Luento 1, 2015 Petri Rönnholm

Transkriptio

1 Luento 1, 2015 Petri Rönnholm 1 Opiskelija tietää mitä työvaiheita satelliittikuvan tulkintaan liittyy Tuntee ohjatun ja ohjaamattoman luokittelun periaatteet Osaa käyttää yleisiä kaupallisissa ohjelmistoissa olevia luokittelijoita Osaa tulkita muutoksia Osaa suorittaa luokittelulle tarkkuusarvioinnin Osaa käyttää lineaarista regressioanalyysiä jatkuvan muuttujan estimoimiseksi Tuntee kaukokartoitussovelluksia 2 1

2 Lillesand et al. - Remote Sensing and Image Interpretation (soveltuvin osin) Mather, P. and Koch, M., Computer processing of remotely sensed images: an introduction (Luku 8, Luokittelu) Campbell - Introduction to Remote Sensing (soveltuvin osin) Muu luennoilla ja kurssin kotisivulla ilmoitettu kirjallisuus 3 Tentti Harjoitustyöt Satelliittikuvan tulkinta (Assistentit) Puustomuuttujien arviointi (Markus) Seminaari (Petri) 4 2

3 Lukekaa lehtiartikkeli englanninkielinen tieteellinen tutkimus kaukokartoitussovellus Lyhyt seminaariesitelmä (max 10 min) Tiivistelmä Tarkemmat tiedot tulevat myöhemmin MyCourses:iin Ti ja Ke , Seminaariesitykset 5 Kysyttävää Assarit: Olli Peltomäki, Joni Salo Luennoitsijat: Markus Törmä, Petri Rönnholm etunimi.sukunimi@aalto.fi 6 3

4 "Remote sensing is the science of acquiring information about the Earth's surface without actually being in contact with it. This is done by sensing and recording reflected or emitted energy and processing, analyzing, and applying that information." 7 Voidaan kattaa laajoja alueita Havaitaan sellaisia kohteita, joita ei voi nähdä maanpinnalta Mittausten toistettavuus (aikasarjoja) Reaaliaikaista tietoa Laaja spektri käytössä (saadaan enemmän tietoa) 8 4

5 Maanviljely Metsätalous Geologia ympäristön seuranta Ilmakehä Merentutkimus Kartoitus ja stereokuvaus Globaalit muutokset Esim: tahoja Suomessa (METLA) (GTK) (Syke) (Ilmatieteen laitos) (Merentutkimuslaitos) (Kaupungit)

6

7 näkyvä valo - optinen alue nm (RGB) Auringon säteily vastaa 6000K:n olevan mustan kappaleen säteilyä -> säteilymaksimi näkyvän valon alueella fotosynteesi + eläinten/ihmisen silmät Ilmakehän läpäisy riippuu säästä Paljon kaukokartoitussovelluksia (passiivisia ja aktiivisia) Valokuvaus Lidar 13 Aallonpituus 700 nm - 1 mm Heijastunutta infrapunasäteilyä (0.7 µm µm) Kohteen itse emittoimaa lämpösäteilyä (3.0 µm µm) Paljon kaukokartoitussovelluksia (passiivisia ja aktiivisia) Väärävärikuvat Valokuvaus Lidar Erilaiset keilaimet Kasvillisuus heijastaa hyvin infrapunasäteilyä Eri kohteiden lämpösäteily 14 7

8 Aallonpituus 300 GHz - 1 GHz (1 mm - 30 cm) Puolijohdekomponentteihin perustuvat piirit signaalin synnyttäminen, vahvistaminen ja havaitseminen Tai tyhjiöputket Aaltojohdot: signaalin / tehon siirtäminen Antennit: säteilyn lähetys ja vastaanotto Aktiivisia ja passiivisia instrumentteja Sää- tai valaistusolosuhteet ei juuri vaikuta Hyvä tunkeutumissyvyys Paljon kaukokartoitussovelluksia Radiometrit Tutkat 15 SMG-säteilyn kohdatessa materian tai kahden aineen rajapinnan tapahtuu energiakentässä muutoksia Intensiteetti Aallonpituus Nopeus Suunta Polarisaatio Vaihe Kaukokartoitus perustuu kohteen aiheuttamien SMG-kentän muutosten havaitsemiseen 16 8

