Teledetekcja w ochronie środowiska Wykład V

Teledetekcja w ochronie środowiska Wykład V

Rodzaje danych spektralnych Wyróżniamy: Dane multispektralne (kilka kanałów) Dane hiperspektralne (do kilkuset kanałów) Dane ultraspektralne (tysiące kanłów) http://www.markelowitz.com/hyperspectral.html Opis ilościowy (stopień wilgotności) Poznanie charakterystyki (badanie zmienności parametru np. wilgotności) Identyfikacja (np. rozpoznanie materiału, z którego zbudowany jest obiekt) Klasyfikacja (pogrupowanie obiektów na podstawie pewnych cech) Detekcja obiektów (stwierdzenie występowania obiektu)

Zachmurzenie Chmury Cienie Istnieje wiele powodów, dla których, w pierwszym kroku analizy obrazów multi-spektralnych przeprowadza się identyfikację oraz maskowanie chmur: Proces maskowania chmur wykorzystywany jest np. podczas automatycznej analizy jakości zobrazowań archiwalnych Zachmurzenie należy również uwzględnić podczas procesu klasyfikacji Istotne jest również aby rozróżnić zachmurzenie od pokrywy śnieżnej

Zachmurzenie Chmury Pokrywa śnieżna

Klasyfikacja chmur i ich cieni Automated Feature Extraction in Medium and High Resolution VNIR Imagery

Mozaikowanie obrazów Analizowany obraz Obraz, z którego pożycza się piksele

Mozaikowanie obrazów Obraz na dole powstał w wyniku połączenia 6 obrazów tego samego obszaru wykonanych w różnych warunkach atmosferycznych

Landsat 7 awaria SLC W 2003 r. na pokładzie satelity Landsat 7 awarii uległo urządzenie o nazwie SLC (ang. Scan Line Connector) Jego celem jest kompensacja ruchu satelity tak, aby poszczególne zeskanowane pasy terenu były do siebie równoległe. Po awarii, sensor znajdujący się na satelicie Landsat 7 wykonywał zobrazowania w sposób zyg-zagowaty, w wyniku czego niektóre obszary były obrazowane kilkukrotnie, a niektóre w ogóle. Sumaryczny efekt był taki, że brakowało ok 22% powierzchni zdjęć wykonywanych od tego momentu przez satelitę Landsat 7.

Landsat 7 awaria SLC

Landsat 7 awaria SLC Nie istnieje możliwość bezpośredniego odzyskania brakujących informacji. Zamiast tego wykorzystuje się (tak samo jak w przypadku usuwania chmur z obrazów) szereg czasowy obrazów tego samego obszaru. Jest to możliwe dzięki temu, że efekt brakujących pasów za każdym razem pojawia się z pewnym przesunięciem Możliwe jest również wykonanie interpolacji brakujących wartości. W tym celu można wykorzystać narzędzia geostatystyczne.

Wskaźniki środowiskowe VCI (ang. Vegetation Condition Index) jest to pochodna wskaźnika NDVI. Wyznacza się go na podstawie szeregu wartości NDVI w danym okresie czasu. Wymagane: Kanał czerwony Kanał podczerwony VCI wyznacza się dla każdego piksela obrazu. Jest to stosunek różnicy wartości NDVI w wybranym momencie i minimalnej wartości NDVI w analizowanym okresie badawczym do różnicy pomiędzy wartością maksymalną i minimalną NDVI w badanym okresie (Dąbrowska-Zielińska et al. 2002). VCI przyjmuje wartości od 0 do 100. Umożliwia on podkreślenie wartości ekstremalnych współczynnika NDVI. Wartości VCI (Musiał, 2009): 0-33 : wartość NDVI w danym momencie jest bliska wartości minimalnej NDVI w całym szeregu. Może to świadczyć o złych warunkach klimatycznych panujących w tym czasie. 34-65 : wartość NDVI w danym momencie jest bliska wartości średniej NDVI w całym szeregu. 66 100 : wartość NDVI w danym momencie jest wyższa niż wartość średnia NDVI w całym szeregu.

