Más

¿Realiza una evaluación de precisión utilizando datos de prueba de shapefile en ENVI?

¿Realiza una evaluación de precisión utilizando datos de prueba de shapefile en ENVI?


ENVI 5.2.1. A partir de una imagen .tiff (4 bandas), creé un archivo .dat de máxima probabilidad de clasificación supervisada. Ahora quiero realizar una evaluación de precisión utilizando datos de prueba de un shapefile. Intenté usar la herramienta -> Matriz de confusión usando ROI de Ground Truth. Cuando aparece la ventana Archivo de entrada de clasificación, selecciono mi archivo MaxlikeSupervised.dat y aparece un error "No hay ROI o EVF disponibles asociados con este archivo de entrada".

¿Tengo que crear un archivo ROI?

¿Cómo hago esto?

¿Necesito usar la imagen Ground Truth y cómo la obtengo?

Todos los archivos que tengo es ese archivo de imagen en el que creé un archivo .dat de clasificación supervisada y tengo puntos de datos de prueba de un shapefile para que coincida con el archivo .dat.


Puede / debe convertir su archivo .shp a ROI en ENVI. Vaya a vector> convertir vector a ROI y seleccione sus shapefiles.

Vea este video para convertir a ROI https://www.youtube.com/watch?v=ukrgGUkxJlU desde las 7:20


Recursos de mapas GIS

La División de Protección Ambiental de Nevada (NDEP) utiliza datos espaciales para respaldar el análisis ambiental y la toma de decisiones. Este sitio web proporciona acceso público a datos espaciales a través de aplicaciones de mapas web y servicios de mapas.

Sistemas de información geográfica (SIG) es el término utilizado para incluir datos de mapas digitales y el software utilizado para ver esos mapas. Los científicos, inspectores, reguladores y jefes de oficinas de NDEP utilizan GIS como una herramienta para ver e interpretar datos de manera que revelen relaciones, patrones y tendencias. GIS proporciona una plataforma común para compartir datos, lo que mejora el flujo de trabajo y la coordinación entre los gobiernos estatales, federales y locales. Como herramienta de medición del desempeño, GIS brinda transparencia y responsabilidad en el gobierno. NDEP utiliza el software ESRI para análisis de escritorio, cartografía, aplicaciones web GIS y gestión de bases de datos espaciales.

Recurso destacado: Mapas interactivos GeoCortex

GeoCortex es una aplicación que utilizamos para mostrar nuestros datos para la navegación interactiva en Internet. Le permite realizar búsquedas avanzadas y consultas de características e incluso agregar su propio archivo shape (seleccione el .shp cuando lo agregue) o un archivo .csv (hoja de cálculo / tabla delimitada por comas). También puede crear su propio dibujo y texto en el mapa y guardarlos en un archivo de proyecto. ¡Este archivo de proyecto se puede volver a abrir y editar en cualquiera de nuestros mapas! Incluso puede compartir los archivos de su proyecto con otras personas que también pueden editar los dibujos. ¡También puede exportar sus dibujos a un formato de archivo de forma! Otra característica de esta aplicación es la capacidad de copiar características al dibujo de su proyecto. ¡Consulte las herramientas de análisis para identificar opciones, medir, encontrar una ubicación XY y más!