9 Kahden aineen rajapinnassa osa säteilystä läpäisee pinnan Aallon kulkunopeus ja suunta muuttuvat SMG-säteilyn etenemisnopeus väliaineessa: jossa on permittiivisyys on permeabiliteetti (usein luonnon aineilla ~1) Taitekerroin (n = c/v), säteilyn etenemisnopeuksien välinen suhde tyhjiössä ja väliaineessa 17 Fotonin törmää kohteeseen ja menettää energiansa Riippuu paljon absorboivasta materiaalista ja aallonpituudesta Luonnonkohteilla permittiivisyys on kompleksinen: = ' + " Reaaliosa: heijastus, sironta, nopeus Imaginääriosa: absorptio, vaimennus Dielektrisyysvakio: 18 9

10 Kaikki materia emittoi säteilyä Lämpötila Varattu hiukkanen kiihdyttää/jarruttaa 19 Fotoni törmää hiukkaseen ja siroaa eri suuntaan Sirontaa tapahtuu, kun SMG-säteilyn aallonpituus on pieni verrattuna kohteen pinnankarkeuteen tai materian hiukkaskokoon Sironta riippuu säteilyn aallonpituudesta, hiukkasten koosta sekä hiukkasten määrästä 20 10

11 Kohteen pintaan tulevan säteilyn kimpoaminen takaisin pinnasta säteilyn tulokulman suuruisessa kulmassa Säteilyn aallonpituus on suuri verrattuna pinnan karkeuteen Suunnan lisäksi, myös säteilyn polarisaation voi muuttua 21 Instrumenttien ominaisuuksia Optisen ja infrapuna-alueen instrumentit Kamera Monikanavainen keilain Kuvaava spektrometri Laser-keilain Mikroaaltoalueen instrumentit Radiometrit Tutkat 22 11

12 - esikäsittely - datan korjaus - datan ehostus - yhdistely muiden aineistojen kanssa 23 Manipuloidaan kuvaa tietokoneen avulla Kuva matemaattinen operaatio uusi kuva Sovellusalueita: Kuvan entistäminen Kuvan ehostaminen Tulkinta Tulosten yhdistäminen muihin tietoihin (GIS) 24 12

13 korjataan kuvan radiometrisiä ja geometrisia vääristymiä: radiometrinen korjaus geometrinen korjaus (kuvan oikaisu) lisäksi voidaan korjata: valaistusominaisuudet ilmakehä 25 korjataan instrumentin, kuvausalustan liikkeen ja kohteen virheitä 26 13

14 Visuaalinen tulkinta Mallintaminen Luokittelu Ohjattu luokittelu Ohjaamaton luokittelu 27 Visuaalinen tulkinta Ihminen suorittaa katsomalla kuvaa Tietokoneen suorittama tulkinta Kohdetta kuvaava jatkuva muuttuja, esim. puuston kuutiotilavuus (mallintaminen) Kohdetta kuvaava kategoria eli diskreetti muuttuja (luokittelu) 28 14

15 Etsitään yhtenäisiä ja samankaltaisia alueita kuvilta Tunnistetaan eri alueet maastokohteiksi tai maankäyttöluokiksi Erotellaan värin, sävyn, muodon, koon, tekstuurin, varjojen, ympäröivien kohteiden avulla 29 Väri on silmään saapuvan valon aistittava ominaisuus, joka havaitaan näkö- ja väriaistilla Väri on myös fysikaalisten kappaleiden ja pintojen ominaisuus. Värin aistiminen riippuu silmään saapuvan valon sisältämistä aallonpituuksista ja niiden voimakkuuksista Kohteen sävy kuvaa suhteellista kirkkausarvoa kuvalla Sen perusteella pääasiassa tehdään kohteiden tunnistamista kuvalla Eri sävyisten kohteiden muoto, koko yms. erottuvat 30 15

