1 Vybrané kapitoly z DPZ Petr Dobrovolný Úvod, základní pojmy * Současné možnosti DPZ jako metody sběru, analýzy a prezentace prostorově lokalizovaných dat * Role Dálkového průzkumu země v době Google Earth? * Role DPZ v době digitální fotogrammetrie? Úvod, základní pojmy * Environmental Remote Sensing * Global Remote Sensing * Satellite photogrammetry * Quantitative Remote Sensing * Urban Remote Sensing Úvod, základní pojmy Global Change master directory http://gcmd.gsfc.nasa.gov/ Earth Observatory http://earthobservatory.nasa.gov/ Úvod, základní pojmy http://www.ldeo.columbia.edu/~small/Urban.html http://sedac.ciesin.org/urban_rs/ Urban Remote Sensing Ve vyspělých státech žije ve městech až 75 % populace Malá rozloha zastavěných ploch (5 ­ 7 % plochy souše) Značná koncentrace obyvatelstva Značný podíl na celkové produkci energie (UHI) Dynamický rozvoj suburbánních oblastí Zvyšující se riziko ztrát na lidských životech a velkých materiálních škod v případě přírodních extrémů Konflikt příroda ­ společnost jako obecný problém? Je možné k řešení uvedených problémů využít metod DPZ? 2 Urban Remote Sensing Co umožňuje formování URS? Zlepšování kvality obrazových dat DPZ (co definuje kvalitu těchto dat?) Dostupnost, efektivita využití dat Nové možnosti analýzy (jaké metody, jaké principy?) Formování kvantitativního DPZ (QRS) ...? Existuje společenská objednávka? ...? Urban Remote Sensing limity dosavadního rozvoje http://www.ldeo.columbia.edu/~small/Urban.html The physical properties of the individual components of the urban mosaic control the mass and energy fluxes through the urban environment. These fluxes, in turn, control the aggregate physical characteristics and dynamics of the urban environment thereby impacting the climatic, hydrologic and ecologic processes linking the urban environment to its surrounding environments. Understanding the dynamics of these processes in coupled urban, suburban, and periurban systems is central to our ability to predict, and influence, the behaviour of the systems. The research presented here focuses on the use of optical remote sensing to characterize the physical properties of urban and non-urban environments and to understand the relationships between the optical characteristics, physical properties and energy fluxes through the urban system. Urban Remote Sensing Které znaky vhodně resp. nevhodně charakterizují plochy měst? tvar stín velikost barva tón textura struktura poloha Urban Remote Sensing Které znaky vhodně resp. nevhodně charakterizují plochy měst? Které znaky používáme na základě zkušenosti? Které znaky lze vhodně formalizovat pro metody digitálního zpracování obrazu? Specifika městského prostředí ve vztahu k metodám DPZ Specifické druhy povrchů (nepropustné ­ ,,impervious") Jak lze charakterizovat povrchy ve městech ­ heterogenita, proměnlivost, hierarchie Odlišná radiační, teplená, vodní bilance ­ formování městského klimatu Problém zastíněných ploch Značná dynamika Znečištění životního prostředí ... Urban Remote Sensing Co je příčinou malé efektivity klasických přístupů k analýze obrazu? * Jak lze charakterizovat ,,klasické" přístupy k analýze obrazu? * Jaké charakteristiky jsou přenositelné do prostředí URS? * Jak by bylo možné specifikovat vlastnosti nově navrhovaných metod? * Mixture pixel ­ hlavní problém při mapování LU/LC klasickými přístupy metodami DPZ. * Composite signatures x např. MAXLIKE ­ předpoklad ,,pure signatures" 3 Urban