Abstracto

El avance en la teledetección permite el mapeo rápido de manglares sin la necesidad de metodologías intensivas en datos, clasificadores complejos y técnicas de clasificación dependientes de la habilidad. Este estudio propone un nuevo índice, el Índice de Vegetación de Manglares (MVI), para mapear de manera rápida y precisa la extensión de los manglares a partir de imágenes obtenidas por teledetección. El MVI utiliza tres bandas Sentinel-2 verde, infrarrojo cercano (NIR) e infrarrojo de onda corta (SWIR) en la forma | NIR-Green | / | SWIR-Green | para discriminar el verdor y la humedad distintivos de los manglares de la vegetación terrestre y otra cobertura del suelo. El análisis de banda espectral muestra que el | NIR-Green | parte del MVI captura las diferencias de verdor entre los bosques de manglares y la vegetación terrestre. El | SWIR-Green | parte del índice expresa la humedad distintiva de los manglares sin la necesidad de datos intermareales e índices de agua adicionales. El valor de MVI aumenta con la probabilidad creciente de que un píxel se clasifique como manglares. Luego, se cartografiaron once bosques de manglares en Filipinas y un parque de manglares en Japón utilizando MVI. La evaluación de la precisión se realizó utilizando datos de inventario de campo y ortofotos de drones de alta resolución. MVI ha separado con éxito los manglares de otras coberturas, especialmente la vegetación terrestre, con un índice de precisión general del 92%. El MVI se aplicó a imágenes Landsat 8 utilizando las bandas equivalentes para probar la universalidad del índice. Se produjeron mapas de manglares MVI comparables entre imágenes Sentinel-2 y Landsat, con un umbral mínimo óptimo de 4.5 y 4.6, respectivamente. El MVI puede resaltar eficazmente la información sobre el verdor y la humedad en los manglares, como se refleja en su valor de correlación de moderado a alto (r = 0,63 y 0,84, α = 0,05) con la clorofila a derivada de Sentinel (Ca) y agua del dosel (Cw) productos biofísicos. Este estudio desarrolló e implementó dos plataformas automatizadas: un "MVI Mapper" basado en IDL fuera de línea y una interfaz de mapeo MVI basada en Google Earth Engine en línea. El MVI implementado en Google Earth Engine se utilizó para generar el último mapa de extensión de manglares de Filipinas. Además, la aplicación de MVI se probó en cuatro bosques de manglares adicionales en el sudeste asiático: Tailandia, Vietnam, Indonesia y Camboya y en bosques de manglares seleccionados en América del Sur, África y Australia.


Detectando edificios

El análisis de diferentes tipos de edificios suele ser una prioridad en la evaluación del riesgo de incendio, especialmente en las zonas de conversión geográfica que bordean los desarrollos urbanos. En teoría, podría basarse en registros de propiedad inmobiliaria, pero no todas las regiones tendrán esta información disponible digitalmente. Además, los asentamientos informales tampoco son infrecuentes. A la luz de estos hechos, es fundamental obtener datos actualizados y tomar medidas en función de la situación real. Picterra es un excelente ejemplo de la plataforma que permite construir los flujos de trabajo de IA antes mencionados en imágenes de satélite, aéreas y drones. Debido a que la plataforma es altamente flexible y no se limita a casos de uso específicos, los algoritmos de Picterra se pueden entrenar para detectar con precisión tipos muy diferentes de edificios: estilo americano, estilo europeo, barrios marginales, edificios industriales y residenciales, campos de refugiados, etc. en.

Con Picterra, es rápido, eficiente y no requiere habilidades de codificación o aprendizaje automático. En resumen, todo lo que necesita hacer para detectar edificios es:

  1. Sube imágenes. Facilitamos el acceso a imágenes satelitales a través de nuestro portal. Sin embargo, para la gestión del riesgo de incendio, probablemente necesite traer sus propios datos locales y actualizados.
  2. Entrena tu modelo de aprendizaje automático. Lo hemos cubierto en detalle en esta guía paso a paso sobre cómo construir un detector personalizado, y recomendamos leerlo antes de continuar.
  3. Picterra es notablemente rápido, pero puede hacerlo aún más rápido utilizando nuestro detector prediseñado, que está listo para detectar edificios.
  4. Tus resultados están listos. Puede compartirlos o descargarlos para integrarlos con otro software SIG que pueda utilizar.

Ejemplo de detector de edificios construido a partir de imágenes de satélite de Camerún.


RESUMEN:

En este documento, un Tercer informe y pedido adoptado por la Comisión establece medidas importantes para recopilar datos de banda ancha altamente precisos y fiables, incluida la exigencia de que los proveedores de servicios fijos basados ​​en instalaciones notifiquen la cobertura del servicio de acceso a Internet de banda ancha en la recopilación de datos de oportunidades digitales e identifiquen dónde se ofrecen dichos servicios también a las ubicaciones residenciales como cuando se ofrecen a ubicaciones comerciales que requieren la recopilación de información de velocidad y latencia de proveedores de servicios fijos que requieren que los proveedores de servicios inalámbricos fijos terrestres informen sobre las coordenadas de sus estaciones base y que requieran que los proveedores móviles proporcionen informes de información adicional sobre las redes y la propagación del proveedor, lo que permitirá a la Comisión verificar los datos de los proveedores de forma más eficaz. además, el Tercer informe y pedido establece los requisitos para los desafíos a los informes de cobertura de servicios fijos y móviles y para los desafíos a los datos de Fabric. El Tercer informe y pedido también establece estándares para identificar ubicaciones que se incluirán en el Fabric y establece estándares para el cumplimiento de los requisitos asociados con la recopilación de datos de oportunidades digitales.