16 Muodon perusteella voidaan määritellä mikä kohde on ihmisen tekemät kohteet ovat muodoltaan terävämpiä ja säännöllisempiä (esim. tiet, rakennelmat) luonnonkohteet rajoiltaan epäsäännöllisiä ja epämääräisiä 31 Eri alueellisen erotuskyvyn kuvilla kohteet ovat eri kokoisia Kohteiden koko suhteessa muihin kohteisiin auttaa tunnistamisessa 32 16

17 Jos samankaltaista kohdetta on paljon, muodostuu kuvio Tästä voi päätellä jotain yksittäisistä kohteista tai alueesta 33 Alueen / kohteen karkeus verrattuna instrumentin alueelliseen erotuskykyyn Jos tekstuuri on pienipiirteisempää, kohde näkyy tasaisena alueena Esimerkkinä avoin alue viereisellä kuvalla 34 17

18 Voi auttaa kohteen tunnistamisessa ja koon määrittämisessä Toisaalta estää alleen jäävän kohteen tunnistamisen 35 Kohde voidaan tunnistaa ympäröivien kohteiden avulla, vaikka se ei itsessään olisikaan tunnistettava Esim. Golfkenttä: hiekka + nurmikko + muu kasvillisuus + rakennuksia 36 18

19 Määritetään kaukokartoitushavaintojen ja geofysikaalisen parametrin välinen yhteys Parametri jatkuva muuttuja Esimerkkejä puuston m 3 /ha, maaperän kosteus, veden suolaisuus Lähestymistapoja mallintamiseen Empiirinen Semi-empiirinen Teoreettinen 37 Tehdään tilastollinen malli kaukokartoitushavaintojen x (selittävä muuttuja) ja geofysikaalisen parametrin y (selitettävä muuttuja) välille Yksinkertaisimmassa tapauksessa kyseessä on lineaarinen regressioanalyysi, yksi selittävä muuttuja: y = a 0 + a 1 * x Mallin kertoimet a i määritetään minimoimalla virhettä mallilla estimoidun y e ja tunnetun y välillä Kertoimet a i määrittävät vain muuttujien välisen yhteyden, eivätkä vastaa mitään reaalimaailman ilmiötä 38 19

20 Landsat ETM Ch5 vs. puuston pituus (PIT) a 0 = 9.13, a 1 = PIT = * DN RMSE = 1.22 m RMSE% = 61.0% PCC = R2 = 35.8 DN=Digital Number, vastaa pikselin sävyarvoa 39 Landsat ETM Ch5 vs. puuston pituus, puuttomat alueet poistettu a0 = 7.70, a1 = PIT = * DN RMSE = 0.62 m RMSE% = 21.7% PCC = 0.74 R2 =

21 Kuvataan sähkömagneettisen säteilyn vuorovaikutus kohteen kanssa käyttäen säteilynkuljetusteoriaa tai Maxwellin yhtälöitä Yleensä monimutkaisia, ts. paljon määritettäviä parametreja, joka haittaa mallien soveltamista käytäntöön Parametrit saattavat olla vaikeasti määritettävissä MIMICS: mikroaaltoalueen säteilyn käyttäytyminen puuston lehvästössä, tarvittavia parametreja mm.: lehvästön paksuus, biomassa, lehtialaindeksi pienten oksien, neulasten ja lehtien koot, muodot, asennot ja kosteus, rungoista korkeus, biomassa koot, esiintymistiheys, asennot, kosteus 41 Yhdistetään teoreettisten ja empiiristen mallien edut Osa mallin parametreistä määritetään kaukokartoitushavaintojen avulla Optisen alueen malli lumen peittämän alueen määrittämiseksi: Forest 2 ( SCA) (1 t ) SCA (1 SCA) Snow Ground SCA (SCA) Forest Snow Ground t Lumen peittämä alue pikselistä Mitattu reflektanssi Metsän reflektanssi Lumen reflektanssi Maanpinnan reflektanssi Metsän transmissiivisyys (läpäisy) 42 21

