Горите в България

В https://forum.openstreetmap.org/viewtopic.php?pid=653316#p653316 atari_matarai описва методиката си на полуавтоматичен рекласинг.

Ръчно векторизран ще рече - вземаш растерна подложка и очертаваш полигони на база собствена експертиза. Такава е примерно информацията в Рила, която импортнах от BGMountains, споменах по-горе. По-добро е от всичко, което съм виждал до момента и е добър репер за сравнение на автоматични и полуавтоматични класификатори.

Ще огледам това от поста ти за Родопа. Само паншарпнати RGB-бандове ли ползваш? Би ли се пробвал на изображение с по-висока резолюция, примерно BING или друго подобно?

От Родопа значи е напълно автоматично. Все пак смятам, че не е най-перфектната класификация, но е достатъчно добра.

За Рила мисля че ти се е получило добре, преди опитвах ръчно да добавям планини по този начин и смятам че е доста тежка задача. Вариант е няколко потребители да си поделим различни зони и да ги изчертаем, но предвид наличните снимки и софтуер не мисля, че си заслужава.

Всичко е паншерпнато. По онова време имаше само Landsat7 и няма начин да не минеш през тази процедура. Landsat8 има малко по-къс обхват в инфрачервената област, заради което false color снимките излизат не толкова контрастни (но пък true colour са перфектни). От там и предположението, че стария е с по-научна цел.

За BING не съм чувал някой да прави класификации. Там са събрани различни дати от различни сезони. На всичкото отгоре растерите са така съединени, че да няма цяла снимка в един правоъгълник. Също класификацията се прави върху false colour снимка, а там са true colour. Ако разполагаме с оригиналните бандове за всяка една снимка от доставчиците на BING, може да се измисли нещо, но ще е скъпо.

Заслужава си да се опита Sentinel - добра резолюция, безплатно. Ако успеем да генерираме горите и водите (те най-лесно се получават), после може да се валидира от потребители и да се получи полуавтоматичния метод. Накрая качваме, като първо се обсъди с админите на сайта.

Да питам пак - за класификацията само паншарпнати RGB-бандове ли ползваш или целия комплект вкл NIR, MIR, TIR?

Само паншерпнати в комбинация:

NIR:RED:GREEN + Pan

dido3 - нарича се полуавтоматична класификация, защото ти сам си определяш семплите, по които се прави разпознаването. Автоматичната класификация мисля е с предварително “научени” модели, при които само зареждаш изображението и програмата го разпознава. Класификацията работи за всичко, стига то да може да се различи ясно при определена комбинация от бандове.

SCP в новите версии паншарпва всичко в пре-процесинга на Landsat 7 и 8, a Sentinel2 идва с 10м-ви RGB и NIR. Ръчното класифициране по Bing и DigitalGlobe винаги ще е доста по-точно - резолюциите са различни и шума в данните естествено отпада, но става страшно бавно. Докато класификацията при пъргав компютър става доста бързо.

Иначе приключих с грубото сравнение между Landsat 7/arcgis класификацията на REAKTOR и Sentinel 2/qgis-scp. Заключението ми е, че Sentinel 2 e една идея по-добре и хваща доста подробности, но разликите не са чувствително големи. Още не мога да намеря добър и бърз алгоритъм за генерализация, както на малките полигони (мисля да ги махам по площ в последствие), така и на назъбеното от векторизирането на растера. Ето и малко снимки от сравнението.

Първо директно от плъгина, без генерализация - виждат се “стълбите” от пикселите, но пък най-точно описва фигурите. Магентата е на REAKTOR, отдолу Google Satellite.



и след генерализация - губи се доста точност на места:


Ето тук файловете от класификацията на горите на същата територия по Sentinel - osm и shp (osm не е валидиран или оправян)
https://www.dropbox.com/s/3umzud09o5qdw8u/class_rodopi_SCP_osm.zip?dl=0
https://www.dropbox.com/s/27qczc2wy4h207y/class_rodopi_SCP_shp.ZIP?dl=0

Това е територия с площ около 400 кв.км, която се класифицира при добър компютър за час-два. Оправянето и подобряването на точността ще иска доста повече време, но ми се струва, че отново ще е чувствително по-бързо от ръчното.

