Ga naar inhoud

Oefeningen

OEF 4.1 - LULC Cambodia

Gegeven

In volgende oefening maken we een landcoverkaart op van Cambodiaop basis van een Landsat-8 beeldcomposiet. Om de grenzen van Cambodia - en bij uitbreiding eender welk ander land- kun je gebruik maken van volgende collectie in GEE: https://developers.google.com/earth-engine/datasets/catalog/USDOS_LSIB_SIMPLE_2017

Om hieruit Cambodia te filteren, maak je gebruik van onderstaande code:

var countries = ee.FeatureCollection( 'USDOS/LSIB_SIMPLE/2017' );
var Cambodia = countries.filter(ee.Filter.eq('country_na', 'Cambodia'));

Opdracht

  • Maak één wolkenvrij Landsat-8 beeld aan voor 2019. Weerhoud enkel de bruikbare banden voor classificatie: voor Landsat-8 dit zijn volgende banden: blauw, groen, rood, nir, swir1, swir2.
Cloud Mask Functie L8 
function maskL89sr(image) {
  // Gebaseerd op de QA-waarde, wat de uitkomst is van het FMASK algoritme
  // Develop masks for unwanted pixels (fill, cloud, cloud shadow).
  // De waarden voor de eerste 4 QA_pixelbanden moet gelijk zijn aan 0 (dus geen wolken/schaduw aanwezig)
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);
  var saturationMask = image.select('QA_RADSAT').eq(0);

  // Apply masks.
  return image.updateMask(qaMask).updateMask(saturationMask);
}

  • Clip je resulterende beelden op basis van de grens van Cambodia.

  • Zorg voor een landcoverclassificatie met volgende klassen: bos (=1), water (2), lage/kruidvegetatie (3), stedelijk gebied (4). Maak hiervoor je eigen trainingssamples aan. Vergeet ze niet samen te voegen tot één FeatureCollection.

  • Kies voor 2 classifiers naar keuze.

  • Visualiseer je resultaat naar eigen keuze. Evalueer het visueel: is je classificatie geslaagd? Welke classifier lijkt beter?

  • Bereken de accuraatheid van je classificatie. Maak gebruik van deze validatieset: P4_Ex1_LULC_colombia_testpoints.zip. Hierbij maak je gebruik van de eigenschap 'landcover', waarbij volgend schema geldt:

  • 1 = Bos

  • 2 = Water
  • 3 = Herbaceaous

  • 4 = Urbaan gebied

  • Bereken vervolgens ook de oppervlakte Bos uit je finale classificatie.

Oplossing

https://code.earthengine.google.com/74078ddb0a2a629fe59028e0ad3a2123

OEF 4.2 - Eyjafjallajökull


De gletsjer Eyjafjallajökull is een van de kleinere gletsjers op IJsland en heeft een oppervlakte van ongeveer 100 km². De Eyjafjallajökull ligt ten noorden van het plaatsje Skógar. Op de oostflank van de vulkaan, nabij de bergpas Fimmvörðuháls, vond op 20 maart 2010 nieuwe vulkanische activiteit plaats. Een tweede explosievere uitbarsting in de hoofdkrater van de Eyjafjallajökull, begon op 14 april 2010. In grote delen van Europa werd het vliegverkeer dagenlang volledig stilgelegd vanwege de aswolken die de vliegtuigen kunnen beschadigen.

Gegeven

Maak gebruik van volgend Sentinel-2 beeld en ROI, genomen in 2019: 

var S2 = ee.Image('COPERNICUS/S2_SR/20190810T125311_20190810T125306_T27VWL')
var ROI =  ee.Geometry.Polygon(
        [[[-19.967455239503007, 63.845568279400595],
          [-19.967455239503007, 63.398959439658746],
          [-18.824877114503007, 63.398959439658746],
          [-18.824877114503007, 63.845568279400595]]], null, false);
var S2 = ee.Image('COPERNICUS/S2_SR/20190810T125311_20190810T125306_T27VWL').clip(ROI)
  • In deze oefening gaan we geen cloud mask toevoegen, maar de wolken en wolkenschaduwen opnemen in de classificatie.
  • Training data: Chinese experten digitaliseerden verschillende polygonen in het gebied rond de vulkaan. Hierbij werd onderscheid gemaakt in 5 klassen:
  • Gletsjer
  • Schaduw
  • Bodem
  • Vegetatie
  • Water
  • Wolken

De Trainingfiles werden reeds ondergebracht in een FeatureCollection en kunnen via deze link worden ingelezen:

var traindata = ee.FeatureCollection("projects/ee-teledetectie-2021/assets/P5-Classification/P5_oef2_training");
  • Referentie data: tijdens een veldcampagne in 2019 werd het gebied rond de vulkaan intensief bemonsterd. Honderden pixels werden op het terrein bezocht en de landbedekking werd geregistreerd.

Je kunt de shape-file hier downloaden: P4_oef2_val.zip

Gevraagd

Classificeer het 2019 beeld met behulp van 2 supervised classifiers naar keuze. Voor de classificatie transformeer je de data, zodat je slechts 3 getransformeerde banden overhoudt die de meeste informatie bevatten. Welke accuraatheid heeft je finale model (overall/kappa)?

Oplossing Oef 5.1

Via een PCA kun je de Sentinel-2 banden tranformeren, zodat de eerste 3 Principale Componenten (PC) de meeste variatie (= informatie) bevattion.

Oplossing: https://code.earthengine.google.com/b6595b0e09f5086aed84b95826a3309f