22 Sama tavoite kuin visuaalisessa tulkinnassa: luokitellaan pikselit eri luokkiin Tehdään numeerisesti Eri kanavien arvoihin perustuen Ohjelmilla / algoritmeilla 43 Hyödynnetään kuvan eri kanavilla olevaa spektristä tietoa => spektristä hahmotunnistusta Luokat: lopulliset maankäyttöluokat spektrisesti yhtenäiset alueet kuvalla yhtenäiset alueet: eri kanavilla kirkkausarvot samankaltaisia 44 22

23 1. Mittaus: satelliitin keilain muodostaa käsiteltävät hahmot, kuvapikselit 2. Esikäsittely: eliminoidaan virheet radiometrinen ja geometrinen korjaus 3. Piirteiden valinta ja irrotus: valitaan osajoukko koko datasta, jossa on suurin informaatio (kanavasuhde, erotuskuvat pääkomponenttimuunnos) Esitysmuoto: vektori (yksi pikseli kaikilla kanavilla/piirteillä) Pikseli: hahmovektori 5. Tunnistus: hahmot jaotellaan tunnettuihin tai tuntemattomiin luokkiin määritetään luokkien samankaltaisuutta määritetään luokittelun luotettavuus!!! 46 23

24 Luokittelun lopullinen tavoite Jos ei ole kyse maankäyttöluokituksesta, voidaan puhua laajemmin informaatioluokista Esim. eri puutyypit, pellot, kivilajit, hakkuualueet, muuttuneet alueet, saastuneet alueet, lajien levinneisyyskartat 47 Yhtenäiset (tai lähes) pikseliryhmät Yhtenäisiä myös eri kanavilla => samankaltainen spektri!: muoto kirkkausarvot 48 24

25 Yhdistetään spektraaliset luokat haluttuihin informaatioluokkiin. Harvoin kuitenkaan spektraalinen luokka suoraan vastaa haluttua lopullista luokkaa Vaikeaa koska: Kuvalta löytyy spektrisesti yhtenäisiä alueita, jotka eivät muodosta mitään haluttua lopullista luokkaa Lopullinen luokka voi koostua useista spektraalisista osaluokista. 49 ohjattu (supervised) ohjaamaton (unsupervised) 50 25

26 Pohjaa kuvalta poimittaviin / osoitettaviin homogeenisiin edustaviin näytteisiin kustakin luokasta = opetusalue 51 Kerrotaan luokittelijalle millaisia eri luokkien spektraaliset ominaisuudet ovat Eli millaisia luokkien tyypilliset hahmovektorit ovat sekä näiden hajonta 52 26

27 Etsitään luokkia vastaavat alueet kuvalta ja nimetään ne kunkin luokan opetusalueiksi Hyvän opetusalueen valinta riippuu siitä, kuinka paljon alueesta on muuta tietoa: aiempi luokittelumateriaali kartat ym. muut tiedot (peruskartta) maastokäynnit / inventoinnit eli kuinka tuttu alue on

28 55 Valitaan käytettävät kanavat / piirteet (turha tieto pois!) Suhdekuvat, pääkomponentit, erotuskuvat Data, josta tulevat luokat erottuvat parhaiten toisistaan Mitä vähemmän dataa sen parempi! Kuvan eri kanavien lisäksi hahmovektori voi siis käsittää muitakin piirteitä, kuten vaikka lasketun NDVI:n yhtenä kanavana NDVI=Normalized Difference Vegetation Index, normalisoitu kasvillisuusindeksi 56 28

