Основы работы с данными ДЗЗ: дешифрирование мультиспектральных снимков в QGIS. Вебинар

• Приветствие и напоминание о предыдущих вебинарах.  

• Обсуждение переноса вебинара на осень.  

• Обзор образовательных курсов и телеграм-канала.  

• Теория по видам дешифрирования.  

• Настройки проекта в QGIS.  

• Обзор инструментов для обработки данных.  

• Визуальное дешифрирование.  

• Автоматизированные методы: попиксельное и объектно-ориентированное дешифрирование.  

• Дополнительные методы анализа спутниковой информации.  

• Обзор инструментов для классификации в QGIS.  

• Установка модулей через меню "Модули".  

• Преимущества и недостатки различных модулей.  

• Модуль для неуправляемой классификации.  

• Инструмент для работы с спутниковыми данными.  

• Необходимые инструменты для работы с QGIS.  

• Проверка установленных библиотек.  

• Установка недостающих библиотек через командную строку.  

• Использование инструмента "osgeo4w shell" для установки модулей.  

• Установка библиотек и настройка системы для работы с автоматикой классификацией.  

• Проверка наличия необходимых компонентов: сайпай, сакит лен, ремоушен сенсус.  

• Настройка производительности системы: использование всех ядер процессора и увеличение объема оперативной памяти.  

• Открытие данных в Кугисе через браузер или перетаскивание.  

• Использование данных уровня 2А для лучшей атмосферной коррекции и сравнения.  

• Подгрузка нескольких спутниковых подложек для определения типов классов.  

• Установка модуля Кума-Сервис через плагинс-установка.  

• Выбор подложки для работы: Яндекс Сателлит, Гугл Сателлайт, Ери Слать.  

• Подключение подложки Яндекс Карт для быстрой ориентации.  

• Загрузка данных и подключение подложек.  

• Создание набора каналов бан-сет для работы с автоматикой классификацией.  

• Добавление каналов в бан-сет и их сортировка по возрастанию номера.  

• Создание виртуального растра набора каналов.  

• Указание папки для временного виртуального растра.  

• Создание отдельной папки для работы с данными.  

• Открываем папку и загружаем файл.  

• Проверяем успешность загрузки по звуковому сигналу.  

• Используем инструмент комбинации каналов для создания цветного изображения.  

• Вводим номера каналов для создания цветного изображения.  

• Пример: 4-3-2 для получения изображения в естественных цветах.  

• Классификация может быть с обучением или без.  

• Неуправляемая классификация проста и эффективна для начинающих.  

• Машина подбирает группы классов по наиболее ярким признакам.  

• Быстрый результат, но иногда трудно интерпретировать.  

• Может объединять разные типы поверхностей в один класс.  

• Используется на начальном этапе для оценки данных.  

• Кластеризация K-средних работает по принципу наименьшего расстояния.  

• Плюсы: простота и интуитивность.  

• Минусы: чувствительность к шумам и хаотичное распределение центров классов.  

• Использование классификации в QGIS.  

• Указание номера манцета и активного канала.  

• Возможность добавления новых методов кластеризации в будущем.  

• Один канал, можно установить номер нужного банцета.  

• Дистан трэш фолд: чувствительность к значениям, минимальный разброс между пикселями.  

• Исходный набор данных целочисленные значения, можно пренебречь дистан трэш холтом.  

• Количество кластеров: 9 классов, максимальное количество итераций 10-20.  

• K-средних: итеративный алгоритм, минимизирует погрешность.  

• И-за дата: не требует точного количества кластеров, минимизирует выбросы.  

• Инструмент в саги: указание каналов, максимальное количество итераций, начальное количество кластеров.  

• Класси Файер: работает с единым файлом, объединяющим все каналы.  

• Объединение растров в один слой.  

• Разные алгоритмы кластеризации дают разные результаты, не подходят для классификации разновременных снимков.  

• Объединение каналов в один мультинальный растр.  

• Использование Класси Файер для кластеризации.  

• Сохранение результатов кластеризации.  

• Указание входящего мульти слоя и места его сохранения.  

• Методы кластеризации: k-средних и Изада.  

• Метод k-средних аналогичен методу в SIC.  

• Метод Изада определяет количество классов автоматически.  

• Указание количества итераций, максимальной схожести пикселей и минимального расстояния для разделения.  

• Использование максимального стандартного отклонения и минимального количества сэмплов для определения классов.  

• Метод Изада предложил 10 классов вместо 9.  

• Интерпретация полученных классов, например, вода и растительность.  

• Использование неуправляемой кластеризации для предварительной оценки данных.  

• Создание эталонных классов для обучения.  

• Использование цветного композита и комбинаций каналов.  

• Важность выбора каналов для выделения различных типов поверхностей.  