Много добре се е получило. Очаквах нещо такова. Ако успеем да съберем снимки за цялата страна ще е много хубав резултат. Браво!

EDIT Все пак ще се наложи сигурно да се обходи резултатния вектор за грешки, защото виждам че на участъците около деретата в равнината има такива, където е хванало повече. Също снимката, по която си правил класификацията може да е от по-ранен период на годината…

REAKTOR, комбинацията 4,3,2->RGB изглежда да е оптимална. Може би не е зле да пробваш червения + 2-та IR канала, 4,5,3->RGB. Пише, че давало по-добри резултати от 4,3,2->RGB.

atari_matari, ще разгледам подробно резултатите другата седмица. Пробва ли GRASS генерализатор-а v.generalize? Дава чудесни резултати - много бърз, запазва топологията.

Още нещо ми хрумна тия дни. Има източници с много добра резолюция - под 1/2 метър на пиксел. Такъв може да се обработи от RGB->PAN (изрязване на синия + смесване на червения и зеления канал), за да се получи много детайлен панхроматичен растер. Ако Ландаст-изображението и този растер са свалени в подобен момент на годината и пасват достатъчно добре откъм орторектификация, то острото изображение може да се използва за паншарпенинг на нужните ландсат-бандове до небивала степен.

Мога да опитам друга комбинация. Използването на всички бандове със сигурност ще донесе много информация. Преди няколко години беше много популярно както аз съм го правил, може би защото софтуера не е бил толкова развит или аз не съм знаел.

Кой е този източник на подробна информация?

dido3, никой не класифицира гори, или каквато и да е растителност, /полу/автоматично само по true color (4-3-2 по Ландсат 8 изображение) Дори и есен да е, трудно може да различи програмата какъв е “почеркът” на територията без поне един инфрачервен банд. Аз ползвам при Sentinel2 8-4-3 (стандартното false color) и 4-8-12 за урбанизирани, пътища и други необрасли или непропускащи вода територии. 4-3-2 само за справки. Номерът с паншарпването към резолюция 0.5м/пиксел не знам дали ще стане за работа поне в QGIS и плъгина за разпознаване. Там трябва изображенията да са в специфичен формат и разделени по бандове, за да работи. Благодаря за идеята за v.generalize в GRASS! Вариантът на v.generalize, който имам в QGIS, явно не е работил, но ще трябва да експериментирам още с алгоритмите и настройките, защото не мога да намеря съвсем задоволителен резултат.

REAKTOR, да - малко ранна есенна снимка е - 2015-та 2-ри септември, ако не се лъжа, но другите бяха все с облаци специално за този район. Определено ще трябва да се обхожда и да се сравнява с наличния DigitalGlobe, никакви илюзии нямам, че ще стане всичко само с едно щракване. Надявам се на слънчев септември и октомври, а зимата може да започнем полека да се организираме с класификацията, ако всички са съгласни на този начин.

Според мен Дидо (както и аз) имаше предвид 4-3-2 по ландсат7, а за ландсат8 номерацията е изместена с едно число нагоре, което означава че еквивалента, за който говори е 5-4-3.

Наистина дано има хубави снимки от S2, особено че вече разполагаме с S2B ще има доста по-чести преминавания.

Хм, да, трябваше да спомена изрично - 4,3,2->RGB и 4,5,3->RGB е фолс-колор с Ландсат 7 бандове, каквито REAKTOR спомена, че е ползвал за тест с изображение на Родопа. От Ландсат 8 отиват с един нагоре.

Дотук приготвих тестов геотиф от въпросния хай-рез източник, еднобандов изваден от усреднени R+G канали, B изрязан (всичко това като имитация на панхроматичния ландсат-сензор). SCP плъгина обаче нещо се запъна да сваля ландсат-изображения.

