GRASSセミナー応用編
•
6 likes•3,444 views
社内で開催したGRASSセミナー第２弾の資料です。前回の基礎編よりも更に踏み込んだ解析例を紹介しています。
Recommended
More Related Content
What's hot
What's hot (20)
Viewers also liked
Viewers also liked (11)
Similar to GRASSセミナー応用編
Similar to GRASSセミナー応用編 (20)
Recently uploaded
Recently uploaded (8)
GRASSセミナー応用編
- 1. GRASSセミナー 応用編 Geographical Resources Analysis Support System 2010年10月1日
- 2. 目次 本セミナーでは、以下の6つのケースを通じてGRASSの 持つ解析機能を見ていきます。 1. LANDSATのデータをカラーで眺めてみる 2. カラー画像の解像度を高め、鮮明な映像を取得する 3. 紅葉狩りにドライブで行ける場所を探す 4. データに画像処理を施す 5. ランダムな標高点を曲面で補間する 6. 開発の進んだエリアを抽出する
- 3. ケース1 • LANDSATのデータをカラーで眺めてみる lsat7_2002_* は、d.rastコマンドで見ると白黒の画像…
- 4. LANDSATの観測波長帯 物質の反射スペクトル ETM+のセンサ緒元 バンド 波長(μm) 分解能 (m) Band1 0.45 ～0.52 30 Band2 0.53 ～0.61 30 Band3 0.63 ～0.69 30 Band4 0.75 ～0.90 30 Band5 1.55 ～1.75 30 Band6 10.4 ～12.5 60 Band7 2.09 ～2.35 30 Band8 0.52 ～0.90 15 (Pan) 8
- 5. RGBによる合成 • d.rgbコマンドでR,G,Bに対応するラスタ画像を指定 • d.rgb red=lsat7_2002_30 green=lsat7_2002_20 blue=lsat7_2002_10
- 6. さまざまな合成手法 トゥルーカラー フォルスカラー ナチュラルカラー R: band3 R: band4 R: band3 G: band2 G: band3 G: band4 B: band1 B: band2 B: band2
- 8. 色の仕組み • RGB系とHIS系の変換 RGB系 I = max[R, G, B] HIS系 S = (I – t) / I : t = min[R, G, B] H = (b – g)π / 3 : b = (I – B) / (I – t) g = (I – G) / (I – t) (ただし、R=Iのとき) H’ = 3H / π h = floor(H’) P = I(1 – S) Q = I{1 – S(H’ – h)} T = I{1 – S(1 – H’ + h)} とすると h = 0 のとき R = I, G = T, B = P
- 9. パン・シャープン合成の原理 R H R’ G S G’ B i.rgb.his I i.his.rgb B’ I’
- 10. 実行結果 トゥルーカラー画像 パンシャープン合成画像
- 11. ケース3 • 紅葉狩りにドライブで行ける場所を探す – 植生地域で – 特定の標高以上で – 道路から徒歩圏内にあるところ
- 12. 植生地域の算出 • NDVI (Normalized Difference Vegetation Index) – 正規化植生指標 – 植生の分布状況や活性度を示す指標 – NDVI = (IR-R)/(IR+R) • IR: 近赤外バンドの反射率 • R: 可視赤バンドの反射率 • 1に近いほど植生が濃いことを示す
- 13. バンド間演算 • r.mapcalc – 複数のラスタデータ間での演算が可能
- 17. すべての条件を満たすエリア
- 18. ケース4 • データに画像処理を施す • 以下の手法で鮮鋭化/平滑化する – 空間領域での処理 • r.mapcalc • 行列フィルタ – 周波数領域での処理 • フーリエ変換
- 19. 空間領域での処理 • ラプラシアンフィルタ – 変化の急激な部分を強調 ⇒ 鮮鋭化 – f(i,j) - ∇2 f(i,j) – ∇2 f(i,j)を離散近似すると以下のように求められる f(i,j) ∇2 f(i,j) • 平均化フィルタ – 画素値を均質化 ⇒ 平滑化 – 離散値の場合、近傍マトリックスの平均を取ることで求められる
