно больших объемов данных, необходимых для обучения системы распознавания.

GAMM писал:

(2) калибровку ("сборку" тематических классов из спектральных) делает профессионал-дешифровщик, знающий территорию.

Вопрос: при пространственном разрешении пикселя Sentinel-2 разве значительная часть пикселей не является смесью нескольких классов с различными спектральными отражательными свойствами?
Например, в пособии Малышевой Пособие по дешифрированию древесной растительности на сверхдетальных изображениях речь идет о метровой съемке и лучше. "Профессионалы-дешифровщики" уже были - лесоустройство в наличии, но осадок остался.

bim2010 писал(а): ↑

20 мар 2018, 14:36

Например, в пособии Малышевой Пособие по дешифрированию древесной растительности на сверхдетальных изображениях речь идет о метровой съемке и лучше.

А это, кстати, программно реализовано Леспроектом (StereoMeasure) и принято как методика проведения таксационных работ Рослесхозом. В основе - аэросъемка, а вот 0,5 метра космоса начинает уступать наземному способу. Там две части: стереотаксация и дешифрирование. Классификатор дешифровка там настраиваемый, для каждого региона свой делается.

bim2010 писал(а): ↑

20 мар 2018, 14:36

Вопрос: при пространственном разрешении пикселя Sentinel-2 разве значительная часть пикселей не является смесью нескольких классов с различными спектральными отражательными свойствами?

Ответ: является. Но опыт говорит, что 225 -900 классов вполне хватает, чтобы все покрыть. И что если человек с традицонными навыками и представлениями пытается интерпретировать каждый класс, он приходит к выводу, что все это чушь собачья. В данном случае автор явно не видит разницы между методами типа изодаты или к-средних, задача которых найти центры классов, и такими методами, как сети Кохонена, генеративные топографические отображения Бишопа и прочие нейронные газы, задача которых аппроксимировать распределение, и с этим работать. Тематических классов у вас все равно немного, даже у Сочавы на всю Россию около 40, насколько я помню, так что проблема только в сборке спектральных классов в тематические. Руками традиционных мастеров этого не сделать. И полного автомата быть не может, но дешифровщику опытному подмога.

GAMM хотелось бы получить от вас и коллег комментарий по подходу описанному Барталевым в главе "Картографирование породной структуры лесов". Подобное, я читал в работах еще 10-ти летней давности, когда в пикселе собирается информация о растительности, рельефе, почвах, "четвертичке", климатических особенностях и т.п. Но тогда не хватало необходимого объема открытых данных ДЗЗ для построения.

bim2010 писал(а): ↑

20 мар 2018, 15:29

комментарий по подходу описанному Барталевым в главе "Картографирование породной структуры лесов".

я эту работу не читал (я вообще на русском почти не читаю давно), если будет текст, что-то смогу сказать. Алгоритм Барталева с построением временных рядов по Модису у нас воспроизводили, он работает (ловили зарастание полей и пр., видовой состав лесов). И вообще, я простой программист на пенсии

GAMM писал:

Ответ: является. Но опыт говорит, что 225 -900 классов вполне хватает, чтобы все покрыть. И что если человек с традицонными навыками и представлениями пытается интерпретировать каждый класс, он приходит к выводу, что все это чушь собачья. В данном случае автор явно не видит разницы между методами типа изодаты или к-средних, задача которых найти центры классов, и такими методами, как сети Кохонена, генеративные топографические отображения Бишопа и прочие нейронные газы, задача которых аппроксимировать распределение, и с этим работать. Тематических классов у вас все равно немного, даже у Сочавы на всю Россию около 40, насколько я помню, так что проблема только в сборке спектральных классов в тематические. Руками традиционных мастеров этого не сделать. И полного автомата быть не может, но дешифровщику опытному подмога.

Мы с вами про разное говорим. В этой теме мы обсуждаем, как по данным Sentinel-2 выделить породную структуру леса. Профессионалу-дешифровщику для выполнения работ необходимо наличие цветных спектрозональных цифровых и стереоскопических аэро- или космоизображений с разрешением местности не ниже 0,6 м.
ftp://ftp.sovzond.ru/forum/2015/15.04_pdf/Arhipov.pdf
http://www.forestforum.ru/viewtopic.php?t=18244
http://www.racurs.ru/?page=779
Черниховский Технологии таксации лесов дешифровочным способом

bim2010 писал(а): ↑

20 мар 2018, 19:20

Мы с вами про разное говорим. В этой теме мы обсуждаем, как по данным Sentinel-2 выделить породную структуру леса. Профессионалу-дешифровщику для выполнения работ необходимо наличие цветных спектрозональных цифровых и стереоскопических аэро- или космоизображений с разрешением местности не ниже 0,6 м.

начнем с того, что таксация и породная структура это вообще о разном, и поговорим о породной структуре. Приведенная инструкция написана под классическую технологию, о которой уже упоминалось выше - писали ее классики жанра из МИИГАИКА. С другой стороны, я в еще 90-е слышал про попытки таксации по материала Ресурса-О4, не исключено, что тоже свою инструкцию написали.

Посмотрите, что делают канадцы на метровом разрешении без всякого стерео - выделяют кроны, распознают, и делают учет отдельных деревьев - вот это реально породный состав. Чтобы картировать на уровне ассоциаций, Сентинела должно хватить, как мне кажется.

А еще простой способ есть, если площадь всего 3000 га - БПЛА с гиперспектральной камерой, и калибровочные участки с ручной таксацией. У каждого крупного дерева есть ствол с точными координатами.

Трудности правда там будут уже другие, данных гиперспектральной съемки будет под десяток другой Тб., но в общем все как то обрабатывается ...

А еще простой способ есть, если площадь всего 3000 га - БПЛА с гиперспектральной камерой,

Способ, конечно, простой . Щас как установим ГСА на наш фантом, возьмём 100 аккумуляторов и снимем. Ну да ладно, я конечно Вас понял. Если без шуток , то само собой соглашусь , что этот вариант подходящий для выполнения данной задачи наиболее качественно . вот тут например об этом. Есть и гиперспектрвльеые космические средства дзз с приличным разрешением.
Но цель использовать именно sentinel,а точнее апробировать , можно или нет...

Посмотрите

Где посмотреть ? Я понимаю что в интернете ... но все таки Вы имеете же ввиду конкретные работы

если вопрос ко мне, то начать можно отсюда http://cfs.nrcan.gc.ca/authors/read/13789. Это список работ одного из авторов.

Спасибо

Land Cover Classification with eo-learn: Part 1

eo-learn
Improving Cloud Detection with Machine Learning

XVI.F.11 - Пространственная классиф. древесных пород и таксации леса (Sentinel-2) - Денисова А. Ю.
XVI.F.14 - Анализ временных рядов 250 м MODIS LAI (мониторинг северных лесов России) - Шабанов Н. В.
XVI.F.22 - Количественные методы мониторинга состояния почв и растительного покрова - Глазунов Г. П.

FLS segmentation даст более интересный результат, чем методы используемые Денисовой.
Отбор для обучения и классификации производится только для однородных по породе участках (см. 4 мин.).
А что с остальной территорией?