Едит: Подкарах все пак плъгина. Изглежда обаче паншарпена да е доста стриктно закачен за пан-банда от сваления комплект, т.е. не може да се внесе лесно външно изображение. Ще пробвам с друг тул, да видим :slight_smile:

Можеш ръчно да го направиш във Фотошоп, където имаш удобенначин да режеш и да колокираш ПАН и ландсат. Панхроматичния банд много лесно може да се добави там като преминеш в LAB, подменяш Л канала с твоя панхроматичен и връщаш в RGB. (преди това си рисайзнал цветната снимка до размера на пан банда, с Bicubic ресамплинг) Най-общо това представлява паншарпенинга. Писал съм дипломна работа върху това и там имплементацията на преминаването към и от лаб е по-добра, затова пък ако си с фотошоп ще ти се получат не много добри цветове, но все пак достоверни. За тях ще е нужна пост обработка, което Фотошоп добре го може. После добавяш геотаг информацията (geotifftools) от пан банда в резултатния цветен тиф, за да може да го отвориш с гис софтуер.

За източник с 1-2 метра мисля, че е добре да се ползват 5-6 метра цветни снимки. На ландсата 30 метровите бандове може би няма да се окажат така подробни за толкова подробен пан. Там ще имаш различни детайли с еднакви цветове. Иначе може да опиташ да качиш резолюцията двойно като веднъж направиш паншарпенинг на ландсат8 с неговия си 15 метров пан и резултатната цветна 15 метрова снимка да я паншерпнеш с 1-2 метровата или да ползваш Сентинел2 :smiley:

Предложението ти е добро, ще пробвам и него. Намерих го нейде описано като тип паншарпен с ъпскейл на резолюцията в двете посоки плюс замяна на Luminosity-канала на false-color изображението (в LAB) с пан-растера. При мен ъпскейла няма да е удовяване ами умножение на резолюцията по 75 на всяка страна.

Снощи поцъках малко на Аркмапа и КГИС-а, засега с лоши резултати. Ето все пак отчет, дано се сетите нещо градивно по процедурата:

  1. Извадих в ГМ RGB-геотиф от такъв с палитра. От него през растер калкулатора на КГИС генерирах еднобандово 8-битово изображение така: gray band=(R+G)/2. Идеята беше да симулирам честотната лента на ЛС8 пан-банда, която закача съвсем малко от синия спектър и е пробладаващо зелено+червено.

  2. В Аркмап събрах композитно изображение от ЛС8 бандове 2,3,4,5. Това е нужно заради паншарп-плъгина на Аркмап.

  3. Композитното изображение пуснах на паншарп-плъгина ползвайки ‘изкуствения’ пан от 1.

  4. Резултата беше - крив. Паншарп-плъгина на Аркмап вкара шифтове на интензитета на композитното изображение (2), отдето false-color ефекта силно намалява. Подозирам, че причината за това е криви тегла за четирите канала, които вероятно са ОК за ЛС8 банд 8, но не и за моето изкуствено пан-изображение. Друго, което забелязах, е че ЛС8 банд 8 (пан) иде всъщност като 16 битов еднобандов геотиф, а моят беше 8 битов. Ако паншарп плъгина е настроен за подобен размах, това може допълнително да влоши резултата. Тука може би е добре да спомена, че пробвах всичките методики за паншарп на тоя плъгин, вкл IHS, което (уж) е аналог на LAB-методиката със замяна на L във Фотошоп.

Оттук насетне мисля да пробвам Фотошоп-трика, който евентуално дава повече ръчен контрол над паншарпа.

Дай ако обичаш суровия резултат от плъгина - “назъбените” данни, да го пробвам с ГРАСС-кия генерализатор.

Иначе на прима виста - при толкова калпави входни данни резултата се ядва. Ето един бърз списък на забележки без да имат критичен характер, разбира се:

  • има твърде много пропуснати полянки в горите;
  • неприятни артефакти - накъсвания и островчета заради ниската резолюция при ивиците гора;
  • неочаквани острови в по-големи горски масиви. Дали щото референтния ми растер е стар и там е имало сеч, или просто е проблем на класификатора.