Wskaźniki środowiskowe http://www.ospo.noaa.gov/products/land/vhp/vci.html

Wskaźniki środowiskowe TCI (ang. Temperature Condition Index) jest to wskaźnik temperatury. Podobnie jak wskaźnik VCI wyliczany jest na podstawie wartości maksymalnej i minimalnej temperatury powierzchni w analizowanym okresie czasu. TCI wyliczany jest tak aby zobrazować wpływ temperatury na wegetację. Im wyższe wartości współczynnika TCI tym większe susze. Wartości TCI: bliskie 0 : oznacza, że temperatura w badanym okresie jest bliska wartości maksymalnej stwierdzonej dla długiego okresu czasu (np. 18 lat) bliskie 50 : oznaczają dobre, naturalne temperatury bliskie 100 : oznacza, że temperatura w badanym okresie jest bliska wartości minimalnej stwierdzonej dla długiego okresu czasu (np. 18 lat) Niskie wartości TCI mogą wskazywać na możliwość wystąpienia suszy.

Wskaźniki środowiskowe http://www.ospo.noaa.gov/products/land/vhp/tci.html

Wskaźniki środowiskowe VHI (ang. Vegetation Health Index ) wyznaczany jest na podstawie wartości VCI i TCI. Współczynnik a determinuje wpływ poszczególnych wskaźników na wartość VHI. Często przyjmuje się, że a=0,5. Współczynnik VHI wykorzystuję się jako wskaźnik badania kondycji roślinności, wilgotności, czy warunków termicznych. VHI przyjmuje wartości od 0 do 100.

Wskaźniki środowiskowe http://www.ospo.noaa.gov/products/land/vhp/vhi.html

Wskaźniki środowiskowe NDVI Normalized Difference Vegetation Index RVI Ratio Vegetation Index ELAI - Leaf Area Index STVI - Stress Related Vegetation Index SAVI - Soil Adjusted Vegetation Index MSAVI - Modified Soil-adjusted Vegetation Index R 850 - reflectance factor in 850 nm band R 650 - reflectance factor in 650 nm band (Wójtowicz et al. 2009)

PCA PCA (ang. Principal Components Analysis) jest to analiza składowych głównych. Kanały zobrazowań wielospektralnych są często silnie ze sobą skorelowane a co za tym idzie niosą podobne informacje. Transformacja danych wielospektralnych wykorzystująca analizę statystyczną może być zastosowana w celu zmniejszenia nadmiarowości danych. PCA to jedna z takich transformacji.

PCA W przypadku danych z satelity Landsat pierwszy kanał PC zazwyczaj niesie najwięcej informacji o topografii terenu. Należy zwrócić uwagę, że w tym przypadku 4 kanał PC jest odwrotnością kanału 1. Zazwyczaj, do analizy wybiera się ten kanał PC, który jest najbardziej podobny do oryginalnego obrazu. Natomiast w trzecim kanale PC zazwyczaj najmocniej zredukowany jest szum.

Geostatystyka Geostatystyka Za twórcę geostatystyki uważa się Matherona, który przedstawił jej podstawy teoretyczne w latach 1962-1963. Wykorzystał on wcześniej przeprowadzone badania de Wijsa (1951), Sischela (1952) oraz Krige a (1951). Geostatystyka jest to dział statystyki stosowanej. Może ona być wykorzystywana wszędzie tam, gdzie zmienna przestrzenna i/lub czasowa wykazuje występowanie autokorelacji. Metody geostatystyczne uwzględniają zarówno aspekt losowy jak i strukturalny (nielosowy)badanego zjawiska. Zastosowanie metod geostatystycznych umożliwia rozwiązanie złożonego problemu estymacji parametru z wykorzystaniem informacji o jego strukturze zmienności.

Geostatystyka Zmienna zregionalizowana Zmienna zregionalizowana Z(x) jest to numeryczna funkcja współrzędnych przestrzeni. Ma ona charakter skrajnie nieregularny i dlatego nie może ona być wyrażona w formie analitycznej. Zmienna zregionalizowana łączy dwie cechy zróżnicowania, które mogą być wyrażone w sposób ilościowy jako składniki zmienności: Losowy Nielosowy (strukturalny) Zmienna zregionalizowana odróżnia geostatystykę od statystki klasycznej, która zakłada wyłącznie losowy charakter zmienności badanych parametrów. Warunek wewnętrznej stacjonarności zmiennej zregionalizowanej Z(x) Hipoteza wewnętrznej stacjonarności zmiennej zregionalizowanej jest prawdziwa, jeżeli przyrosty funkcji Z nie zależą od lokalizacji x oraz wariancja przyrostów tej funkcji między punktami x i x + h jest również niezależna od x, a zależna jedynie od wektora h.

