Fjärranalys är komplext!!!
Vad det kortfattat handlar om är att ur bilder tagna från ”en gaziljon” meters höjd klassa områden och objekt på marken så att det går att vidareförädla i GIS program.
I QGIS finns ett insticksprogram (som uppdateras jämt) kallat Semi-Automatic Classification Plugin (SCP) som skall göra just det här.
Jag tycket jag har skaplig koll på såväl GIS generellt som QGIS, men det här är svårt. Har du utbildning inom fjärranalys så har du säkert bättre förutsättningar att hantera alla finesser. Själv så försöker jag följa en instruktion och läsa på efterhand.
Nåja. Jag använder tillägget för att söka efter och ladda hem en scen från Landsat 8.
Steg 1
Det första steget är sedan att ”för-bearbeta” bilderna så att klassningen senare skall bli bättre (DN skall bli TOA – ja självklart?). Jag väljer att strunta i att förstå alla detaljer i instruktionen utan kör på. Annars skulle jag få hålla på i flera dagar med det här.
Processen tar lite tid men lägger inte bara till lager i QGIS utan skapar även ett virtuellt rasterlager med flera band som enligt instruktionen skall symbolsättas med en ”multiband stil”.
Det blir en väldigt bra visuell bild som resultat, men det skiljer sig en del från den instruktion som jag försöker följa, så jag hoppar till nästa steg och hoppas att skillnaderna inte spelar någon roll.
Steg 2
Klassningsfiler skapas dit resultat av ”träningen” skall skrivas. Detta görs i ”ROI” panelen där det bara är att klicka på ”New shp” och peka ut var denna skall skapas. Jag följer exemplet och döper min fil till ROI.shp.
Sedan är det bara att klicka på en pixel i kartan (välj först ”+” knappen under ROI creation) och klassa denna med MC ID och C ID och klicka på ”Save ROI”. Upprepa ett antal gånger för varje klass som skall samlas in. Jag nöjer mig med vattendrag, skog och öppen mark så får vi se om det blir något resultat.
Spektralsignaturerna ser inte ut att överlappa i alla fall, så vi får se i nästa steg.
Steg 3
Det går att förhandsgranska klassningen i en liten ruta.
Detta hjälper och fick mig bland annat att lägga till en klass för ”urbana” områden.
Ett klick på ”Perform classification” och namngivning av den fil som skall skapas, sedan är det bara att vänta på att tillägget skall jobba. Det går att begränsa beräkningen till ett mindre område, men jag kör på rubbet.
En lååång väntan dock…
Bilden ovan hämtad från QGIS Browser och visar Jönköping. Ganska ok eller…
Anledningen till väntan tidigare tror jag berodde på att jag även valde att skapa shapefiler, vilket jag till slut avbröt. Jag behöver ändå bearbeta bilden något innan vektordata skapas.
Steg 4
Instruktionen som jag följde är nu slut, men jag vill använda det klassade lagret för att skapa vektordata också.
Små områden representeras ganska dåligt i större skala så dessa sållas bort med ett processverktyg. Även detta tar ganska lång tid. Jag gissar är att 4 pixlar är lagom, men vill man vara säker så skulle jag tro att man skall försöka köra processen på ett mindre dataset först. Senare så provade jag 32 som tröskelvärde och ändrade till 8 i Pixelkontakter. Detta sållar bort större områden men tar hänsyn till att pixlar även kan gränsa till varandra diagonalt. Detta gick snabbare och gav ett något bättre resultat.
Sålla reducerar ”kluddet” något, och det duger för att fortsätta testa. Lägger man lite mer tid på klassningen i SCP och testar sållningen mera så kommer man säkert att få ett bättre resultat.
Nästa verktyg är ”Raster till Vektor” som rakt av tar rasterdata och skapar ett polygonlager med objekt klassade efter dessa rasterdata. Även detta tar väldigt lång tid att beräkna i mitt fall, så reducera pixlar så mycket du kan.
Häng med i morgon när jag gör färdigt kartan baserad på Semi-Automatic Classification Plugin.