Viac

Vykonáva sa hodnotenie presnosti pomocou testovacích údajov z shapefile v ENVI?


ENVI 5.2.1. Z obrázku .tiff (4 pásma) som vytvoril súbor .dat s dohliadanou klasifikáciou s maximálnou pravdepodobnosťou. Teraz chcem vykonať posúdenie presnosti pomocou testovacích údajov z tvarového súboru. Skúsil som použiť nástroj -> Matica zmätku pomocou návratnosti investícií Ground Truth. Keď sa zobrazí okno Vstupný súbor klasifikácie, vyberiem svoj súbor MaxlikeSupervised.dat a zobrazí sa chyba „K tomuto vstupnému súboru nie sú priradené žiadne návratnosti investícií ani EVF“

Musím vytvoriť súbor a súbor NI?

Ako to urobím?

Musím použiť obrázok Ground Truth a ako ho získam?

Všetky súbory, ktoré mám, sú ten jeden súbor s obrázkom, ktorý som vytvoril pod dohľadom .dat súboru s klasifikáciou a mám testovacie dátové body z súboru shapefile, aby som ho priradil k súboru .dat.


Súbor .shp môžete/musíte previesť na NI v programe ENVI. Prejdite na vektor> preveďte vektor na NI a vyberte svoje tvarové súbory.

Pozrite sa na toto video na konverziu na NI https://www.youtube.com/watch?v=ukrgGUkxJlU od 7:20


Zdroje máp GIS

Nevadská divízia ochrany životného prostredia (NDEP) používa priestorové údaje na podporu environmentálnej analýzy a rozhodovania. Táto webová stránka poskytuje verejný prístup k priestorovým údajom prostredníctvom webových mapových aplikácií a mapových služieb.

Geographic Information Systems (GIS) je termín používaný na zahrnutie údajov digitálnych máp a softvéru používaného na ich zobrazenie. Vedci, inšpektori, regulátori a vedúci kancelárií NDEP používajú GIS ako nástroj na prezeranie a interpretáciu údajov spôsobmi, ktoré odhaľujú vzťahy, vzorce a trendy. GIS poskytuje spoločnú platformu na zdieľanie údajov, ktorá zlepšuje pracovný tok a koordináciu medzi štátnymi, federálnymi a miestnymi vládami. Ako nástroj na meranie výkonnosti poskytuje GIS transparentnosť a zodpovednosť vo vláde. NDEP používa softvér ESRI na desktopovú analýzu, kartografiu, webové aplikácie GIS a správu priestorových databáz.

Zvýraznenie zdrojov: Interaktívne mapy GeoCortex

GeoCortex je aplikácia, ktorú používame na zobrazenie našich údajov na interaktívne prehliadanie na internete. Umožňuje vám vykonávať rozšírené vyhľadávania a dopyty na funkcie a dokonca pridať vlastný súbor tvaru (pri pridávaní vyberte súbor .shp) alebo súbor .csv (tabuľka/tabuľka oddelená čiarkami). Môžete si tiež vytvoriť vlastnú kresbu a text na samotnej mape a uložiť ich do súboru projektu. Tento súbor projektu je možné znova otvoriť a upraviť na ktorejkoľvek z našich máp! Môžete dokonca zdieľať svoje projektové súbory s ostatnými, ktorí môžu tiež upravovať výkresy. Môžete tiež exportovať svoje kresby do formátu shapefile! Ďalšou vlastnosťou tejto aplikácie je schopnosť kopírovať funkcie do výkresu projektu. Pozrite sa na nástroje analýzy, kde nájdete možnosti, meranie, umiestnenie XY a ďalšie!


