Hoe vertaal je satellietbeelden naar betrouwbare kaarten van landbedekking en landgebruik? In deze Blended Learning Beeldclassificatie en Land Cover leer je hoe je beeldclassificatie inzet om onder andere vegetatie, water, bodem en bebouwing automatisch te herkennen en te onderscheiden. Je leert classificatieresultaten beoordelen, valideren en toepassen op ruimtelijke vraagstukken.
Tijdens deze Blended Learning leer je hoe je satellietbeelden omzet naar bruikbare land-coverinformatie. Je leert verschillende classificatiemethoden toepassen, resultaten beoordelen en classificaties vertalen naar betrouwbare kaarten die kunnen worden gebruikt voor onder andere natuurbeheer, landbouw, watermanagement, stedelijke ontwikkeling en monitoring van veranderingen in het landschap.
Een satellietbeeld bestaat uit pixels met meetwaarden in verschillende spectrale banden. Verschillende typen landbedekking hebben ieder hun eigen spectrale eigenschappen. Vegetatie reflecteert straling bijvoorbeeld anders dan water, kale bodem of bebouwing. Deze verschillen vormen de basis voor het automatisch classificeren van satellietbeelden.
Je leert hoe pixels op basis van hun spectrale eigenschappen kunnen worden ingedeeld in verschillende klassen. Daarbij maak je kennis met begrippen zoals features, klassen, trainingsdata, beslisregels en classificatiemodellen. Ook leer je het verschil tussen land cover en land use en waarom dit onderscheid belangrijk is bij het interpreteren van classificatieresultaten.
Bij beeldclassificatie bepaal je welke categorie bij een pixel of groep pixels hoort. Je leert hoe verschillende spectrale banden, bandcombinaties en afgeleide informatie kunnen worden gebruikt om klassen beter van elkaar te onderscheiden.
Je maakt kennis met supervised en unsupervised classificatie. Bij supervised classificatie gebruik je bekende voorbeelden om een model te leren welke eigenschappen bij een bepaalde klasse horen. Bij unsupervised classificatie worden pixels op basis van overeenkomsten automatisch gegroepeerd, waarna je onderzoekt wat deze groepen in het landschap vertegenwoordigen.
Je leert daarbij vooral beoordelen welke aanpak past bij het vraagstuk, de beschikbare satellietdata en de gewenste land-coverkaart.
De kwaliteit van een classificatie wordt sterk bepaald door de kwaliteit van de gebruikte gegevens. Daarom leer je hoe je representatieve trainingsgebieden selecteert en hoe je voorkomt dat klassen spectraal te veel op elkaar lijken of onvoldoende worden vertegenwoordigd.
Je maakt kennis met verschillende classificatiemethoden en leert de resultaten daarvan met elkaar vergelijken. Daarbij onderzoek je hoe de keuze van spectrale banden, trainingsdata en classificatiemethode het uiteindelijke resultaat beïnvloedt.
Voor de analyses werk je met open satellietdata en open-source software. QGIS vormt de centrale werkomgeving en waar relevant kunnen gespecialiseerde open-source algoritmen, zoals die uit Orfeo ToolBox, worden ingezet. De software is daarbij niet het uitgangspunt: centraal staat steeds de vraag hoe je tot een betrouwbare classificatie komt.
Een land-coverkaart is pas bruikbaar wanneer je weet hoe betrouwbaar de classificatie is. Daarom leer je classificatieresultaten kritisch beoordelen en vergelijken met onafhankelijke referentiegegevens.
Je maakt kennis met validatietechnieken zoals een confusion matrix en nauwkeurigheidsmaten voor afzonderlijke klassen en voor de classificatie als geheel. Je onderzoekt waar fouten ontstaan, welke klassen vaak met elkaar worden verward en hoe trainingsdata of de gekozen methode kunnen worden verbeterd.
Zo leer je niet alleen een classificatie uitvoeren, maar ook onderbouwen hoe betrouwbaar het resultaat is en voor welke toepassingen de kaart wel of niet geschikt is.
Tijdens de Blended Learning werk je met realistische satellietbeelden en open datasets. Je gebruikt beeldclassificatie om ruimtelijke patronen zichtbaar te maken en land-coverinformatie af te leiden die kan worden gebruikt voor analyse en besluitvorming.
Je werkt onder andere aan opdrachten zoals:
Na afloop kun je satellietbeelden zelfstandig classificeren en omzetten naar betrouwbare land-coverinformatie. Je kunt een geschikte classificatiestrategie kiezen, trainingsdata beoordelen, resultaten valideren en land-coverkaarten gebruiken om ruimtelijke patronen en ontwikkelingen te analyseren.
Je ontvangt persoonlijke begeleiding. Na je aanmelding neemt onze cursuscoördinator contact met je op om je eerste sessie in te plannen.
Heb je vragen over de inhoud van de cursus? Of twijfel je of de cursus aansluit bij jouw leerdoelen of wensen? Liever incompany of een privé cursus? We helpen je graag verder.
Voor beeldclassificatie zijn verschillende vrij beschikbare satellietdatasets beschikbaar. Binnen Europa is het Copernicus Data Space Ecosystem een belangrijke bron voor Sentinel-data. Vooral Sentinel-2 is geschikt voor het classificeren van vegetatie, water, bodem en bebouwing dankzij de verschillende spectrale banden en de regelmatige beschikbaarheid van nieuwe beelden. Daarnaast kan Landsat-data worden gebruikt voor analyses over langere perioden. In de Blended Learning leer je welke data geschikt zijn voor verschillende classificatievraagstukken.ke vraagstuk.
Bij beeldclassificatie worden pixels of groepen pixels op basis van hun eigenschappen ingedeeld in verschillende klassen. Bij supervised classificatie geef je voorbeelden van bekende klassen, zoals water, vegetatie, bodem en bebouwing. Deze trainingsdata worden gebruikt om andere pixels automatisch te classificeren. Bij unsupervised classificatie worden pixels eerst automatisch gegroepeerd op basis van overeenkomsten, waarna je bepaalt welke land-coverklassen deze groepen vertegenwoordigen.
Land-coverklassen worden vooral onderscheiden met de meetwaarden uit verschillende spectrale banden van een satellietbeeld. Vegetatie, water, bodem en bebouwing reageren ieder anders op zichtbaar licht, nabij-infrarood en andere delen van het elektromagnetische spectrum. Door meerdere banden en eventueel afgeleide spectrale indices te combineren, kunnen klassen beter van elkaar worden onderscheiden en kan de betrouwbaarheid van een classificatie worden verbeterd.
Het belangrijkste resultaat is een land-coverkaart waarop iedere pixel of ruimtelijke eenheid aan een klasse is toegewezen. Zo ontstaat bijvoorbeeld een kaart met vegetatie, water, bodem en bebouwing. Uit deze kaart kunnen vervolgens oppervlakten, ruimtelijke patronen en verschillen tussen gebieden worden afgeleid. Classificatieresultaten kunnen ook worden gecombineerd met andere geodata of worden gebruikt als basis voor verdere ruimtelijke analyses.
Een classificatie wordt gecontroleerd met onafhankelijke referentiegegevens. Door de geclassificeerde land-coverklassen te vergelijken met de werkelijke situatie kun je bepalen waar de classificatie goed gaat en waar fouten optreden. Met een confusion matrix en verschillende nauwkeurigheidsmaten wordt inzichtelijk welke klassen betrouwbaar worden herkend en welke regelmatig met elkaar worden verward. Zo kun je beoordelen of de land-coverkaart voldoende betrouwbaar is voor het beoogde ruimtelij
