Surface temperater ในโปรแกรม QGIS

1. Surface temperater
จากนั้นทาการเตรียมภาพ โดยไปที่ Add Raster Layer เปิดไฟล์ภาพ chanBuri_LS8 (เลือก
B1,B2,B3,B4,B5,B6,B7,B10) > Open

2. พอเปิดภาพขึ้นมาแล้วจากนั้นไปที่เครื่องมือ Semi-Automatic Classification Plugin เราก็จะได้หน้าต่าง
ใหม่ขึ้นมาให้เลือก Pre processing > Clip multiple rasters > คลิก Refresh list > คลิก Select all เพื่อให้ได้ภาพ
ปัจจุบันและภาพที่เราต้องการเปิดไว้ในจอแสดงผล
แล้วกดเครื่องหมายกากาบาทออกตรงหน้า แบนด์10 จากนั้นไปคลิกที่ ที่ UL แล้วไปคลิกที่ภาพใน
จอแสดงผลของฝั่งบนซ้ายของภาพที่เราต้องการตัด และคลิกที่ LR ฝั่งล่างซ้ายของภาพ จากนั้นเราก็จะได้ค่าพิกัด
X,Y ของภาพ พอได้พิกัดและขนาดของภาพที่เราต้องการเสร็จ ก็ไปช่องของ Output name prefix แล้วตั้งชื่อ cut
จากนั้นคลิก Clip selected rasters จากนั้นเลือกที่เก็บที่เซฟ

3. ลบไฟล์เก่าไม่ได้ใช้ออก คลิกขวาที่ข้อมูล > Remove

4. จากนั้นไปที่ไฟล์ภาพที่เราจัดเก็บเพื่อไปเอาไฟล์ปรับแก้ความคลาดเคลื่อน โดยการ Coppy ไฟล์ที่มี
นามสกุล MTL.txt

5. จากนั้นไปที่ Semi- Automatic Classification Plugin > Pre processing > Landsat
จากนั้นไปคลิก Select directory เลือก Folder จัดเก็บ
จากนั้นไปคลิก Select a MTL file เพื่อเลือก File ที่ใช้ในการปรับแก้ความคลาดเคลื่อน
ติ๊กที่ช่อง Brightness temperater in Celsus ช่อง Apply DOS1 atmospheric correction ช่อง create
vietual Raster > คลิก Perfrom conversion
เลือกโฟรเดอร์ที่เก็บที่เซฟ > Select Folder

6. จากนั้นลบไฟล์เก่าออก
จากนั้นก็ไปเรียงแบนด์ ที่ Semi- Automatic Classification Plugin > Bandsat
จากนั้นคลิก Refresh list > คลิก Select all แล้วเอาเครื่องหมายกากบาทออกหน้าแบนด์ 10 > Add raster to set
แบนด์ทั้งหมดก็จะมาอยู่ที่ Band set definition > Sort by Name > create virtual raster of dand set > Class

7. เลือกที่เก็บที่เซฟ
ดับเบิ้ลคลิกตรง RGB_surfer แล้วทาการเลือกแบนด์ 5-6-4 เสร็จแล้วกด OK

8. จากนั้นก็ได้สีดังภาพถ้าต้องการให้ภาพมีความคมชัดมากขึ้นก็ไปที่ Local cumulative cut stretch using
current extent
ผลที่ได้คือ สีมีความคมชัดมากขึ้นจากเดิมทาให้เราสามารถแยกสีสีแตกต่างออกจากกันได้

9. จากนั้นเริ่มทาการ training area โดยไปที่คลิก Refresh list แล้วเลือกไฟล์ภาพ RGB Surface.vrt
จากนั้นไปคลิกที่ New shp > ตั้งชื่อ ROI