Uso del suelo Clasificación de cobertura del suelo GIS, ERDAS, ArcGIS, ENVI

Este es el primer curso de cobertura del suelo sobre uso del suelo en Udemy, el tema más exigente en SIG. En este curso, cubrí desde la descarga de datos hasta los resultados finales. solía ERDAS, ArcGIS, ENVI y MACHINE LEARNING. Expliqué todos los métodos posibles de clasificación del uso de la tierra. Más que el uso de la tierra, la preprocesión de imágenes se cubre después de la descarga y después de la clasificación, también se cubre cómo corregir los píxeles de error. Por lo tanto, después de aprender aquí, no es necesario que pregunte a nadie sobre la clasificación de lanudse. Expliqué el concepto teórico también durante el procesamiento de datos. He cubierto métodos supervisados, no supervisados, combinados, métodos de corrección de píxeles, etc. También he demostrado corregir píxeles de áreas específicas para lograr la máxima precisión. La mayor parte de este curso se centra en Erdas y ArcGIS para la clasificación y los cálculos de imágenes. Para conocer todos los métodos en profundidad, inscríbase en este curso. La clasificación de imágenes con aprendizaje automático también se cubre en este curso.

Este curso también incluye una generación de informes de evaluación de precisión en erdas.

Nota: Cada sección del método de uso de la tierra cubre un método diferente desde el principio, por lo tanto, antes de comenzar con el uso de la tierra, observe el curso completo. Luego comience a usar la tierra con un método que crea fácil para usted y que se ajuste mejor a su área de estudio, entonces podrá hacerlo mejor. Un método diferente es aplicable a un tipo diferente de área de estudio. Este curso es aplicable a Erdas versión 2014, 2015, 2016 y 2018. y ArcGIS versión 10.1 y superior, es decir, 10.4, 10.7 o 10.8

90% práctica 10% teoría

Problema enfrentado durante la clasificación:

Algunos de nosotros enfrentamos problemas durante la clasificación como:

La zona urbana y la tierra estéril tienen la misma firma

El río seco refleja la misma firma que un área urbana y una tierra estéril

si intentas corregir urbano y obtienes un error en estéril

En el área montañosa no se puede clasificar el bosque que se encuentra en el área de sombra de la colina.


Mapas / SIG

SIG es el resultado de mapas producidos electrónicamente superpuestos entre sí con la capacidad de crear consultas y recuperar información sobre el área determinada. Usamos GIS para mapear geográficamente la infraestructura de agua y alcantarillado mientras ingresamos información sobre cada característica en una base de datos del sistema.

Declaración de la misión de GIS

La misión del Departamento de GIS de Henry County Water Authority & rsquos (HCWA) es recopilar, mantener y proporcionar datos de infraestructura precisos y completos a empleados y clientes, y respaldar la toma de decisiones basada en datos en toda la autoridad. El personal de GIS proporciona soluciones tecnológicas para facilitar el uso y la interpretación de datos geoespaciales de alta calidad.

El departamento de SIG de la Autoridad del Agua del Condado de Henry utiliza una serie de paquetes de software para crear mapas, analizar información geográfica y examinar visualmente las características digitales de la infraestructura. El uso de Sistemas de Información Geográfica (GIS) puede aumentar sustancialmente la eficiencia y la eficacia de todos los empleados de HCWA. Un objetivo principal del programa GIS es hacer que muchos de estos recursos cartográficos estén disponibles para los empleados en el campo.

Si tiene alguna pregunta con respecto a esta información, llame al 770.914.3688 entre las 8:00 a. M. Y las 5:00 p. M. Para hablar con el Departamento de GIS.


Poner error en un mapa

Tengo 218 capturas de sedimentos bentónicos de la plataforma continental que van desde 20 a 130 metros de profundidad. Estas muestras se tomaron de ocho sitios distribuidos desde el norte de California hasta el sur de Washington. Dentro de cada sitio, las muestras se asignaron al azar a lo largo de gradientes de profundidad.