29 Opetusalueilla ohjataan luokitusta oikeaan suuntaan kohti haluttuja luokkia Muita alueita verrataan (kaikilla kanavilla) opetusalueisiin ja luokitellaan ne spektraalisesti lähimpiin luokkiin 57 Ensin siis valitaan halutut informaatioluokat esim. metsä, pelto, tie, vedet Sitten määritellään spektraaliset alueet, jotka vastaavat näitä lopullisia luokkia Muut pikselit luokitellaan näiden mukaan luokkiin TAI liian epävarmat luokitukset hylätään 58 29

30 Tärkeää Markus pitää myöhemmin luennon tarkkuuden arvioinnista 59 Bayesin päätössääntö todennäköisyysteoreettinen menetelmä etsitään sitä luokkaa. joka parhaiten vastaa havaintoja Lähimmän naapurin päätössääntö perustuu hahmovektoreiden välisiin etäisyyksiin, useita eri versioita Periaatteena, että lähekkäin olevat hahmovektorit kuuluvat samaan luokkaan Diskriminanttifunktiot määritetään luokkien rajat 60 30

31 Haetaan todennäköisintä luokkaa kullekin datajoukon pikselille Määritetään kullekin pikselille x todennäköisyys, että se kuuluu luokkaan i Luokkia i: 1,, n Määritellään todennäköisyys, että pikseli (tai hahmovektori) x kuuluu luokkaan i ( a posteriori todennäköisyys : P( i x) 61 p i x p x i * p( i ) p( x) x on pikseliä kuvaava hahmovektori (esim. sisältää eri kanavien sävyarvoja) p( i x) = luokan a posteriori todennäköisyys p( i ) = luokan a priori todennäköisyys p(x i ) = tiheysfunktio (uskottavuus) p(x) = x:n yhteistiheysfunktio = p(x i ) * p( i ) luokitellaan x luokkaan, jolle p( i x) on kaikkein suurin! 62 31

32 p(x i ): tiheysfunktio (uskottavuus, likelihood) Kuvaa todennäköisyyden sille, että pikselissä on hahmovektori x, jos pikselin oletetaan kuuluvan luokkaan i Jos opetusalueissa on riittävästi pikseleitä jokaisesta luokasta, voidaan tiheysfunktiota likimäärin kuvata esim. luokkien histogrammeilla, jos piirreavaruus on pieni (vaihtoehtona esim. Parzen estimointi tai k-lähimmän naapurin menetelmä) tiheysfunktio normalisoidaan siten, että sen pinta-ala =1 p( i ) eli a priori -todennäköisyys: luokan i etukäteistodennäköisyys Mikä on todennäköisyys, että luokkaa i on tutkittavalla alueella? Kuinka suuri osa kaikista pikseleistä kuuluu luokkaan i? Voi perustua ulkoiseen tietoon: maastomittaukset, karttatieto, historiallinen aineisto Usein hankala kerätä p x i p x i * p( i ) p( x) 63 Yksinkertaisimmassa tapauksessa x luokitellaan siihen luokkaan, jolla on suurin a posteriori -todennäköisyys Jos virheluokittelusta seuraa suuret vahingot, hylätään mieluummin kuin luokitellaan väärin! Hylkäyskynnys: r Luokitellaan luokkaan i : (x)= i, jos P( i x) = max P( n x) >= 1- r Hylätään: (x)= 0, jos P( i x) = max P( n x) < 1- r n=1 luokkien lukumäärä 64 32

33 Jokaiseen päätökseen liitetään kustannus, joka kuvaa päätöksen riskiä: j i eli miten suuri moka tehdään, jos luokitellaan luokkaan j, kun oikea luokka on i 65 Yleisimmässä tapauksessa ((0,1)-kustannuspäätös laajennettuna hylkäämioptiolla) mukaan otetaan kustannusfunktio 0 i i j i 1 i 0 r Oikeassa luokittelussa kustannus = 0 Väärässä luokittelussa kustannus = 1 Hylkäyspäätöksessä kustannus on vakio r Tehdään sellaiset päätökset, että keskimääräinen kustannus on mahdollisimman pieni 66 33

