Differences between revisions 20 and 21
Revision 20 as of 2008-07-10 14:52:03
Size: 7387
Editor: anonymous
Comment:
Revision 21 as of 2008-07-10 14:52:42
Size: 7389
Editor: anonymous
Comment:
Deletions are marked like this. Additions are marked like this.
Line 235: Line 235:
Line 238: Line 237:
__Motivation__Das Ziel von unserem Projekt ist es die Freibordhöhen im Gebiet des Weddellmeeres (Antarktis) zu klassifizieren. Dazu stehen uns ICESat und ENVISAT Daten zur Verfügung. Unsere Aufgabe ist festzustellen ob es möglich ist, die ASAR Daten für Eisdickenklassifikation zu benutzen? Die ICESat Überflügsdaten werden bei der Validierung helfen. Wir fragen uns auch, im welchem Fehlerbereich diese Klassifikation möglich ist? __Motivation__

Das Ziel von unserem Projekt ist es die Freibordhöhen im Gebiet des Weddellmeeres (Antarktis) zu klassifizieren. Dazu stehen uns ICESat und ENVISAT Daten zur Verfügung. Unsere Aufgabe ist festzustellen ob es möglich ist, die ASAR Daten für Eisdickenklassifikation zu benutzen? Die ICESat Überflügsdaten werden bei der Validierung helfen. Wir fragen uns auch, im welchem Fehlerbereich diese Klassifikation möglich ist?

die Besprechung ergab fuer diese Gruppe:

  • Trockenprogrammierung: insbesondere die Konsistenz von Bildkoordinaten von ASAR und Freibord-Footprint klären die Klasseneinteilungen von ASAR und Freibordhöhen vergleichen Frage "welche Statistik will man anwenden" beantworten

Dienstag


  • Am Dienstag / Mittwoch erzeugtes Programm, das mit dem Zufallsgenerator sowohl die ASAR als auch Freibord - Daten erzeugt:

   1 #project_plot.py
   2 
   3 from pylab import *
   4 from scipy import *
   5 import time,calendar,os,pipes,struct,string
   6 import random
   7 import scipy.ndimage as ndi
   8 from matplotlib.patches import Ellipse
   9 
  10 nk=5 #number of classes
  11 ndim=[1000,1000] #dimension of ASAR image in pixels
  12 res=12.5
  13 freeb_asar_pixels=int(60./res)# footprint of freeboard is 60m
  14 
  15 fx0,fy0,fx2,fy2=[0.2,1.,1.,0.1]
  16 fx0,fy0,fx2,fy2=fx0*ndim[0],fy0*ndim[0],fx2*ndim[0],fy2*ndim[0] # freeboard coordinates from input file
  17 dist=sqrt((fx2-fx0)**2+(fy2-fy0)**2)*res
  18 fdist=172 #distance of two freeboard footprints is 172m
  19 nf=int(dist/fdist)
  20 
  21 fz_h=zeros(nf) #fz_h is the freeboard heights
  22 # produce a random array of freeboard heights
  23 for i in range(nf):
  24    fz_h[i]=random.random()*70
  25 
  26 # the x,y positions of the freeboard footprints
  27 if fx2==fx0:
  28    fx=zeros(nf)+fx0
  29    fy=linspace(0,ndim[1],nf)
  30 else:
  31    teta=(fy2-fy0)/(fx2-fx0)
  32    fx=linspace(fx0,fx2,nf)
  33    fy=(fx-fx0)*teta+fy0
  34 #produce a random matrix of ASAR image classes (in 3 classes)
  35 
  36 a=zeros((ndim[0],ndim[1]))
  37 for i in range(ndim[0]):
  38    for j in range(ndim[1]):
  39       a[i,j]=int(random.random()*(nk)+1)
  40 
  41 #tranform from float to int
  42 
  43 #A=ndimage.gaussian_filter(a,1)+0.5
  44 #B=A.astype(int)
  45 B=a.astype(int)
  46 
  47 #select the class of footprints from ASAR Image
  48 fz=zeros(nf)
  49 for i in range(nf):
  50    fz[i]=B[int(fx[i]-1),int(fy[i]-1)]
  51 
  52 #calculation of mean and standard deviation of freeboard heights in each class
  53 mean=zeros(nk)
  54 std_kl=zeros(nk)
  55 for kl in range(1,6):
  56    s=(fz==kl)
  57    fh_kl=fz_h[s]
  58    mean[kl-1]=fh_kl.sum()/fh_kl.shape[0]
  59    std_kl[kl-1]=std(fh_kl)
  60 
  61 #plot mean and error bar
  62 kl=arange(nk)+1
  63 bar(kl,mean,yerr=std_kl,ecolor='r',align='center')
  64 axis('tight')
  65 savefig('kl_mean_std', orientation='portrait', format='png')
  66 
  67 #calculate correlation coefficient
  68 #corr=xcorr(fz,fz_h,normed=True)[1][nf]
  69 
  70 figure()
  71 #plot ASAR image class together with freeboard heights
  72 x=arange(nf)
  73 bar(x,fz,width=0.3,align='center')
  74 ylim(0,10)
  75 ax=twinx()
  76 plot(x,fz_h,'r+-',ms=10,linewidth=1)
  77 ylim(0,70)
  78 savefig('asar_fb', orientation='portrait', format='png')
  79 
  80 #axis('tight')
  81 
  82 #plot ASAR image with freeboard flight
  83 figure()
  84 ct=zeros((nf,4))
  85 for i in range(nf):
  86    ct[i]=cm.gist_rainbow(int(fz_h[i]))
  87 ax=axes()
  88 ells=[Ellipse(xy=[fx[i],fy[i]],width=freeb_asar_pixels,height=freeb_asar_pixels) for i in xrange(nf)]
  89 n=0
  90 for e in ells:
  91    ax.add_artist(e)
  92    e.set_clip_box(ax.bbox)
  93    e.set_alpha(0.5)
  94    e.set_facecolor(ct[n])
  95    n+=1
  96 gray()
  97 imshow(B,origin='lower',interpolation=None)
  98 hold(True)
  99 #plot(fx,fy,'r+-',linewidth=2)
 100 xlim(400,600)
 101 ylim(500,700)
 102 #xlim(0,1000)
 103 #ylim(0,1000)
 104 colorbar()
 105 savefig('asar_fb_track', orientation='portrait', format='png')
 106 
 107 #figure()
 108 #imshow(a)
 109 show()

Figure 1 (class - mean, standard deviation) / VIRTUELLE DATEN :

kl_mean_std.png

Figure 2 (asar, freboard) / VIRTUELLE DATEN :

asar_fb.png

Ziele für Mittwoch:

  • Vom gestern erzeugte Graphen verfeinen
  • Programm für ASAR-Rohdaten & Freiborddaten Vergleich

Mittwoch


  • Am Mittwoch erzeugtes Programm, das ASAR-Rohdaten und Freiborddaten (Zufallsgenerator), Faltungmaske 5x5 Pixel wurde benutzt:

   1 #ASAR_raw.py
   2 
   3 from pylab import *
   4 from scipy import *
   5 import time,calendar,os,pipes,struct,string
   6 import random
   7 import scipy.ndimage as ndi
   8 from read_asar import *
   9 
  10 filename='/pf/u/u242027/SAR_raw/ASA_IMP_1PNDPA20060617_043346_000000162048_00362_22460_2136.N1'
  11 I=read_asar_imp(filename)
  12 
  13 ndim=[1000,1000] #dimension of ASAR image in pixels
  14 
  15 fx0,fy0,fx2,fy2=[200.,1000.,1000.,100.] # freeboard coordinates from input file
  16 cellsize=12.5 #12.5m pixelsize
  17 dist=sqrt((fx2-fx0)**2+(fy2-fy0)**2)*cellsize
  18 fdist=172 #distance of two freeboard footprints is 172m
  19 nf=dist/fdist
  20 
  21 fz_h=zeros(nf) #fz_h is the freeboard heights
  22 # produce a random array of freeboard heights
  23 for i in range(nf):
  24    fz_h[i]=random.random()*70
  25 
  26 # the x,y positions of the freeboard footprints
  27 if fx2==fx0:
  28    fx=zeros(nf)+fx0
  29    fy=linspace(0,ndim[1],nf)
  30 else:
  31    teta=(fy2-fy0)/(fx2-fx0)
  32    fx=linspace(fx0,fx2,nf)
  33    fy=(fx-fx0)*teta+fy0
  34 
  35 
  36 B=I[1000:2000,1000:2000]
  37 
  38 mask=array(([1,1,1,1,1],[1,2,2,2,1],[1,2,3,2,1],[1,2,2,2,1],[1,1,1,1,1]))/35.
  39 C=ndimage.convolve(B,mask,mode='reflect')
  40 
  41 #select the intensity value of footprints from ASAR Image
  42 fz=zeros(nf)
  43 for i in range(nf):
  44    pos=[int(fx[i]-1),int(fy[i]-1)]
  45    fz[i]=B[pos[0],pos[1]]
  46 
  47 
  48 #calculate correlation coefficient
  49 corr=xcorr(fz,fz_h,normed=True)[1][nf]
  50 
  51 figure()
  52 #plot ASAR image intensity together with freeboard heights
  53 x=arange(int(nf))
  54 plot(x,fz,'b+-')
  55 ax=twinx()
  56 plot(x,fz_h,'r+-')
  57 savefig('asar_fb_track_RAW', orientation='portrait', format='png')
  58 
  59 #plot ASAR image with freeboard flight
  60 #figure()
  61 #plot(fx,fy,'r+-',linewidth=2)
  62 #colorbar()
  63 #imshow(B,origin='lower',interpolation=None)
  64 #hold(True)
  65 
  66 show()

Figure 1 (raw asar image, freeboard) / REELLE ASAR DATEN + VIRTUELLER FREIBORDDATENSATZ ::

asar_fb_track_RAW.png

Ziele für Donnerstag:

  • Farbtabelle für Freibordhöhen einbauen
  • Programpaketen der anderen Gruppe übernehmen und ins Programm einbauen
  • Testen und erste Ergebnisse liefern
  • Bericht schreiben

Donnerstag


  • Am Donnerstag erzeugte Farbtabelle im 'project_plot.py' Program für Freibordhöhen:

Figure 3 (asar, freeboard track) / VIRTUELLE DATEN :

asar_fb_track.png


Berichtteil:

Motivation

Das Ziel von unserem Projekt ist es die Freibordhöhen im Gebiet des Weddellmeeres (Antarktis) zu klassifizieren. Dazu stehen uns ICESat und ENVISAT Daten zur Verfügung. Unsere Aufgabe ist festzustellen ob es möglich ist, die ASAR Daten für Eisdickenklassifikation zu benutzen? Die ICESat Überflügsdaten werden bei der Validierung helfen. Wir fragen uns auch, im welchem Fehlerbereich diese Klassifikation möglich ist?

Daten

---> aus dem Zufallsgenerator erzeugte Daten

Methodik (Arbeitsschritten, Theorie, Input/Output)

Weil es am Beginn des Projektes noch keine Ergebnisse von den anderen Gruppen zur Verfügung gestanden sind, hat unsere Gruppe in den ersten Projekttagen mit den aus dem Zufallsgenerator erzeugten Daten gearbeitet. Mit dem Zufallsgenerator "random.random()" haben wir Freibordhöhen () und ASAR Bild ()....

Am Donnerstag haben wir beide Teile der Programme erhalten. Funktion x Program

Ergebnisse (Output, Statistik)

...

Diskussion

  • Hypothese: "Es ist möglich die Eisdicke/Freibordhöhe mittels ASAR Daten zu klassifizieren."
  • "Die ICESat Daten werden uns dabei helfen, die klassifizierte Bilder zu validieren."
  • Im welchem Fehlerbereich diese Klassifikation möglich ist?

LehreWiki: \AG3_Zusammensetzung (last edited 2008-07-11 11:15:06 by anonymous)