Wykorzystanie zdjęć satelitarnych Landsat TM do badania kondycji roślinności Magdalena Zwijacz-Kozica Bogdan Zagajewski Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Katedra Geoinformatyki i Teledetekcji
Wstęp Termin teledetekcja pochodzi od połączenia dwóch słów: greckiego tele daleko i łacińskiego detectio wykrywać, ujawniać. Teledetekcja odnosi się do metod gromadzenia informacji o obiektach, zjawiskach i procesach zachodzących na powierzchni Ziemi oraz do metod przetwarzania zgromadzonych danych. Główne źródło informacji to odbite od obiektów i emitowane przez obiekty promieniowanie elektromagnetyczne. Wykorzystanie technik fotograficznych i cyfrowych na poziomie naziemnym, lotniczym, satelitarnym.
Wstęp KaŜdy element pokrycia terenu (roślinność, gleba, woda, asfalt itp.) odbija i pochłania promieniowanie elektromagnetyczne w określony sposób, czyli ma swoistą SYGNATURĘ SPEKTRALNĄ.
Teledetekcyjne badania roślinności Krzywa odbicia spektralnego roślin zaleŝy m.in. od: gatunku budowy liści (proporcje barwników asymilacyjnych, zawartość wody w komórkach liści, ilość przestrzeni międzykomórkowych w miękiszu gąbczastym) powierzchni liścia (gładkie z nalotem woskowym czy matowe) struktury rośliny fazy fenologicznej lokalnych warunków siedliskowych warunków stresowych (stres wodny, zanieczyszczenia, uszkodzenia)
Czynniki wpływające na odbicie od roślin Barwniki asymilacyjne Odbicie w przestrzeniach międzykomórkowych Zawartość wody w komórkach liści Zakresy absorpcji Reflektancja (%) Absorpcja chlorofilu Absorpcja przez wodę Przezroczystość atmosfery (%) Długość fali (µm) VIS NIR Podczerwień MIR
Spektrum ciągłe Zakresy z Landsata TM Reflektancja (%) Spektrum z Landsata Długość fali (nm)
Charakterystyki spektralne roślin charakterystycznych dla piętra alpejskiego Tatr (HySens) 1.00 0.80 Vaccinium myrtillus Deschampsia flexuosa Juncus trifidus Calamagrostis villosae Luzula spadicea Nardus stricta reflektancja 0.60 0.40 0.20 0.00 360 418 477 537 597 657 717 778 840 902 964 1159 1482 1738 2035 długość fali (nm)
System satelitarny Landsat Funkcjonuje nieprzerwanie od 35 lat bogate zasoby danych, umoŝliwiające m.in. analizę zmian Satelita Sensor Zakres spektralny [µm] Nr kanału Wielkość sceny [km 2 ] Rozdzielczość przestrzenna [m] L 1-4 MSS wielospektralny 0,50 1,10 1, 2, 3, 4 80 L 4-5 TM wielospektralny 0,45 2,35 1, 2, 3, 4, 5, 7 30 L 4-5 L 7 TM termalny ETM+ wielospektralny 10,40 12,50 0,45 2,35 6 1, 2, 3, 4, 5, 7 185 120 30 L 7 ETM+ termalny 10,40 12,50 6.1, 6.2 60 L 7 Panchromatyczny 0,52 0,90 8 15
System satelitarny Landsat 1. 2. 3. 4. 5. 6. 7. 8. Zakres spektralny skanerów TM i ETM+ [µm] 0,45 0,52 (B) 0,52 0,60 (G) 0,63 0,69 (R) 0,76 0,90 (NIR) 1,55 1,75 (MIR) 10,4 12,5 (TIR) 2,08 2,35 (MIR) 0,52-0,90 (PAN) tylko ETM+ Zastosowanie kartowanie wód przybrzeŝnych, kartowanie roślinności, odróŝnienie roślinności od gleb, tworzenie map obszarów leśnych, identyfikacja obiektów infrastruktury kartowanie roślinności, szacowanie kondycji roślinności, identyfikacja obiektów infrastruktury stan roślinności, absorpcja chlorofilu => rozróŝnienie róŝnych typów roślinności, określanie granic gruntów, granic geologicznych, identyfikacja obiektów infrastruktury badanie biomasy, kartowanie roślinności i wód, identyfikacja plonów, oddzielanie lądu od wody, oddzielenie roślinności od gleb badanie roślinności, wód powierzchniowych i podpowierzchniowych, wilgotność gleby, zawartość wody w roślinach, stan roślin, badania obszarów pokrytych lodem, odróŝnianie chmur od śniegu do badania zjawisk termalnych, kondycja roślin, stres wodny roślin, wulkanizm (gejzery), plamy gorąca, zasoby wodne, trzęsienia ziemi, wilgotność gleb, promieniowanie cieplne dodany na Ŝyczenie geologów, badanie minerałów i skał, wyróŝnianie granic gruntów, hydrotechnika, analiza wilgotności gleb i roślinności kartowanie duŝych powierzchni, zmiany na obszarach zurbanizowanych
PAN 321 432 453
Pozyskanie darmowych danych z satelity Landsat http://glcf.umiacs.umd.edu Adres strony Uniwersytetu Maryland, gdzie z Global Land Cover Facility nieodpłatnie dostępne są dane satelitarne.