Remote Sensing Možné přístupy k řešení problému Obrazová spektrometrie Spectral mixture analysis Texture analysis, GLCM Objektově orientovaná klasifikace, kontextuální, Geostatistické přístupy, míry autokorelace ... (?) Urban Remote Sensing zdroje obrazových dat Optická data ­ very high resolution (spatial) Hyperspektrální data Data pořizovaná aktivními metodami ­ RADAR, LIDAR, SODAR Termální DPZ ? Hyperspektrální DPZ (obrazová spektrometrie) * Kontinuální záznam odrazových vlastností povrchů v optické části spektra * Možnost podchytit specifika především u povrchů spektrálně ,,čistých" * Identifikace jevů, které v krajině souvisejí se změnami chemického složení * Identifikace a lokalizace tzv. absorpčních pásů * Identifikace antropogeních tvarů a procesů * ..... Hyperspektrální DPZ - princip Příklady konkrétních systémů - letadla AIS (Airborne Imaging Spectrometer) AVIRIS (Airborne Visible - Infrared Imaging Spectrometer). CASI (Compact Airborne Spectrographic Imager). *) v závislosti na výšce letu ?0,4 - 0,9228CASI 81,2 - 2,4128AIS 4 ~ 20 *)0,4 - 2,45224AVIRIS Velikost pixelu [m] Interval vlnových délek [m] Počet snímkůSystém AISA Eagle ­ www.usbe.cas.cz 64 spektrálních pásem, prostorové a spektrální rozlišení přibližně 0,4 m a 10 nm Příklady konkrétních systémů - družice Družice EO-1 (NASA), skener HYPERION ­ hyperspektrální skener s 242 pásmy v rozsahu 0,4 2,5 m s rozlišením 30 metrů a velikostí scény 7,7 x 42 resp. 185 km, časové rozlišení 16 dní Fuji (Jap), Palo Alto, Cal) 4 * předzpracování dat * kalibrace dat * tvorba spektrálních knihoven * vizualizace hyperspektrálních dat a knihoven spekter * automatické porovnání spekter * definování elementárních povrchů (tzv. endmembers) * analýza a automatická klasifikace heterogenních pixelů Základní etapy analýzy dat obrazové spektrometrie Předzpracování dat * úprava geometrie snímků, odstranění páskování (stripping), potlačení šumu Kalibrace dat (DN hodnoty ­ radiance ­ reflectance) * atmosférické korekce a korekce na vlivy topografie jsou nezbytnou prvotní částí zpracování * cílem je převést naměřená data, která obsahují charakteristiky celkového vyzařování objektů (angl. radiance), na data charakterizující odrazové vlastnosti objektů (angl. reflectance) * Zář (radiance) ­ množství dopadající na plochu čidla (senzoru) * Odrazivost (reflectance) ­ podíl mezi množstvím odražené elektromagnetické energie a množstvím energie dopadající na studovaný povrch Vztah mezi DN, zářivými a odrazovými vlastnostmi povrchů Skutečné odrazové vlastnosti objektů zářivé vlastnosti objektů DN hodnoty Vztah mezi DN, zářivými a odrazovými vlastnostmi povrchů * DN * L - zář [W.m2.sr-1]) (radiance) * - odrazivost (reflectance) L1 : záření rozptýlené atmosférou ,,path radiance" L2 : záření odražené snímaným povrchem L3 : záření odražené a rozptýlené okolními objekty c0, c1 : (offset, gain) ­ kalibrační konstanty Vztah mezi DN, zářivými a odrazovými vlastnostmi povrchů 2L ET L += ET LL - = )( 2 L ­ zář měřená senzorem ­ odrazivost E ­ intenzita ozařování (irradiance) [W.m-2] T ­ propustnost (transmisivita) atmosféry L2 ­ path radiance 5 Empirické určení zářivých a odrazových vlastností povrchů LMIN, LMAX ­ kalibrační konstanty pro dané pásmo DNccL 10 += LMINDN LMINLMAX L + - = 255 Modely atmosférické korekce * Při korekcích je nutné zohlednit také změny atmosférických vlivů v závislosti na vlnové délce ale také na geometrii snímání * princip atmosférických korekcí ­ transformace DN hodnot ve dvou krocích: 1. Převod zaznamenaných DN hodnot na zářivé vlastností (RADIANCE) 2. Převod zářivých vlastností na skutečné odrazivé vlastnosti snímaného povrchu (REFLECTANCE) * Fyzikální modely, které simulují procesy pohlcování a rozptylu záření v atmosféře * Potřebují meteorologická data Atmosférické korekce - modelování Ad 1) L jako lineární kombinace DN hodnot Ad 2) odhad (výpočet) optických vlastností atmosféry a výpočet skutečné odrazivosti DNccL 10 += Atmosférické korekce - modelování Atmosférické korekce - modelování F* = F0 + Fa F* - zdánlivá (pozorovaná) velikost radiometrické veličiny F0 - velikost radiometrické veličiny na zemském povrchu - spektrální propustnost atmosféry (vyjadřuje absorpční vlastnosti atmosféry) Fa ­ vlastní záření atmosféry Obecné vyjádření modelu: Korekce na geometrii snímání The Bidirectional Reflection Distribution Function (BRDF) Interakce dopadajícího záření s povrchem ­ idealizované povrchy (zrcadlový, lambertovský) 6 Spektrální knihovny a automatické rozpoznávání objektů Příklady záznamů ze spektrální knihovny pro pět vybraných materiálů. Na ose X jsou vlnové délky, na ose Y normalizované hodnoty odrazivosti (R). (1 - smrkové jehličí, 2 - suchý travnatý povrch, 3 - listy vlašského ořechu, 4 - listy javoru, 5 - kaolinit) Tvorba spektrálních knihoven http://speclab.cr.usgs.gov/spectral.lib04/spectral-lib04.html http://speclib.jpl.nasa.gov * Uchovávají laboratorně zjištěná spektra odrazivosti stovek nejběžnějších materiálů a druhů povrchů * Obsahují údaje o absolutních hodnotách odrazivosti, lze jich využívat obecně jako určitých ,,vzorových" spekter * Mají význam interpretačních klíčů. Vizualizace hyperspektrálních dat * Thumbnails * Band cycling * Data cube (Spektrální kostka) * Spektrální profily * Spektra jako vektory ve spektrálním prostoru Spektrální kostka Spektrální profily vybraných druhů minerálů Spektrální profily vybraných druhů vegetace 7 Spektrální profily vybraných umělých povrchů target spectra - typické příklady (z knihoven) Image spectra ­ reálné povrchy (často smíšené) Spektrální profily Spektra jako vektory ve spektrálním prostoru Spektrální profily jsou vhodné pro vizualizaci a porovnávání několika málo spekter Pro analýzu a klasifikaci většího počtu spekter ­ N rozměrný spektrální prostor Matematicky lze tento koncept využít i pro hyper ­ rozměrný prostor Není důležitá velikost vektoru, ale jeho orientace Možné přístupy ke klasifikaci * Porovnávání spekter (Spectral matching) * Klasifikace tzv. ,,spektrálním úhlem" * Analýza smíšených pixelů (mixing) * Metody shlukové analýzy, ... * Self-organizing NN Porovnávání spekter (simple spectral matching) Porovnávání spekter (simple spectral matching) 8 Porovnávání spekter (simple spectral matching) * Spektrum lze rozložit na nízkofrekvenční a vysokofrekvenční informaci * Nízkofrekvenční informaci představuje trend (tzv. continuum) * Vysokofrekvenční informaci reprezentují tzv. absporční pásy * Odečtením trendu se zvýrazní absorpční pásy, které často jednoznačně identifikují daný povrch Porovnávání spekter (simple spectral matching) * Vyžaduje konverzi obrazových spekter na hodnoty odrazivosti * Dobře funguje, pokud jsou v obraze větší plochy spektrálně ,,čistých " povrchů * Z vyhovujících spekter je nutné vybírat to nejvhodnější ­ prahování resp. ,,fuzy" výsledek * Řada povrchů je však smíšených * Někdy vyžaduje i ,,mixed" spektra ve spektrální knihovně * Výsledek ­ ,,material map" ­ mapuje dominantní druh povrchu na ploše každého pixelu. Klasifikace tzv. ,,spektrálním úhlem" (Spectral Angle Mapper) Vektor reprezentující spektrum ve 2D spektrálním prostoru Klasifikace tzv. ,,spektrálním úhlem" Algoritmus je založen na výpočtu míry podobnosti mezi testovaným spektrálním profilem ze zpracovávaného obrazu a spektrem z knihovny Jako míry podobnosti je využito tzv. spektrálního úhlu, A - vektor známého spektra (např. z knihovny spekter), B vektor spektra testovaného, - spektrální úhel; data v použitých pásmech jsou korigována na vlivy atmosféry a zastínění Analýza smíšených pixelů ­ ,,linear unmixing" ,,tradiční" přístup - zjednodušující předpoklad, že každý jeden obrazový prvek svoji hodnotou reprezentuje pouze jeden objekt či povrch. Křivka spektrálního chování heterogenního pixelu (mixel - mixture element) je složena z jednotlivých ,,spektrálně čistých" křivek elementárních povrchů tzv. endmembers. Elementární povrchy - endmembers Předzpracování * PCA ­ Analýza hlavních komponent * MNF - Minimum Noise Fraction * PPI ­ Pixel Purity Index 9 Koncept ,,linear mixing" Spektra všech povrchů, které jsou kombinací tří elementárních povrchů A, B, C musí ležet uvnitř prostoru, který tyto povrchy vymezují v spektrálním prostoru Pokud jsme schopni nalézt spektra elementárních povrchů, jsme schopni najít i jejich lineární kombinace Předpoklad ­ v obraze se nachází konečný, relativně malý počet elementárních povrchů a velké množství smíšených pixelů, které jsou jejich lineární kombinací Možné přístupy k analýze smíšených pixelů - linear mixing Vychází z předpokladu, že spektrální informace smíšeného pixelu vzniká lineární kombinací spektrálního chování všech obsažených elementárních povrchů Fyzikální model R = 0,5 A + 0,2 B + 0,3 C Lineární kombinace spekter (linear mixing) * Model lineární kombinace (smíchání) spekter - tzv. mixing předpokládá, že známe spektra jednotlivých elementárních povrchů i jejich procentuální zastoupení v ploše pixelu. * Z těchto informací lze ,,smíchat" výsledné spektrum smíšeného pixelu * Analýza potom spočívá v obráceném procesu označovaném jako tzv. un - mixing, * Známe pouze spektrum výsledné, obrazovou analýzou hledáme spektra jednotlivých elementárních povrchů (endmembers) * Z modelu ,,lineárního smíchání" hledáme procentuální zastoupení jednotlivých elementárních povrchů v analyzovaném obraze. Lineární kombinace spekter (linear mixing) ,,fraction images" Matematický model lineárního smíchání výsledného spektra heterogenního pixelu n - počet elementárních povrchů m - počet zpracovávaných pásem Y - výsledné spektrum X - koeficienty určující zastoupení jednotlivých elementárních povrchů Z - spektrální chování n elementárních povrchů v m intervalech spektra (pásmech) UNMIXING ­ určení procentuálního zastoupení elementárních povrchů 10 Geometrický model lineárního smíchání výsledného spektra heterogenního pixelu 1. Určení počtu elementárních povrchů simplex Geometrický model lineárního smíchání výsledného spektra heterogenního pixelu 2. Určení druhu elementárních povrchů 2.1. Odhad spekter elementárních povrchů 2.2. Jejich porovnání s referenčními spektry (knihovně) Linear unmixing a Urban RS s multispektrálními daty Ridd (1995) V-I-S model (vegetation ­ imervious ­ soil) Urban Remote Sensing Elementární povrchy ve městské zástavbě odvozené ze snímků Landsat ETM+ transformovaných metodou MNF Urban Remote Sensing Urban Remote Sensing Detekce změn