Abstrakt

Pokrok v oblasti diaľkového snímania umožňuje rýchle mapovanie mangrovových porastov bez potreby metodík náročných na údaje, komplexných klasifikátorov a klasifikačných techník závislých od zručností. Táto štúdia navrhuje nový index, Mangrove Vegetation Index (MVI), na rýchle a presné mapovanie mangrovového rozsahu zo vzdialene snímaných snímok. MVI využíva tri pásma Sentinel-2 zelené, blízke infračervené (NIR) a krátkovlnné infračervené (SWIR) vo forme | NIR-zelená |/| SWIR-zelená | diskriminovať zreteľnú zeleň a vlhkosť mangrovníkov od suchozemskej vegetácie a inej krajinnej pokrývky. Spektrálna pásmová analýza ukazuje, že | NIR-zelená | časť MVI zachytáva rozdiely zelene medzi mangrovovými lesmi a suchozemskou vegetáciou. | SWIR-zelená | časť indexu vyjadruje výraznú vlhkosť mangrovníkov bez toho, aby boli potrebné ďalšie prílivové údaje a vodné indexy. Hodnota MVI sa zvyšuje so zvyšujúcou sa pravdepodobnosťou, že pixel bude klasifikovaný ako mangrovy. Jedenásť mangrovových lesov na Filipínach a jeden mangrovový park v Japonsku boli potom mapované pomocou MVI. Posúdenie presnosti sa vykonalo pomocou údajov z terénneho inventára a ortofotosnímok z dronov s vysokým rozlíšením. MVI úspešne oddelili mangrovy od ostatných porastov, najmä suchozemskej vegetácie, s celkovou presnosťou indexu 92%. MVI bol aplikovaný na obrázky Landsat 8 pomocou ekvivalentných pásiem na testovanie univerzálnosti indexu. Medzi obrázkami Sentinel-2 a Landsat boli vyrobené porovnateľné mapy mangrovových MVI s optimálnym minimálnym prahom 4,5 a 4,6. MVI môže efektívne zvýrazniť informácie o zelenosti a vlhkosti v mangrovoch, čo sa odzrkadľuje na jeho miernej až vysokej korelačnej hodnote (r = 0,63 a 0,84, α = 0,05) s chlorofylom-a získaným zo Sentinelua) a baldachýnová voda (C.w) biofyzikálne výrobky. Táto štúdia vyvinula a implementovala dve automatizované platformy: offline „MVI Mapper“ na báze IDL a online mapovacie rozhranie MVI založené na Google Earth Engine. MVI implementovaný v nástroji Google Earth Engine bol použitý na generovanie najnovšej mapy rozsahu mangrovových porastov na Filipínach. Okrem toho bola aplikácia MVI testovaná v štyroch ďalších mangrovových lesoch v juhovýchodnej Ázii: Thajsku, Vietname, Indonézii a Kambodži a vo vybraných mangrovových lesoch v Južnej Amerike, Afrike a Austrálii.


Detekcia budov

Analýza rôznych typov budov je zvyčajne prioritou pri hodnotení rizika požiaru, najmä v zónach geografickej konverzie, ktoré hraničia s rozvojom miest. Teoreticky by to mohlo byť založené na záznamoch o nehnuteľnostiach, ale nie každý región bude mať tieto informácie k dispozícii digitálne. Okrem toho nie sú neobvyklé ani neformálne osady. Vzhľadom na tieto skutočnosti je dôležité získať aktuálne údaje a podniknúť kroky na základe skutočnej situácie. Picterra je vynikajúcim príkladom platformy, ktorá umožňuje budovanie vyššie uvedených pracovných tokov AI na satelitných, leteckých a dronových snímkach. Pretože je platforma veľmi flexibilná a nie je obmedzená na konkrétne prípady použitia, algoritmy spoločnosti Picterra je možné vycvičiť tak, aby presne detegovali veľmi odlišné typy budov - americký štýl, európsky štýl, slumy, priemyselné a obytné budovy, utečenecké tábory atď. na.

S Picterra je rýchly, efektívny a nevyžaduje znalosti kódovania alebo strojového učenia. Stručne povedané, všetko, čo musíte urobiť na detekciu budov, je:

  1. Odovzdajte snímky. Prostredníctvom nášho portálu uľahčujeme prístup k satelitným snímkam. Na riadenie rizika požiaru však pravdepodobne budete musieť priniesť svoje vlastné aktuálne a miestne údaje.
  2. Trénujte svoj model strojového učenia. Podrobne sme sa tomu venovali v tejto podrobnej príručke o tom, ako vytvoriť vlastný detektor, a odporúčame si ho prečítať skôr, ako sa pohnete ďalej.
  3. Picterra je pozoruhodne rýchla, ale ešte rýchlejšie sa môžete dostať pomocou nášho vstavaného detektora, ktorý je pripravený na detekciu budov.
  4. Vaše výsledky sú pripravené. Môžete ich zdieľať alebo stiahnuť a integrovať s iným softvérom GIS, ktorý môžete používať.

Príklad detektora budov postaveného na satelitných snímkach z Kamerunu.


ZHRNUTIE:

V tomto dokumente a Tretia správa a objednávka prijaté Komisiou ustanovuje dôležité opatrenia na zber veľmi presných a spoľahlivých širokopásmových údajov vrátane povinnosti požadovať od poskytovateľov pevných služieb založených na zariadeniach, aby v rámci zberu údajov o digitálnej príležitosti hlásili pokrytie službami širokopásmového prístupu na internet a aby identifikovali, kde sa tieto služby ponúkajú aj obytným oblastiam keďže sú ponúkané podnikom, ktoré vyžadujú zber informácií o rýchlosti a latencii od poskytovateľov pevných služieb, ktorí požadujú, aby poskytovatelia terestriálnych pevných bezdrôtových služieb podávali správy o súradniciach svojich základňových staníc, a od mobilných poskytovateľov požadujúcich poskytovanie dodatočných informácií o sieťach poskytovateľov a ich šírení, čo umožní Komisii efektívnejšie overovať údaje poskytovateľov. Navyše, Tretia správa a objednávka ustanovuje požiadavky na výzvy týkajúce sa hlásenia pokrytia pevných a mobilných služieb a na výzvy na údaje Fabric. The Tretia správa a objednávka taktiež ustanovuje štandardy na identifikáciu miest, ktoré budú zahrnuté do Fabric, a stanovuje štandardy na presadzovanie požiadaviek spojených so zberom údajov digitálnej príležitosti.