- 21. r.mapcalcの実行結果 ８近傍を用いて計算を実行 鮮鋭化 平滑化
- 22. 行列フィルタ • ラプラシアンフィルタ TITLE 3x3 High pass MATRIX 3 -1 -1 -1 (- a[-1,-1] - a[-1, 0] - a[-1, 1] -1 8 -1 - a[ 0,-1] +8a[ 0, 0] - a[ 0, 1] -1 -1 -1 - a[ 1,-1] - a[ 1, 0] - a[ 1, 1] ) / 9 DIVISOR 9 TYPE P • 平均化フィルタ TITLE 3x3 Low pass MATRIX 3 1 1 1 ( a[-1,-1] + a[-1, 0] + a[-1, 1] 1 1 1 + a[ 0,-1] + a[ 0, 0] + a[ 0, 1] 1 1 1 + a[ 1,-1] + a[ 1, 0] + a[ 1, 1] ) / 9 DIVISOR 9 TYPE P
- 23. 行列フィルタの実行結果 ５×５の行列フィルタを用いて計算を実行 鮮鋭化 平滑化
- 24. フーリエ変換 • ハイパスフィルタ – 高周波成分のみを抽出する ⇒ 鮮鋭化 • ローパスフィルタ – 低周波成分のみを抽出する ⇒ 平滑化 フィルタリング ?
- 25. フーリエ変換の実行結果 鮮鋭化 平滑化
- 26. ケース5 • ランダムな標高点を曲面で補間する – ボロノイ多角形 • ボロノイ多角形で定義される不連続な値を各グリッドに割り当てる • v.voronoi コマンドを使用 – IDW（逆距離加重平均） • 近接するn個の点の加重平均をもとに各グリッドの値を算出する • v.surf.idw コマンドを使用 – RST（スプライン補間） • 張力を伴った多項式の曲面から各グリッドの値を算出する • v.surf.rst コマンドを使用
- 27. 実行結果(1) オリジナルデータ ボロノイ図形 elevation上にランダムに 発生させた100個の標高 点をもとに空間補間を行う IDW RST
- 28. 実行結果(2) オリジナルデータ ボロノイ図形 点の密度を変えて再度空間 補間を実行。 • 領域を縮小 • ポイントを1000点に増加 IDW RST
- 29. ケース6 • 開発の進んだエリアを抽出する – 1987年と2002年のLandsatデータをもとに土地 利用分類図を作成し、市街地のエリアがどの程 度拡大しているのかを調べる
- 30. 土地利用分類 • 教師なし分類 – 統計学的手法に基づき、対象データ全体を類似 したデータ群に分割し、その集団がどのようなカ テゴリーに該当するか調べる分類方法 • 教師付き分類 – 既に分類項目（市街地、水域、耕作地、森林等） がわかっている領域をトレーニングエリアとして、 他の画素がどの領域にもっとも近いかを判断して 区分する方法
- 31. 教師なし分類の手順 1. 解析に用いる画像をグループとして登録 – i.group group=lsat7_2002 subgroup=lsat7_2002 input=lsat7_2002_10,lsat7_2002_20,lsat7_2002_30,lsat7_2002_40,lsat 7_2002_50,lsat7_2002_70 2. クラスタリングの実行 – i.cluster group=lsat7_2002 subgroup=lsat7_2002 sigfile=clst2002 classes=4 reportfile=rep_clst2002.txt 3. 最尤法による分類 – i.maxlik group=lsat7_2002 subgroup=lsat7_2002 sigfile=clst2002 class=lsat2002_maxlik reject=lsat2002_maxlik_rej
- 32. 教師なし分類の実行結果
- 33. 教師付き分類の手順 1. トレーニングエリアの選定 2. トレーニングエリアを利用したクラスタリングの実行 – i.gensig trainingmap=supArea group=lsat7_2002 subgroup=lsat7_2002 signaturefile=signature 3. 最尤法による分類 – i.maxlik group=lsat7_2002 subgroup=lsat7_2002 sigfile=signature class=lsat2002_suparea reject=lsat2002_suparea_rej
- 35. 教師付き分類の実行結果
- 37. Fin