Wyszukiwanie zdjęcia za pomocą mapy Wyszukiwanie gotowych produktów/przetworzonych zdjęć Wyszukiwanie zdjęcia poprzez podanie nr ścieŝki i rzędu
Wybór sensora Dla Landsata TM naleŝy wybrać WRS- 2, a dla MSS WRS-1 Wybór daty rejestracji obrazu Wybór rodzaju przetworzenia Wyszukiwanie zdjęcia poprzez podanie nr ścieŝki i rzędu
Wybrana scena i jej parametry Lokalizacja sceny satelitarnej Dostępne zdjęcia wg wybranych kryteriów
Dane do ściągnięcia kaŝdy z kanałów spektralnych jest zapisany w oddzielnym pliku
Wstępne przetwarzanie danych satelitarnych Korekcja radiometryczna ze względu na konieczność kalibracji detektorów (korekcja błędów systematycznych skanera), usuwanie zniekształceń wywołanych wpływem atmosfery (stan atmosfery podczas rejestracji obrazu), oświetlenia (stan źródła promieniowania), topografii (spadek, ekspozycja, wysokość n.p.m.) łączenie lub porównywanie danych/wyników klasyfikacji pochodzących z róŝnych terminów wykorzystanie specjalistycznego oprogramowania (np. ATCOR) lub prostych metod (EML, analiza wartości pikseli)
Wstępne przetwarzanie danych satelitarnych Korekcja geometryczna usuwanie zniekształceń we wzajemnym połoŝeniu pikseli (z wykorzystaniem danych dostarczonych przez producenta lub poprzez porównanie obrazu z mapą lub z innym zrektyfikowanym obrazem), prowadzi do wyeliminowania błędów w geometrii obrazu i do rejestracji obrazu w określonym układzie współrzędnych przepróbkowanie (resampling) metodą najbliŝszego sąsiada (nearest neighbour) metodą ransformacji bilinearnej (bilinear transformation) metodą splotu sześciennego (cubic convolution) Ortorektyfikacja z wykorzystaniem NMT konieczna dla obszarów o urozmaiconej rzeźbie
Klasyfikacja obrazów satelitarnych Klasyfikacja uŝytkowanie i pokrycie terenu nadzorowana nienadzorowana hybrydowa obiektowa bazuje na charakterystykach spektralnych obiektów efektem jest skończona liczba klas (część pikseli moŝe nie zostać sklasyfikowana) piksele połączone w segmenty wykorzystuje informacje o kształcie i wewnętrznym zróŝnicowaniu obiektów, elementy logiki rozmytej, teksturę itp.