10. จากนั้นไปคลิกที่ปุ่ม Create a ROI

11. จากนั้นเราแปลภาพถ่ายเป็นทั้งหมด 3 class 1.water 2.veg 3.bulid โดยหมวดแรกให้เป็น
น้า MC ID:Water C ID:water_1...n > save ROI ทาให้ได้อย่างละ 20 โพลิกอน
เมื่อเราทาครบแล้ว ก็สามารถเปลี่ยนสีได้โดย กด shift กดค้างไว้แล้วเลือกโพลิกอนน้าที่เราจะเปลี่ยนสี
จากนั้นก้เลือกสีได้ตามใจ

12. โดยหมวดที่สองให้เป็นพืช MC ID:Veg C ID:veg_21...n > save ROI ทาให้ได้ทั้งหมด 20 โพลิกอน
โดยหมวดที่สามให้เป็นสิ่งปลูกสร้าง MC ID:Bulid C ID:Bulid_41...n > save ROI ทาให้ได้ทั้งหมด 20
โพลิกอน

13. เมื่อเราแปลภาพถ่ายเสร็จแล้วก็จะเริ่มประมวลผล โดยไปที่ classification algorithm > เลือก Spectral
Angie Mapping
และเราสามารถดูภาพตัวอย่างก่อนได้โดยไปคลิกที่ Active Preview pointer

14. จากนั้นก็กาหนดจุดที่ต้องการดูตัวอย่างได้
ที่นี้เราก็จะทาการแปลภาพออกมาโดยไปที่ Preform cassification

15. เลือกที่เก็บที่เซฟ ตั้งชื่อว่า Classification
ผลที่ได้เราก็จะได้ภาพออกมาแบบนี้คือจาแนกออกเป็นสีที่เราได้ดิจิไตร์ไป
จากนั้นไปที่เครื่องมือ Grid -Tool > Reclassify grid values

16. ช่อง Grid =classification.tif[EPSG:32647] ช่อง Method = simple table
ต่อไปในช่อง Lookup Table คลิก > Add row พิมพ์ช่อง Minimum = 0,1,2,3 ช่อง Maximum =
0,1.9,2.9,3.9 และช่อง New = 0,0.98,0.98,0.94 > OK

17. จากนั้นเลือกที่เก็บที่เซฟ > ช่อง Reclassified Grid > Save to file…
ตั้งชื่อเซฟ Emissvity > save

18. รอประมวลผล > Run
ผลที่ได้คือ จะได้ภาพสีขาวดาปรากฏขึ้นมา

19. จากนั้นเราสามารถคลิกดูตัวอย่างสีที่เราแปลภาพได้โดยไปที่ Active Preview pointer เลือกพื้นที่ที่จะดูได้เลย
จากนั้นไปที่ เครื่องมือ Grid-Calculus > Raster Calcutor

20. จากนั้นไปที่ ช่อง Main input layer เลือก Cassification.tlf[EPSG:32647] เสร็จแล้วกด เลือกข้อมูล ที่ชื่อ
Reclassified Grid [EPSG:32647] และ RT_cilp_LC81300542014024LGN00_B10[EPSG:32647] > OK
ช่อง Formula พิมพ์b/(1+(10.8*b/14380)*ln(a)) ตรงช่องของ Result layer เลือก Save to file…
ตั้งชื่อว่า LST เสร็จแล้วกด Save

21. กด Run

22. ผลที่ได้คือก็จะได้ภาพเดิมที่มีสีขาวดา และมีความ Smoot นวลๆมากกว่าเดิม จากนั้นไปดับเบิ้ลคลิกที่
ชั้นข้อมูล Calculated
จากนั้นไปคลิกที่ช่อง Render type เลือกเป็น Singleband pseudocolor และช่อง Generate new color map เลือกสี
Oranges > คลิกจัดกลุ่ม

23. ผลที่ได้ก็จะปรากฏดังภาพ คือ พื้นที่มีสีส้มเข้มมากที่สุดจะมีการสะท้อนพลังงานมากกว่าสีอื่นๆ โดย
พื้นที่ที่สะท้อนพลังงานมากจะเป็นพื้นที่เมือง ตลอดจนสีขาวคือมีค่าการสะท้อนพลังงานน้อย