🛰️ Klasyfikator pokrycia terenu z satelity — piksele k-średnich na żywo

Każdy piksel jest reprezentowany wyłącznie przez swoją sygnaturę spektralną — symulowane odbicie w czerwieni, odbicie w bliskiej podczerwieni (NIR) oraz NDVI wyprowadzone z tych dwóch pasm. k-średnich nigdy nie patrzy na to, gdzie piksel znajduje się na obrazie; wielokrotnie przypisuje każdy piksel do najbliższego z k centroidów w tej 3-wymiarowej przestrzeni spektralnej (odległość euklidesowa), a następnie przesuwa każdy centroid do średniej aktualnie przypisanych do niego pikseli. Po wystarczającej liczbie iteracji klastry się stabilizują, a przekolorowanie obrazu według identyfikatora klastra tworzy mapę pokrycia terenu wyłącznie na podstawie podobieństwa spektralnego.

NDVI = (NIR − Czerwień) / (NIR + Czerwień) to znormalizowany stosunek, który silnie odróżnia zdrową roślinność (wysokie NDVI, ponieważ chlorofil silnie odbija NIR, ale pochłania czerwone światło) od wody, gołej gleby i powierzchni miejskich (niskie lub ujemne NDVI). Podanie NDVI razem z surowymi pasmami daje k-średnich dodatkową, wysoce dyskryminującą oś, dlatego suwak wagi roślinności często daje najczystsze rozdzielenie klas.

Zmiana wagi pasma przeskalowuje metrykę odległości używaną przez k-średnich, co zmienia kształt klastrów w przestrzeni cech — więc symulacja reinicjalizuje centroidy metodą k-means++ i przegrupowuje od nowa. Obniżenie wagi NIR sprawia na przykład, że trudniej oddzielić piksele wody i gołej gleby, ponieważ oba mają niskie odbicie w czerwieni, i zwykle można zaobserwować zbieżność bezwładności do wyższej wartości końcowej, czasem wymagającą większej liczby iteracji.

Kluczowa mechanika jest prawdziwa i odpowiada nienadzorowanej klasyfikacji teledetekcyjnej: grupowanie piksel po pikselu w wielospektralnej przestrzeni cech to standardowa technika (grupowanie ISODATA i k-średnich jest używane w narzędziach takich jak ENVI i QGIS). Ta symulacja używa syntetycznych wartości odbicia z szumem Gaussa dla każdego piksela zamiast prawdziwych skalibrowanych pasm satelitarnych i pomija korekcję atmosferyczną, maskowanie chmur oraz dodatkowe pasma (SWIR, termiczne) używane przez operacyjne klasyfikatory, więc traktuj to jako wierny model dydaktyczny kroku grupowania, a nie gotowy pipeline produkcyjny.

Powierzchnie miejskie i goła gleba mają w tej symulacji celowo podobne sygnatury spektralne — obie mają umiarkowane, w miarę zrównoważone odbicie w czerwieni i NIR oraz niskie NDVI — co odzwierciedla prawdziwe wyzwanie teledetekcyjne, w którym beton, dachy i sucha gleba często zajmują nakładające się obszary przestrzeni spektralnej. Zwiększenie k lub delikatna zmiana wag pasm może czasem je rozdzielić, ale mając do dyspozycji tylko czerwień, NIR i NDVI, nie zawsze wystarcza sygnału rozdzielającego — dokładnie tak samo, jak w praktyce klasyfikatory często dodają dodatkowe pasma (jak SWIR), by rozwiązać tę niejednoznaczność.