Wykorzystanie zdjęć satelitarnych Landsat do tworzenia map stanu roślinności na przykładzie Mapy Narwiańskiego Parku Narodowego wg Lewiński St., Zagajewski B., 2003. Mapa Narwiańskiego Parku Narodowego - integracja satelitarnych i lotniczych danych. W: Teledetekcja Środowiska. Vol. 33. PTG KTS, Warszawa Etapy tworzenia mapy: Tworzymy 2 kompozycje RGB, jedną w barwach rzeczywistych (3,2,1), drugą reprezentującą maksima i minima wartości odbicia spektralnego roślinności (2,4,3). Tworzymy maskę, dzięki której analizie poddana jest tylko roślinność np. poprzez progowanie jednego z kanałów utworzonych z wykorzystaniem transformacji Tasseled Cap (moŝna wykorzystać jedną ze składowych głównych PCA albo wskaźniki roślinne takie jak NDVI). Transformacja utworzona specjalnie dla danych z Landsata. Wynikiem są kanały: Brightness (Jasność)= 0,3037(TM1)+0,2793(TM2)+0,4743(TM3)+0,5585(TM4)+0,5082(TM5)+0,1863(TM7) Greenness (Zieleń)= -0,2848(TM1)-0,2435(TM2)-005436(TM3)+0,7243(TM4)+0,0840(TM5)-0,1800(TM7) Wetness (Wilgotność)= 0,1509(TM1)+0,1973(TM2)+0,3279(TM3)+0,3406(TM4)-0,7112(TM5)-0,4572(TM7)
Za pomocą maski wydzielamy roślinność na kompozycji 2,4,3, a pozostałe elementy pokrycia terenu za pomocą odwrotności maski na kompozycji w barwach rzeczywistych 3,2,1 => uszkodzone i chore rośliny podkreśli kompozycja 2,4,3, poniewaŝ z powodu mniejszej koncentracji chlorofilu wartości odbicia spektralnego roślin w zakresie zielonym (2) będą niskie i jednocześnie większe w zakresie czerwonym (3), co na obrazie uwidoczni się w postaci koloru szarawego. Obrazy łączymy poprzez ich zsumowanie. Obraz roślinności moŝna podkreślić wykorzystując informację z podczerwieni (w przypadku mapy Narwiańskiego Parku Narodowego wykorzystano ortofotomapę wykonaną ze zdjęć spektrostrefowych). MoŜna zastosować analizę składowych głównych PCA dla kanałów zarejestrowanych w podczerwieni lub zestawu kanałów z wysokorozdzielczego zdjęcia np. z IKONOSA i wykorzystać pierwszą składową główną PCA1.
Kompozycje RGB przetwarzamy na model IHS (Intensity Hue Saturation), poniewaŝ ludzkie oko pozyskuje około 80% informacji z kanału Intensity. Następnie zamiast kanału Intensity wstawiamy kanał PCA1 (lub innego rodzaju przetworzenie, które moŝe podnieść wartość wynikowego obrazu) i w ten sposób dodajemy do obrazu treść z podczerwieni albo z danych wysokorozdzielczych, ale takŝe informacje o strukturze i teksturze obrazu, co pozwala odróŝnić wiele obiektów, np. las iglasty od liściastego. Przechodzimy z modelu IHS znowu do modelu RGB i otrzymujemy obraz, w którym barwy pochodzą ze zdjęcia z satelity Landsat, a struktura i tekstura obrazu oraz rozdzielczość przestrzenna z danych wysokorozdzielczych.
Lewiński St., Zagajewski B., 2003. Mapa Narwiańskiego Parku Narodowego - integracja satelitarnych i lotniczych danych. W: Teledetekcja Środowiska. Vol. 33. PTG KTS, Warszawa
Wyniki: Las iglasty Las liściasty zdrowy uszkodzony
Weryfikacja wyników na przykładzie badań hiperspektralnych HySens zrealizowanych w rejonie Hali Gąsienicowej Badania potwierdzające dobry lub zły stan roślinności: pomiary spektrometryczne (np. wyliczenie wskaźników roślinnych) pomiary powierzchni projekcyjnej liści LAI (Leaf Area Index) pomiary akumulowanej radiacji z zakresu fotosyntezy (400-700 nm) APAR (Accumulated Photosynthetic Active Radiation) pomiary wskaźnika termicznego t s -t a pomiary zawartości barwników asymilacyjnych
Badania terenowe Pomiary spektrometryczne FieldSpec, GER 3700, SP1, SPZ5 LAI, APAR (fapar), radiacyjna temperatura powierzchni liści, biomasa, LAI, zawartość barwników asymilacyjnych (chlorofil a, b i karetonoidy)
APAR = (PAR 0 + PAR s ) (PAR t + PAR c ) p = fapar = APAR/ PAR 0
NDVI 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Calamagrostis villosa Juncus trifidus Luzula alpino-pilosa Nardus stricta Vaccinium myrtillus -8-6 -4-2 0 0,0 t s -t a ( o C)
Zawartość barwników asymilacyjnych 3000 2500 Chl_a Chl_b Car Chl_a+Chl_b 2000 1500 1000 500 0 Nardus stricta Luzula spadicea Deschampsia flexuosa Deschampsia caespitosa Calamagrostis villosae Juncus trifidus Vaccinium myrtillus 6,0 5,0 Chl_a/b Chl_(a+b)/Car 4,0 3,0 2,0 Nardus stricta Luzula spadicea Deschampsia flexuosa Deschampsia caespitosa Calamagrostis villosae Juncus trifidus Vaccinium myrtillus
Niestety, to juŝ koniec... Dziękuję za uwagę
Magdalena Zwijacz-Kozica Bogdan Zagajewski Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Katedra Geoinformatyki i Teledetekcji ul. Krakowskie Przedmieście 30 00-927 Warszawa e-mail: septy@uw.edu.pl bogdan@uw.edu.pl