usm78-gis, спасибо за ссылки! Таки поставил grass, разобрался. Очень неоднозначное впечатление, с одной стороны видно, что инструмент очень мощный и продуманный, с другой стороны есть вагон и маленькая телега недоделок, причем не только интерфейсных. Но консольность интерфейса рулит и бибикает, топологичность работы с геометриями тоже.
По сути вопроса: попробовал классифицировать по irs (rgb) + landsat (p + 1-7). Лес хорошо детектится, думаю можно спасти куски размером 20-30 метров по короткой стороне, типы лесов у меня пока различить не получилось. Вода тоже неплохо. Скрабы похуже, но тоже можно кой-чего придумать. Еще вкусно то, что хорошо детектируются группы построек, типа деревень городов, заводов, и пр - можно полноту обозначения НП проверить. Болота - хорошо, но их я в связке с остальным не пробовал.
Из проблем, как всегда - привязка, пока пробовал landsat привязывать к irs, но и это не весело.
Одним ландсатом, как я понял, не обойтись.
ЗЫ1: Пробовал среднюю полосу, где irs хороший, а не зернено-зеленый.
ЗЫ2: Круто было бы увидеть остальные каналы от IRS, они я так понял в природе есть, но наверное это импосибл (!
А то что показывает maps.mail.ru и яндекс это композит этих каналов ?
Я видел пример полного набора каналов KOMPSAT-2 (1m pan, 4m blue/green/red/nir),
т.е. сравним по характеристикам.
Естественно не на территории России Должен честно сказать, что чудо индийской техники,
мягко говоря, отдыхает.
Вода очень хорошо распознается, если есть “реальный” синий канал.
Я попробовал сделать классификацию полной сцены ландсата (20000x20000)
точно так, как описано в 1 статье
(только каналы 2, 4, 5 + 8 + brovey), но используя в качестве тренинговой карты саму CORINE в
тех частях сцены, которые находятся на территории Финляндии и Эстонии.
Результат очень интересный, ошибки есть, но легко объяснимые.
Из полного набора 44 классов присутствовали 28.
Мелких рек не видно совсем.
Все три типа леса очень качественны.
Болотами торфяными/обычными, полями разных типов тоже вполне доволен.
Сейчас попробую использовать все каналы landsat.
i.gensigset работал больше суток на Opteron 2.7GHz,
multithreaded версия бы тут не помешала,
для машины с 16/32 процессорами
i.smap тоже думал около 5 часов.
Полный скрипт надо будет причесать и сохранить в wiki.
Ну я немного с другой стороны пошел - мне интересны мелкие детали и точная привязка - я взял кусок знакомый мне с детства.
Глянул на импорт CORINE в osm, так в ужас пришел, - там по-моему какая-то каша, хотя наверное я чего-то не понял просто.
Все после i.gensigset по идее параллелится, но я даже боюсь представить сколько времени уйдет на фильтрацию геометрии, если i.smap 5 часов.
А где можно прочитать про три типа леса? Какие вообще выделяют? Есть ли какая-то общепринятая грань между “кустарником” и “лесом”?
Я пока не буду спешить с импортом, а постараюсь сравнить результат с классификацией других сцен.
Тем более что сначала надо поправить границу, чтобы не залезать в Финляндию и Эстонию.
Больше всего конечно будет мешать недоделанность фильтра облаков и теней в GRASS.
Вот эти три типа:
GRID_CODE|CLC_CODE|LABEL1|LABEL2|LABEL3|RGB
23|311|Forest and semi natural areas|Forests|Broad-leaved forest|128-255-000
24|312|Forest and semi natural areas|Forests|Coniferous forest|000-166-000
25|313|Forest and semi natural areas|Forests|Mixed forest|077-255-000
Класс для кустарников есть, но при моем подходе к проблеме деление между “кустарником” и “лесом” (и остальными) сделали для меня соседи в ЕС
Наконец сравнил 6 канальную классификацию с 2-4-5-brovey, налицо улучшение распознавания того, что связано с водой (в основном болота),
но и ухудшение точности. Есть принципиальные проблемы, например, каким же должно быть разрешение распознанных объектов,
чтобы не положить на лопатки рендереры, гармины и прочие руссы. Так же есть необходимость порезать “хвойные” мультиполигоны на куски,
иначе импорт в OSM будет просто невозможен. Но это наверное заслуживает особой темы.
Для 15 m/pix 7 канальной классифификации решил убрать радиометрически малоосмысленные категории
как Port areas, Airports, снизив таким образом число классов до 20.
i.getsigset думает уже 4 суток, использует 16GB RAM, обработаны 12 классов.
Другой интересный эксперимент это нормировка 30 m/pix каналов и перемножение их на панхроматический канал (что-то типа Brovey)
с последующей 15 m/pix 7 канальной классифификацией.
Работает быстро, но результаты по болотам плохие.
Кстати, сравнение картинок по годам показывает местами сплошную варварскую вырубку леса в погранзоне и других малодоступных
местах.