34 Bayesin päätössääntö + parametrinen tiheysfunktio Parametrit estimoidaan opetusjoukon avulla Yleensä luokat oletetaan normaalijakautuneiksi, lisäksi on määritettävä luokille keskiarvovektorit ja kovarianssimatriisit Bayesin kaavassa käytetään luokan tiheysfunktion kaavana normaalijakauman tiheysfunktion kaavaa p d/ x 2 1/ e i i T ( x ) 1 ( x ) d = hahmovektorin pituus (eli esim. kuvan kanavien lukumäärä) = Kovarianssimatriisi (luokalle i ) = Determinantti kovarianssimatriisista i = luokan i keskiarvovektori i 67 Edelliset menetelmät vaativat etukäteistietoa (tunnettu tilastollinen jakauma). Tässä esitetty menetelmä ei tarvitse tällaista tietoa. Periaate: toisiaan lähellä olevat hahmovektorit kuuluvat samaan luokkaan Luokiteltavasta pikselistä eli hahmovektorista lasketaan etäisyydet kaikkiin opetusjoukon vektoreihin 68 34

35 Etäisyydet järjestetään pienimmästä suurimpaan 1-lähimmän naapurin päätössääntö: otetaan spektrisesti lähin opetusjoukon vektori Kanavan y arvot luokiteltava vektori Kanavan x arvot 69 Haetaan k kpl lähimpiä opetusjoukon vektoreita Luokitellaan siihen luokkaan, jota löytyy eniten l : sisältää huonojen luokitusten hylkäämisen l on hylkäyskynnys ( l >k/2) k=5, l=2.5 eli pitää olla 3 vektoria samassa luokassa ennen kuin hyväksytään Hylkäyskynnys estää karkeat luokitteluvirheet Hylkäyskynnys l on kaikille luokille sama l i tapauksessa kullekin luokalle on oma hylkäyskynnys 70 35

36 k eli naapurien lukumäärä l eli hylkäyskynnys Valitaan kokeilemalla - > paljon laskentaa! Yhtä hahmovektoria luokiteltaessa lasketaan spektriset etäisyydet kaikkiin suunnittelujoukon vektoreihin 71 Tiivistämällä dataa: poistetaan turhia vektoreita suunnittelujoukosta turha = ei vaikuta luokitukseen Relaatioiden avulla: Luokitellaan joillakin alkuarvoilla k ja l Seurataan hylättyjen ja väärinluokiteltujen hahmovektoreiden määrää Suhteutetaan hylättyjen ja väärinluokiteltujen määrä muihin k:n ja l :n arvoihin 72 36

37 Luokkien päätösalueiden sijasta määritetään alueiden välisiä päätösrajoja Oletetaan, että tunnetaan rajojen funktionaalinen muoto esim. suora Ei tehdä oletuksia datan jakaumasta Opetusvaihe: määritetään päätösrajojen parametrit opetusjoukon avulla Luokitteluvaihe: Katsotaan, mille puolelle rajaa luokiteltava hahmovektori osuu 73 g( x) w x w T x w 1 1 w2x2... n1 Päätösraja: g(x)=0 eli w T x w w x n1 w n1 Päätösraja on (hyper)taso n-ulotteisessa avaruudessa w=painovektori, joka määrittää tason orientoinnin w n+1 = kynnyspaino, etäisyys origosta Kullekin luokalle i oma g i (x) n n 74 37

38 Ensin ryhmitellään spektraalisesti samankaltaiset alueet datalta Pohjataan vain kuvalta saataviin numeroarvoihin Tunnistetaan jälkikäteen luokiksi 75 Ei käytetä opetusalueita, eikä etukäteistietoa Määritellään luontaisesti erottuvat (tilastolliset) ryhmät datasta Ryhmiä kutsutaan klustereiksi Ryhmien lukumäärä annetaan tai algoritmi määrittää Muita mahdollisia parametreja: luokkien tilastollinen erottuvuus ts. kuinka kaukana/lähellä eri luokat saavat olla toisistaan luokan sisäinen spektrien vaihtelu (sisäinen hajonta) 76 38

