Форумы GIS-Lab.info

Добрый день! Подскажите пожалуйста, какой индекс лучше всего использовать для изучения изменения почвенной линии островов включая мели

NDWI иногда лучший результат дает NDVI. Всё зависит от задач, гидрологических условий, состояния водной и вышей водной растительности.
В и-нете была статья как раз посвященная Вашему вопросу - Использование космических снимков для определения границ водоёмов и изучения процессов эвтрофикации.

Лучше не индексы мутить, а настроить классификатор, он вам индекс и построит. Вода обычно отбивается нормально.

gamm писал(а): ↑

18 окт 2021, 12:14

Лучше не индексы мутить, а настроить классификатор, он вам индекс и построит. Вода обычно отбивается нормально.

Интересен ваш ответ. Добрый день. Что он означает? Какой классификатор, как его настроить, чтобы он строил индексы?

Вот у меня, например, задача, научиться использовать снимки Sentinel2 (10 м) или Landsat8-9 (30м) для дешифрирования сильного техногенного загрязнений грунта, разреженного (пустынного) растительного покрова.
И думаю, что вот именно что-то такое и надо делать - строить новые индексы. Или искать их готовые в литературе по загрязнениям.

все как обычно, набираем образцы для обучения, и обучаем нейронную сеть. Перед этим можно, используя статистиические методы (типа дискриминантного анализа) и методы машинного обучения (типа RandomForest) оценить полезность каналов и существующих индексов.

gamm писал(а): ↑

28 апр 2022, 09:14

все как обычно, набираем образцы для обучения, и обучаем нейронную сеть. Перед этим можно, используя статистиические методы (типа дискриминантного анализа) и методы машинного обучения (типа RandomForest) оценить полезность каналов и существующих индексов.

Выглядит многообещающим методом! Может быть, вы могли бы посоветовать какие-то статьи, в которых выполняется подобная (моей) задача подобным методом? Чтобы увидеть общую схему и ее опробовать.

У меня именно есть образцы территории, по которым известно, что они загрязнены и примерно чем. Нужно, оценить окружающие территории методом анализа космоснимков, чтобы составить карту распространения и интенсивности данного типа загрязнений (причина загрязнений - минерия, техногенные аварии или выбросы, не считающиеся аварийными, также перенос ветром токсичной пыли с больших открытых хвостохранилищ).

Natalia Novoselova, вам, по хорошему, так же нужны образцы, про которые точно известно, что они не загрязнены

если есть только положительные примеры, то вариантов тоже много, начиная от классического метода максимального правдоподобия, использования фона (как в MaxEnt), и заканчивая "наивным Байесом", когда строится много классов, и для каждого определяется вероятность наличия в нем пикселей целевого класса.

для начала можно взять тот же MaxEnt, или метод максимального правдоподобия, он практически везде есть.

Ivor писал(а): ↑

28 апр 2022, 18:19

Natalia Novoselova, вам, по хорошему, так же нужны образцы, про которые точно известно, что они не загрязнены

Есть и такие задачи, т.е. когда даются образцы точно загрязненные и точно не загрязненные.

Есть задачи, когда затруднительно определить незагрязненные участки.

gamm писал(а): ↑

28 апр 2022, 20:54

если есть только положительные примеры, то вариантов тоже много, начиная от классического метода максимального правдоподобия, использования фона (как в MaxEnt), и заканчивая "наивным Байесом", когда строится много классов, и для каждого определяется вероятность наличия в нем пикселей целевого класса.

для начала можно взять тот же MaxEnt, или метод максимального правдоподобия, он практически везде есть.

MaxEnt мне ищется вот про это https://wiki.gis-lab.info/w/%D0%9A%D1%8 ... %B2_MaxEnt
программы MaxEnt, предназначенной для моделирования географического распространения биологических видов методом максимальной энтропии.

Наверное, вы что-то другое имели в виду? Или именно это?

Ну, в целом стратегия такова - искать публикации в сфере "использования ДЗЗ для оценки загрязнения земной поверхности" и искать среди них методы, которые используют обучаемую классификацию, построение индексов и какую-то статистику для выбора лучших индексов.