Využívanie pôdy Klasifikácia krajinnej pokrývky GIS, ERDAS, ArcGIS, ENVI

Toto je prvý kurz landuse landcover na tému Udemy, ktorá je najnáročnejšou témou v GIS. V tomto kurze som prešiel od sťahovania údajov po konečné výsledky. použil som UČENIE ERDAS, ArcGIS, ENVI a MACHINE. Vysvetlil som všetky možné metódy klasifikácie využívania pôdy. Ďalej sú už popísané predbežné spracovanie obrázkov po stiahnutí a po klasifikácii, ako sú opravené aj chybové pixely, takže keď sa tu poučíte, nemusíte sa nikoho pýtať na klasifikáciu lanudse. Teoretický koncept som vysvetlil aj počas spracovania údajov. Pokryl som kontrolované, bez dozoru, kombinované metódy, metódy korekcie pixelov atď. Tiež som ukázal opravu pixelov špecifických pre oblasť, aby som dosiahol maximálnu presnosť. Väčšina tohto kurzu je zameraná na Erdasa a ArcGIS na klasifikáciu a výpočty obrázkov. Hĺbkové znalosti všetkých metód nájdete v tomto kurze. V tomto kurze je zahrnutá aj klasifikácia obrázkov pomocou strojového učenia.

Tento kurz zahŕňa aj generovanie správy o hodnotení presnosti v erdas.

Poznámka: Každá sekcia metódy využívania krajiny zahŕňa od začiatku inú metódu, takže pred začatím pozemnej dopravy sledujte celý kurz. Potom začnite využívať pôdu metódou, ktorá sa vám zdá jednoduchá a najlepšie sa hodí pre vašu študovanú oblasť. Potom ju zvládnete najlepšie. Na iný typ študijnej oblasti je použiteľná iná metóda. Tento kurz je použiteľný pre Verzia Erdas 2014, 2015, 2016 a 2018. a ArcGIS verzia 10.1 a novšia, t. J. 10,4, 10,7 alebo 10,8

90% praktické 10% teória

Problém, s ktorým sa musíte stretnúť počas klasifikácie:

Niektorí z nás čelili problémom počas klasifikácie ako:

Mestská oblasť a neúrodná pôda majú rovnaký podpis

Suchá rieka odráža rovnaký podpis ako mestská oblasť a neúrodná krajina

ak sa pokúsite opraviť mesto a zobrazí sa chyba v neplodnosti

V kopcovitej oblasti nemôžete klasifikovať les, ktorý sa nachádza v tienistej oblasti.


Mapy/GIS

GIS je výsledkom elektronicky vyrábaných máp navrstvených na seba so schopnosťou vytvárať dotazy a získavať informácie o danej oblasti. GIS používame na geografické mapovanie vodnej a kanalizačnej infraštruktúry pri zadávaní informácií o každej funkcii do systémovej databázy.

Vyhlásenie misie GIS

Poslaním oddelenia GIS Henry County Water Authority & rsquos (HCWA) je zhromažďovať, udržiavať a poskytovať presné a úplné údaje o infraštruktúre zamestnancom a zákazníkom a podporovať rozhodovanie na základe údajov v celom orgáne. Pracovníci GIS poskytujú technologické riešenia na uľahčenie použitia a interpretácie vysoko kvalitných geopriestorových údajov.

Oddelenie GIS Henry County Water Authority používa množstvo softvérových balíkov na vytváranie máp, analýzu geografických informácií a vizuálne skúmanie digitálnych funkcií infraštruktúry. Využívanie geografických informačných systémov (GIS) môže výrazne zvýšiť efektivitu a efektivitu všetkých zamestnancov HCWA. Primárnym cieľom programu GIS je sprístupniť mnohé z týchto mapovacích zdrojov zamestnancom v danej oblasti.

Ak máte akékoľvek otázky týkajúce sa týchto informácií, zavolajte na číslo 770.914.3688 v čase od 8:00 do 17:00 a porozprávajte sa s oddelením GIS.


Chyba pri vkladaní na mapu

Mám 218 bentických sedimentov z kontinentálneho šelfu v hĺbke od 20 do 130 metrov. Tieto vzorky boli odobraté z ôsmich miest rozšírených zo severnej Kalifornie do južného Washingtonu. Na každom mieste boli vzorky randomizované podľa hĺbkových gradientov.

