Mga imahe sa Maps
Ang mga remote na sensing na imahe ay isang grid ng mga pixel na may mga numerong halaga samantalang ang mga mapa ay gumagamit ng mga coordinate na X at Y upang matukoy ang lokasyon ng mga point, linya, at lugar (polygon) na tumutugma sa mga tampok sa mapa. Ang pagbabago ng isang imahe ng satellite sa isang mapa na may mataas na kawastuhan ay isang proseso na nangangailangan ng mga eksperto at gawain sa bukid.
Ang proseso ng paggawa ng mapa mula sa remote sensing data ay maaaring hatiin sa 4 na hakbang na nananatiling magkatulad para sa lahat ng tirahan na may ilang pagkakaiba depende sa uri ng data ng remote sensing, ang sukat, ang pangkat na gumagawa ng pagmamapa, atbp.
Ang ilan sa mga pinakakaraniwang hakbang ay:
- Pagkuha ng remote sensing imagery
- Pagproseso ng raw data
- Pagsasanay at pag-uuri
- Patunay
Dito nagbibigay kami ng mabilis na pangkalahatang-ideya ng bawat isa sa mga hakbang na ito.
1. Pagkuha ng remote sensing imagery
Maraming uri ng remote sensing data. Optical satellite imagery, radar satellite imagery, hyperspectral imagery mula sa airborne sensors, drone imagery, atbp. Ang remote sensing data na ginagamit para sa isang proyekto ay depende sa laki ng proyekto, ang kapasidad para sa pagsusuri ng data, ang mga kinakailangan ng tirahan, at ang badyet . Halimbawa, ang pagmamapa ng coral reef sa iisang bahura ay mangangailangan ng ibang data ng remote sensing kaysa sa pagmamapa sa pandaigdigang lawak ng mga bakawan. Bilang isang tuntunin ng hinlalaki, mas maliit ang lugar na imamapa, mas mataas ang resolution ng mga larawan.
2. Pagproseso ng raw data
Karaniwang nangangailangan ng pagproseso ang raw data bago ito magamit. Halimbawa, ang mga larawang imamapa sa mga coral reef ay itatama para sa mga epekto ng haze, cloud cover, sun glint, at depth.
3. Pagsasanay at Pag-uuri
Pixel-based na pinangangasiwaan ay isa sa mga pinakakaraniwang diskarte sa pagsusuri ng imahe. Ang mga pixel na kumakatawan sa bawat klase ay pinili sa mapping scheme na magsisilbing training pixels. Ang mga pixel ng pagsasanay ay napatunayan sa pamamagitan ng data ng field o iba pang mapagkakatiwalaang mapagkukunan at isang spectral reflectance signature ang nagawa. Ang mga lagda sa pagsasanay para sa bawat klase na imamapa ay quantitatively kumpara sa bawat pixel sa larawan, at ang mga pixel ay itinalaga sa mapping class kung saan ang kanilang spectral signature ay pinakakapareho.
Pagsusuri ng imaheng nakabatay sa bagay ay isang kamakailan at mas mahusay na pamamaraan ng pag-uuri ng imahe. Ang isang object-based na pagsusuri ng imahe ay unang hinahati ang imahe sa mga bagay. Ang pagse-segment ay batay sa mga spectral na lagda ng mga pixel, ang hugis at laki ng bagay, o ang texture ng mga pixel sa loob ng bagay. Kapag na-segment na ang larawan, itinutugma ng user ang bawat klase ng land cover sa ilang sample na bagay. Ang imahe ay pagkatapos ay inuri.
4. Pagpapatunay/Katumpakan
Ang pagtatasa ng katumpakan o pagpapatunay ay isang mahalagang bahagi ng anumang proyekto ng pag-uuri at nagbibigay ng sukatan kung gaano katumpak ang produkto ng mapa. Gumagamit ito ng independiyenteng data na "ground referenced" upang kalkulahin ang isang marka ng katumpakan batay sa istatistika batay sa paghahambing ng mga hinulaang (nakamapang) mga talata ng klase na naobserbahang klase sa larangan. Sa madaling salita, ang mga classified pixels o classified objects ay inihahambing sa realidad, o kung ano ang umiiral sa lokasyong iyon. Habang ang independiyenteng pagkolekta ng data sa larangan ay maaaring magtagal at magastos, ang data na ito ay maaari ding makuha mula sa pagbibigay-kahulugan sa mataas na resolution na koleksyon ng imahe, umiiral na classified imagery, o mga lokal na eksperto.