Extraction des caractéristiques de la couverture terrestre à partir de l'imagerie satellite

Je suis intéressé par une solution open source à faible coût pour créer des couches SIG de couverture terrestre qui utilisent à la fois des algorithmes d'extraction spectrale et texturale. J'ai utilisé PCI Geomatica, ENVI et Feature Analyst VLS dans le passé; cependant ces solutions dépassent un peu ma gamme de prix, des recommandations de logiciels?

Pour cela, vous pouvez utiliser GRASS GIS qui prend en charge l'extraction de texture et la classification d'images basées sur une approche radiométrique / de segmentation. Pour une idée, consultez ce résumé de la conférence , une conférence prévue au Geoinformatics FCE CTU 2011.

Voir aussi: http://grass.osgeo.org/wiki/Image_processing et http://grass.osgeo.org/wiki/Image_classification pour un aperçu.

Si je vous comprends bien, vous recherchez une procédure de classement supervisé. Quelques informations théoriques: http://rst.gsfc.nasa.gov/Sect1/Sect1_17.html

Ceci est certainement possible grâce à l'herbe: http://grass.osgeo.org/wiki/Image_classification#Supervised_classification_2

Comme alternative, vous pouvez également regarder la saga (je ne dis pas que c'est mieux, je la connais mieux moi-même), qui joue également bien avec qgis et R. Il y a des vidéos qui le montrent sur ce site: http: // www.uni-koblenz-landau.de/landau/fb7/umweltwissenschaften/landscape-ecology/Teaching/geostat (téléchargez les fichiers de données pour obtenir les présentations).

Dans tous les programmes SIG, vous allez définir un certain nombre de points de référence ou de polygones dans un type de terrain, qui seront ensuite extrapolés au reste de la zone. Voici un exemple de classification d'utilisation des terres:

Et en fait, si vous avez dessiné vos polygones d'entraînement dans n'importe quel programme SIG, vous pouvez utiliser R pour prédire. Faites une superposition avec vos grilles, puis utilisez n'importe quel système de prédiction que vous aimez (par exemple rpart si vous voulez des arbres de classification). Plus d'informations dans ce livre autour de la page 222: http://www.lulu.com/product/file-download/a-practical-guide-to-geostatistical-mapping/14938111

Il y a beaucoup plus à dire, vos ensembles d'entraînement devraient être représentatifs de votre zone d'étude (il serait peut-être même préférable de générer des points aléatoires dans R et de les classer). Vous devez également choisir soigneusement vos jeux de données auxiliaires et vous pouvez en générer de nouveaux si, par exemple, la texture est une propriété importante.

-

Si tout ce que vous voulez faire est d'extraire des régions ou des entités (sans les classer), un algorithme de segmentation est probablement ce que vous voulez. Un exemple (implémenté dans SAGA GIS) est discuté dans cet article: http://mirror.transact.net.au/pub/sourceforge/s/project/sa/saga-gis/SAGA%20-%20Documentation/GGA115/gga115_03 .pdf

Vous pourriez le faire avec GRASS.

Vous allez d'abord travailler avec des données raster:

• Je vais vous signaler ce tutoriel . Voir la partie raster.
• Vous utiliserez r.mapcalc et r.reclass pour extraire les fonctionnalités souhaitées.
• r.to.vect vous permettra de vectoriser vos données.

Enfin, vous manipulerez des données vectorielles . v.db.select et v.class vous aideront.