Би ли пробвал класификация с едно парче северен Пирин, карстовата част, да обхване северните циркусите до Разложката котловина и долината на Влахинска река. Интересно ми е дали ще даде разлика на открити скални терени спрямо застроени площи, дали ще отдели сипеите от скала, дали ще хване клек спрямо гора и най-вече как ще се справи със сенките по оградните скатове на циркусите.

Ето, суровия резултат - мисля, че със съвсем минимално махане на най-дребните полигони:
https://www.dropbox.com/s/0owyuz4tvjbewix/class_rodopi_raw.ZIP?dl=0

Забележките са нормални за подобна резолюция. Още с пробата ми с Landsat 8 ми станаха ясни границите на възможностите - твърде много смесени пиксели има дори при 10m резолюция, така че нещата няма как да станат супер точни и подробни само с класификация, но това са за съжаление свободните и безплатни източници. А и методът на класифициране също не е идеален, но не познавам другите софтуери за фотограметрия, като PCI Geomatica и Erdas Imagine и т.н.

За Пирин - утре ще споделя резултата - но на пръв поглед разнородната планинска територия e доста трудна за добра класификация. Разпознава криво ляво клек от иглолистна гора, разпознава що годе добре пасищата и тревите, но естествено бърка скали и урбанизирана. В сенките сложих unclassified. Ще си поиграя още с “мострите” и аз още разучавам кое става и кое не.

Пуснах генерализатора на GRASS с методът Снейкс и параметри а = 1 и b = 1. Резултатът - http://mountain.bajhui.org/pictures/rodopa_landsat_test/rodopa_test_snakes_t3_a1_b1.zip - е много добър, ето как изглежда:



С тази настройка генерализацията отне 224 минути - близо 4 часа, като според учебника това е най-тежкия алгоритъм от всички налични.

Добре изглежда, хубаво че се занимавате. Иска ми се да се включа, но ще го направя катозавърша въпросната дипломна…

Това на какъв процесор го пускаш?

Core i5 3450 3.1GHz, 16 GB RAM, SSD отдолу (не знам колко ползва дисковата подсистема)

Ето, опитът ми с Пирин, не генерализиран: https://www.dropbox.com/s/ktbl3ghq5sugup4/pirin_class.ZIP?dl=0

Трябва да призная, че резултатът е доста зле във високите планини със Sentinel2, трябва да пробвам как е с Landsat. Доста трудно различава клек от борова гора, накрая се принудих да ги филтрирам по надморска височина, за да има що годе адекватен резултат, но това пък обърка цялата топология и сега в дупките на големите полигони гори - има по-малки с гори. Не успях да ги обединя адекватно. Никакъв шанс да различи скала от урбанизирана, колкото и прецизно да му давах семпли - честотния им спектър си е явно един и същ - водонепропускливи. Пасищата сякаш ги позна добре - поне над 2000м, тях не съм ги сложил в шейпа, но ако има желание и тях ще добавя. Доста грешно разпознати участъци има - като цяло може да се ползва за някакво начало, но ще иска много сериозна ръчна работа.

Отново ще напиша - като за такъв груб комплект данни, резултатът определено е добър. Моето мнение обаче е, че цялостен комплект данни за България с този детайл и подобно количество дефекти за оправяне би бил една идея под OSM-стандартите за картографско съдържание.

Може да се окаже, че с още малко търпение ще излязат за свободно ползване вече налични данни от държавните агенции (знаете - има поне няколко такива комплекта). Би могло също да се появят по-детайлни мултиспектрални снимки, които ще обезмислят компромиса със сегашните Landsat/Sentinel данни.

Като ми дойде музата ще направя още малко експерименти с шарп чрез изкуствено пан-изображение с по-висока резолюция, макар все повече да се съмнявам в смисъла на начинанието.