• Использование инструментов для улучшения контрастности.  

• Применение данных подложек для определения типов поверхностей.  

• Сравнение данных с разных источников для уточнения типов поверхностей.  

• Применение Яндекс панорам и спутниковой съемки для детального анализа.  

• Определение типов растительности и поверхностей.  

• Использование карт для точного определения местоположения.  

• Определение типов поверхностей.  

• Использование инструментов для создания эталонов.  

• Создание нового набора эталонов в CIP.  

• Создание полигонов для записи спектральных характеристик.  

• Два способа создания полигонов: вручную и с помощью инструмента "заполнение точек".  

• Важность уникальных идентификаторов для классов и макроклассов.  

• Инструмент "заполнение точек" для создания эталонов.  

• Настройка чувствительности инструмента для захвата схожих пикселей.  

• Пример использования инструмента для создания эталонов растительности.  

• Экспорт наборов эталонов в различные форматы.  

• Сохранение полигонов и спектральных характеристик.  

• Импорт готовых наборов эталонов для использования в других проектах.  

• Просмотр характеристик спектральных образов.  

• Использование кнопок "хайлайт" и "атомы" для выделения эталонов.  

• Автоматическое пересчитывание спектральных характеристик при изменении данных.  

• Определение качества эталонов по спектральным диаграммам.  

• Оценка среднего значения и разброса значений яркости.  

• Проверка на пересечение эталонов и их соответствие друг другу.  

• Важно, чтобы классы были разделены в разных каналах.  

• Пример с водой: два варианта воды, один из которых мелководье.  

• Оценка точности эталонов через спектральные расстояния.  

• Сравнение двух сигнатур и оценка близости спектральных углов.  

• Расстояние между центрами классов и коэффициент подобия.  

• Проблемы с разделением классов при малом количестве данных.  

• Метод минимального расстояния и максимального правдоподобия.  

• Метод случайного леса и его преимущества.  

• Метод спектрального угла и его особенности.  

• Методы минимального расстояния, максимального правдоподобия и случайного леса.  

• Проблемы с классификацией воды и растительности.  

• Метод опорных векторов и его сложность.  

• Создание растра достоверности для оценки точности классификации.  

• Использование дополнительного растра для анализа схожести классов.  

• Разные подходы к классификации дают разные результаты.  

• Минимальное расстояние помогает определить объекты, отличающиеся от среднего значения яркости.  

• Для оценки точности используется постпроцессинг с исходным и эталонным растрами.  

• Данные для оценки точности должны быть получены из других источников, не из тех же спутниковых снимков.  

• Для достоверной оценки требуется минимум 40 точек на класс.  

• Оценка точности показывает количество совпадений пикселей между классифицированным и эталонным растрами.  

• На сайте есть набор инструментов для обработки данных дистанционного зондирования.  

• Инструменты позволяют пройти весь путь от получения данных до их обработки.  

• Для скачивания данных можно использовать инструмент "Сцены стил" в геопекач.  

• Инструмент "Подготовка спутниковых данных" позволяет скачать и объединить каналы в один растр.  

• Для классификации используется метод случайного леса.  

• В процессе классификации важно указать векторный слой с эталонами и атрибуты поля.  

• Инструмент "Классификация изображения" использует метод случайного леса.  

• Указывается исходное изображение, обучающие эталоны и атрибуты.  

• В результате получается классифицированный растр и отчет о классификации.  

• Показана простая статистика: площадь пикселей, средние значения и ошибки внутри каждого класса.  

• Классифицированный растр.  

• Пластырь позволяет получить аналогичную картинку, как в автомате кашн плагине.  

• Подписи к классам нужно делать вручную.  

• Инструмент кластеризации использует алгоритм k-среднего.  

• Выбор исходного файла, указание количества классов и метода инициализации.  

• Максимальное количество итераций можно увеличить для ускорения процесса.  

• Результат можно скачать и открыть в ГИС.  

• Использование цепочки инструментов: сцены с антинел, подготовка спутниковых данных, кластеризация изображений.  

• Задача решается просто, если не заморачиваться с подбором данных.  

• Создание эталонов в Кубисе и использование инструмента классификации изображений.  

• Время расчета увеличилось с полутора до двух часов.  

• Возможность обсуждения и обмена опытом дешифрирования.  

• Ошибочная классификация зависит от качества классификации и исходных данных.  

• Для детального дешифрирования нужно больше каналов.  

• Уменьшение количества каналов может привести к более конкретным результатам.  

• Возможность загрузки проекта из Геопекаджа.  

• Открытие проекта через Кубису.  

• Группировка снимков по датам и параметрам облачности.  

• Презентация будет доступна после создания видео.  

• Возможность проведения следующего вебинара по обработке данных.  

• Благодарность за внимание и приглашение в чат и на почту.