Cada muestra consta de recuentos de especies más profundidad, latitud y características de los sedimentos, como el tamaño de grano (es decir, arena versus limo), concentraciones de carbono orgánico y nitrógeno. Utilizando Redes de Creencias Bayesianas, se calcularon las asociaciones especies-hábitat y se utilizaron las relaciones establecidas para hacer mapas predictivos regionales. Los productos del mapa final representan la distribución espacial del hábitat adecuado donde una alta probabilidad indica una alta probabilidad de encontrar una especie dada una ubicación y su combinación de factores ambientales. Si bien los puntos de muestreo no se tomaron en una escala de cuadrícula consistente, los mapas de idoneidad se escalaron a una resolución de 250 metros.

Como en cualquier proceso de modelado de hábitat, el "mejor" modelo se eligió al observar el rendimiento del modelo y la cantidad de error o clasificación errónea entre lo que se observó y lo que se predijo. Se produjo un error de comisión cuando los puntajes de probabilidad eran altos para un lugar donde se observó que la especie estaba ausente. Los errores de omisión ocurrieron cuando los puntajes de probabilidad eran bajos para un lugar donde se observó que la especie estaba presente.

Estoy interesado en dos preguntas. La primera es si existe un patrón espacial para el error observado y la segunda pregunta es ¿a qué escala es significativo este error? El error puede ser causado por una variación en el entorno que ocurre a una escala más fina que la que captura mi estructura de modelado.

Para explorar estas dos preguntas, tengo la intención de realizar un análisis de autocorrelación espacial en el error para cada sitio local para determinar si hay algún patrón espacial potencial y, de ser así, si hay un patrón ambiental asociado al error (es decir, ¿la mayoría de ¿De los errores ocurren en aguas menos profundas o más profundas?). También estoy interesado en crear mapas locales de alta resolución de las características de los sedimentos (tamaño de grano, carbono orgánico y nitrógeno) a través de la técnica de interpolación espacial utilizando datos de captura de sedimentos. Para estos sitios locales, luego recrearé mapas predictivos y los compararé con los mapas predictivos de 250 metros.

/> /> />


Agradecimientos

Los autores desean extender su agradecimiento a: (1) el Ministerio Federal de Educación e Investigación de Alemania (BMBF) por otorgar el apoyo financiero para llevar a cabo esta investigación, (2) el equipo de RapidEye Science Archive (RESA) por el suministro de Imágenes de RapidEye, (3) los Estudios Geológicos de los Estados Unidos para el suministro de datos Landsat, y (4) el Centro de Servicios Científicos de África Occidental sobre Cambio Climático y Uso Adaptado de la Tierra (WASCAL) para poner a disposición todos los recursos logísticos para el estudio de campo. También agradecemos al Sr. James Morrison de la agencia JamesEdits por corregir este manuscrito.


3 EJEMPLO

El paquete incluye un subconjunto Sentinel-2 de 10 × 10 km con shapefiles de red de parcelas asociados. Los gráficos se definieron en función de la interpretación visual de la imagen, por lo que no se proporcionan los valores para las métricas de diversidad α y β. Se seleccionaron muestras de bosques muy diversos, bosques moderadamente diversos, bosques monodominantes y bosques degradados / vegetación baja cerca de las carreteras principales (Figura 2). La secuencia de comandos utilizada para procesar los datos se proporciona en el Apéndice S2 de SI.

La Figura 3 muestra los mapas de diversidad α y β producidos al procesar esta imagen y el Apéndice S3 de SI muestra los ocho componentes resultantes de PCA. Estos resultados muestran que los diferentes tipos de cobertura vegetal identificados en la Figura 2 también pueden identificarse en los mapas de diversidad.

  • - El PCoA # 1 permite diferenciar bosques de diversidad media y alta de bosques de diversidad baja y vegetación baja, pero no discrimina bosques de diversidad media y alta.
  • - PCoA # 2 permite diferenciar los bosques de baja diversidad de los bosques de mediana / alta diversidad y vegetación baja
  • - El PCoA # 3 permite diferenciar los bosques de diversidad media de los bosques de alta diversidad y vegetación baja.


Ver el vídeo: v31 creating ground truth points in ENVI