Každá vzorka pozostáva z počtu druhov plus hĺbky, šírky a charakteristík sedimentu, ako je veľkosť zrna (t. J. Piesok verzus bahno), koncentrácie organického uhlíka a dusíka. Pomocou Bayesian Belief Networks sa vypočítali asociácie druhov a biotopov a na vytvorenie regionálnych prediktívnych máp sa použili nadviazané vzťahy. Konečné mapové produkty zobrazujú priestorové rozloženie vhodného biotopu, kde vysoká pravdepodobnosť naznačuje vysokú pravdepodobnosť nájdenia druhu vzhľadom na polohu a jeho kombináciu environmentálnych faktorov. Aj keď body odberu neboli odoberané v konzistentnej mriežkovej mierke, mapy vhodnosti boli zmenšené na rozlíšenie 250 metrov.

Ako v každom procese modelovania biotopov, „najlepší“ model bol zvolený na základe výkonnosti modelu a množstva chýb alebo nesprávnej klasifikácie medzi tým, čo bolo pozorované a predpovedané. K chybe pri provízii došlo, keď boli skóre pravdepodobnosti vysoké pre miesto, kde bol druh skutočne pozorovaný ako neprítomný. K chybám opomenutia došlo, keď boli skóre pravdepodobnosti nízke pre miesto, kde bol druh skutočne pozorovaný.

Zaujímajú ma dve otázky. Prvou je, či existuje pozorovaný omyl priestorový vzorec, a druhou otázkou je, v akom rozsahu je táto chyba významná? Chyby môžu byť spôsobené zmenami v prostredí, ktoré sa vyskytujú v jemnejšom meradle, ako zachytáva moja modelovacia štruktúra.

Aby som preskúmal tieto dve otázky, mám v úmysle vykonať priestorovú autokorelačnú analýzu chyby pre každé miestne miesto, aby sme zistili, či existuje potenciálny priestorový vzor, ​​a ak áno, či je k chybe priradený environmentálny vzor (tj. k chybám dochádza v plytšej alebo hlbšej vode?). Mám tiež záujem vytvoriť lokálne mapy charakteristík sedimentov (veľkosť zrna, organický uhlík a dusík) s vysokým rozlíšením pomocou techniky priestorovej interpolácie s využitím údajov o zachytení sedimentu. Pre tieto miestne stránky potom znova vytvorím prediktívne mapy a porovnám ich s 250 -metrovými prediktívnymi mapami.

/> /> />


Poďakovanie

Autori by chceli poďakovať: (1) nemeckému federálnemu ministerstvu školstva a výskumu (BMBF) za poskytnutie finančnej podpory na uskutočnenie tohto výskumu, (2) tímu RapidEye Science Archive (RESA) za dodávku Obrázky RapidEye, (3) Americké geologické služby na poskytovanie údajov o Landsat a (4) Stredisko západoafrických vedeckých služieb pre zmenu klímy a prispôsobené využívanie krajiny (WASCAL) na sprístupnenie všetkých logistických zdrojov pre terénny prieskum. Tiež ďakujeme pánovi Jamesovi Morrisonovi z agentúry JamesEdits za korektúry tohto rukopisu.


3 PRÍKLAD

Balíček obsahuje podmnožinu Sentinel-2 10 × 10 km so súvisiacimi súbormi tvarov plotovej siete. Grafy boli definované na základe vizuálnej interpretácie obrazu, preto nie sú k dispozícii hodnoty pre metriky diverzity α- a β. Vzorky boli vybrané z veľmi rozmanitých lesov, stredne rozmanitých lesov, monodominantných lesov a degradovaného lesa/nízkej vegetácie v blízkosti hlavných ciest (obrázok 2). Skript použitý na spracovanie údajov je uvedený v dodatku S2 SI.

Obrázok 3 ukazuje mapy diverzity α- a β vytvorené pri spracovaní tohto obrázku a dodatok S3 k SI zobrazuje osem komponentov vyplývajúcich z PCA. Tieto výsledky ukazujú, že rôzne druhy vegetačného krytu uvedené na obrázku 2 je možné identifikovať aj na mapách diverzity.

  • - PCoA#1 umožňuje rozlíšiť lesy strednej a vysokej diverzity od lesov s nízkou diverzitou a nízkej vegetácie, ale nediskriminuje lesy so strednou a vysokou diverzitou.
  • - PCoA#2 umožňuje rozlíšiť les s nízkou diverzitou od lesov so strednou/vysokou diverzitou a nízkou vegetáciou
  • - PCoA#3 umožňuje rozlíšiť lesy so strednou diverzitou od lesov s vysokou diverzitou a nízkou vegetáciou.


Pozri si video: GIS Python: Count shape files and Select by Location 2 Real world ArcPy examples (Október 2021).