Semiwariogram Geostatystyka W geostatystyce głównym narzędziem do opisu charakteru zmienności badanego parametru jest semiwariogram, którego wartości wyznacza się najczęściej na podstawie klasycznego wzoru Matherona: - wartości parametru pomierzone w punktach oddalonych od siebie od wektor h - liczba par punktów pomiarowych oddalonych od siebie o wektor h Semiwariogram przedstawia zróżnicowanie wartości parametru w zależności od odległości pomiędzy punktami pomiarowymi. W przypadku izotropii zmienności badanego parametru wyznacza się semiwariogram uśredniony, natomiast w przypadku anizotropii, wyznaczane są wartości kilku semiwariogramów kierunkowych na podstawie punktów pomiarowych ułożonych w określonych kierunkach.

Semiwariogram Geostatystyka Punkty pomiarowe rozmieszczone w sposób równomierny Punkty pomiarowe rozmieszczone w sposób nierównomierny

Semiwariogram Geostatystyka Semiwariogram empiryczny z dopasowanym modelem teoretycznym Modele teoretyczne semiwariogramu (źródło: J. Mucha Struktura zmienności zawartości Zn i Pb w śląsko-krakowskich złożach rud Zn-Pb )

Semiwariogram Geostatystyka Model sferyczny Matherona C 0 zmienność lokalna parametru (wariancja samorodków) C próg semiwariogramu (wariancja progowa) C 0 + C amplituda semiwariogramu równa wariancji statystycznej a zasięg semiwariogramu (zasięg autokorelacji)

Kriging Geostatystyka Kriging to geostatystyczna metoda interpolacji wartości parametru. W metodzie krigingu wykorzystywana jest informacja na temat struktury zmienności badanego parametru. W metodzie krigingu estymator badanego parametru w punkcie P ma postać średniej ważonej. w ip wagi krigingu Z i wartość parametru w punkcie i n liczba próbek uwzględniona w procedurze krigingu Wagi krigingu zwyczajnego (ordinary kriging) ustalone są na podstawie wartości semiwariogramu teoretycznego. - średnia wartość założonego semiwariogramu teoretycznego dla odcinków łączących punkty pomiarowe S i oraz S j, - (S i, P) - średnia wartość założonego semiwariogramu teoretycznego dla odcinków łączących punkt pomiarowy S i z punktem P, w którym wykonywana jest interpolacja parametru, - mnożnik Lagrange a.

Kriging Geostatystyka W metodzie krigingu można wyznaczyć błąd oceny średniej wartości parametru. W tym celu wyznaczana jest wariancja błędu oceny średniej wartości parametru: Błąd krigingu (bezwzględne odchylenie standardowe krigingu):

Kriging Geostatystyka Wyniki krigingu Błąd krigingu

Geostatystyka Kriging Metody krigingu: Kriging zwyczajny Kriging prosty Kriging uniwersalny Kriging probabilistyczny Kriging wskaźnikowy Kriging dysjunktywny...

Geostatystyka Geostatystyka w ArcGIS Do analizy geostatystycznej w programie ArcGIS służy rozszerzenie Geostatistical Analyst. Obejmuje ono zestaw zaawansowanych narzędzi pozwalających badać dane przestrzenne i generować modele powierzchni z wykorzystaniem metod statystycznych i deterministycznych. ArcGIS Geostatistical Analyst umożliwia interpolowanie modelu na podstawie danych pomierzonych w wybranych punktach badanej powierzchni. ArcGIS Geostatistical Analyst umożliwia: badanie zmienności danych, sprawdzanie globalnych trendów; tworzenie map prognoz, szacowania błędu standardowego oraz prawdopodobieństwa; realizację różnych sposobów wizualizacji powierzchni włącznie z warstwicami (izoliniami); badanie autokorelacji przestrzennej i korelacji pomiędzy wieloma zestawami danych.

Geostatystyka Etapy analizy geostatystycznej 1. Zdefiniowanie danych. 2. Analiza statystyczna. 3. Badanie trendu (dryftu) danych. 4. Wyznaczenie semiwariogramu empirycznego. 5. Dopasowanie modelu teoretycznego. 6. Kriging. 7. Wyznaczenie błędu krigingu.

Geostatystyka semiwariogram uśredniony Geostatystyka Po kliknięciu np. na wybraną wartość odległości, łączone są ze sobą próbki oddalone o tą odległość. Następnie wyznaczany jest semiwariogram i dopasowany jest model teoretyczny

Geostatystyka semiwariogram kierunkowy Geostatystyka Anizotropia geometryczna Przykłady semiwariogramów kierunkowych z dwoma kierunkami:

Geostatystyka Geostatystyka anizotropia geometryczna anizotropia izotropia W przypadku izotropii zasięg autokorelacji jest taki sam we wszystkich kierunkach (koło). Dla anizotropii jest to elipsa izotropia anizotropia