39 Ryhmän eli klusterin muodostavat joukko hahmovektoreita, jotka keskenään ovat riittävän samanlaisia Eri ryhmiin kuuluvat ovat riittävän erilaisia Etäisyys samaan ryhmään kuuluviin on pienempi kuin muihin Kriteerinä: minimoidaan ryhmien sisäistä hajontaa maksimoidaan ryhmien keskiarvovektorien välisiä etäisyyksiä 77 Euklidinen etäisyys D ( x m) ( x m) T x hahmovektori, m ryhmän keskiarvo Mahalanobis etäisyys T D ( x m) A( x m) A on kovarianssimatriisi, huomioidaan myös keskihajonta Hahmovektorien välinen kulma ANG acos T x m x m 78 39

40 Yleisimmät parametriset menetelmät: k-means ISODATA Perustuvat jälleen keskiarvovektoreihin ja hajontoihin 79 Aluksi valitaan satunnaiset ryhmäkeskiarvot, esim. 5 kappaletta. Luokitellaan muut pikselit lähimpien ryhmäkeskiarvojen mukaan Lasketaan uudet ryhmäkeskiarvot ryhmitellystä datasta Ryhmitellään data uudestaan uusien ryhmäkeskiarvojen mukaan. Iteroidaan, kunnes keskiarvot tai ryhmittelytulos ei muutu 80 40

41 Modifioitu k-means-menetelmä Ryhmiä voidaan iteroinnin kuluessa jakaa kahteen eri ryhmään tai yhdistellä läheisiä ryhmiä Ryhmiä jaetaan, kun ryhmien lukumäärä kaukana halutusta, ryhmän sisäinen hajonta suuri, ryhmän koko liian suuri Ryhmiä yhdistellään kun, ryhmien lukumäärä kaukana halutusta, jokin ryhmä liian pieni, kaksi ryhmää lähellä toisiaan 81 Koska spektriset erottuvuudet määrittävät luokat, saatetaan löytää sellaisia luokkia, joita alun perin ei osattu ajatella olevan olemassa Esim. kasvillisuustyyppien lisäksi myös kasvien terveys Opetus on myös usein mahdoton homma silloin, kun luokkia on paljon (nyt siis ei tarvitse opettaa algoritmia) 82 41

42 Ohjelmissa usein signature-editori jonka avulla voi laskea: luokkien yhtenäisyyttä luokkien välistä erottuvuutta Kannattaa tarkastella luokkien histogrammeja Jos ryhmän histogrammissa on jollain kanavalla useampi huippu se kannattaa jakaa useampaan ryhmään 83 Tunnistetaan muodostetut ryhmät Vastaavatko ne jotakin informaatioluokkaa, eli erottuivatko metsät pelloista ja vesistä? Mikäli osa ryhmistä koostuu useammasta informaatioluokasta - poista kuvalta tulkitut ryhmät - ryhmittele loput uudelleen 84 42

43 Määritetään ensin klusteroimalla spektrisesti hyvin erottuvat alueet osakuvalta. Käytetään sitten näitä alueita varsinaisen luokittelun opetusalueena. Saadaan hyvät ja spektrisesti erottuvat opetusalueet Hyvä erityisesti silloin, kun yksittäisiin luokkiin sisältyy useita spektrisesti yhtenäisiä osaluokkia, mutta varsinainen kokonainen luokka on spektrisesti hajanainen. 85 Valkea ja ruskea vastaavat paljasta maata ja ihmisen tekemiä kohteita, pelto keltaista, tumman vihreä puustoa, vaalean vihreä muuta kasvillisuutta ja sininen vettä