Obiettivo:

  • Parte 1: applicare una classificazione supervisionata (supervised) su un'area danneggiata da VAIA, PRE e POST danno, previo mascheramento con un livello che rappresenta la copertura forestale; confrontarle usando la  matrice di confusione.
  • Parte 2: usare la matrice di confusione anche per valutare l'accuratezza, come descritto nella dispensa (04 classificazione accuratezza).


Domanda: possiamo identificare i danni dalla tempesta VAIA? Possiamo quantificarli? Quali sono le complessità in una classificazione?

Andiamo a dividere due bandset creati con due immagini Sentinel-2, un'immagine PRE evento ed una POST evento.

Classificazione con almento 5 classi,

  1. Bosco sano
  2. Bosco danneggiato
  3. Prato
  4. Lago

L'immagine POST evento ha due classi che NON sono presenti nell'immagine PRE. Quali sono? (risposta in fondo pagina)

Applichiamo le nostre ROI alle varie classi. Esportiamo le ROI per ognuna delle due immagini. ROI-PRE e ROI-POST.

Applichiamo il classificatore SAM - attenzione che, siccome le immagini sono in formato di numero intero e non decimale scalato a riflettanza tra 0 e 1, il classificatore Maximum Likelyhood non funziona. Per farlo funzionare dovremmo riscalare le immagini dividendo per 10000, ma per questioni di tempo non verrà fatto, verrà utilizzato uno dei due algoritmi rimasti (il SAM).

Avremmo dunque 2 raster con il risultato delle classificazioni, un PRE ed un POST. Applichiamo un modulo per ottenere la matrice di confusione, ovvero una matrice NxM dove N=numero di classi nell'immagine POST ed M=numero classi nell'immagine PRE.

Dispense ed esercizi


Le due classi sono bosco danneggiato, e nuvole.

Ultime modifiche: venerdì, 6 dicembre 2019, 14:53