FA för FPO 026, föresläsning 2 Pontus Olofsson, Department of Physical Geography and Ecosystems Analysis, Faculty of Science, Lund University

Spektral reflektans Reflektans = solstrålning ”studsar” på ett objekt (förenklat) Sensor registrerar reflektansen Olika objekt reflekterar olika Medför: urskilja objekt då spektral reflektans skiljer sig. Passiv FA

VI som NDVI, EVI -> FAPAR, NPP odyl

Upplösning (”resolution”) Fem ”sorters upplösningar”: 1. Geometrisk (spatiell, ”spatial”) Minsta avståndet mellan två objekt sett från sensorn T ex, 30 m för LANDSAT TM och ETM+, och 1 km för SPOT-VEGETATION På bekostnad av areell och temporal upplösning QuickBird: 0.6 m Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Hur ofta man får data för en punkt 2. Temporal Hur ofta man får data för en punkt T ex, 16 dygn för LANDSAT-7, 1 dygn för Terra, och var 15:e minut för Meteosat Hög temporal upplösning  kontinuerliga tidsserier Ofta viktig egenskap Svårt (omöjligt) att kombinera med geometrisk upplösning Terra/MODIS 1 dygn och 250 m Vid samma tidpunkt varje dag Hur ofta satelliten passerar

Satellitdata ofta vida överlägset flybildsdata 3. Spektral I hur många våglängdsband sensorn registrerar reflektans (benämns ofta ”kanaler” el. ”spektrala band”) Satellitdata ofta vida överlägset flybildsdata ETM+ 8 kanaler, MODIS 36 och Hyperion 220 Utnyttjar atmosfäriska fönster – bandbredden viktig Atmos fönster: våglängdsområden med minimal atmos. påverkan.

Hur stort område som täcks in av en scen 4. Areell Hur stort område som täcks in av en scen Bestäms av svepvidden (”swath width”) T ex, QuickBird 16.5 km, ETM+ 180 km, MODIS 1200 km, Meteosat ¼ av jorden Två MODIS-scener Meteosat

5. Radiometrisk Med vilken precision lagras data Ofta 8 bitar, dvs värden mellan 0 och 255 Kallas DN-värden (digital number) eller ”brightness values” MSS: 6 bitar

FA-mjukvara Geomatica (PCI Geomatics) Ortho/Sip (SpaceMetric) SocetSet (IIT/BAE Systems) Erdas Imagine 8.7 (Leica GeoSystems) IDRISI (Clark Labs, Clark University) Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Geomatica v8.2 PCI Geomatics, Kanada Subprogram ”ImageWorks” eller ”Focus” Lagrar geografisk data i databas: PCIDSK (*.pix) Även andra format kompatibla Bilder lagras som channels Annan information som segment Projekt sparas som projektfiler (*.gpr) Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Digital bildbehandling Input (få tag i och bestämma vilka data som ska behandlas) Förprocessering: geometrisk och radiometrisk korrektion Förstärkning: t ex kontraststräckning, filtrering, bilda index Fotogrammetri: flygbildstolking (ej digitalt) Klassificering: supervised eller unsupervised Output och display: t ex kartor och GIS

Bildförstärkning (image enhancement) Förändrar hur en bild uppfattas Förändrar DN-värdena T ex kontrastförstärkning Rådata liten kontrast  vill förstärka kontrasten Genom t ex linjär kontraststräckning: Liten andel av låga DN-värden sätts till 0 (= svart) Lika andel av höga DN -värden sätts till 255 (= vitt) Återstående linjärt distribuerade däremellan Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildförstärkning (image enhancement) Exempel: ingen förstärkning 255 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt 0 -> 0 255 ->255 x -> x 255

Bildförstärkning (image enhancement) Exempel: linjär kontrastförstärkning 255 0-Histomin  0 Histomax -255  255 Histomin  Histomax  0-255 255

Bildförstärkning (image enhancement) Exempel: LUT (lookup table) In -> Out 0 -> 0 1 -> 0 2 -> 1 3 -> 1 … 255 -> 255 Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildförstärkning (image enhancement) Andra metoder: En mängd andra kontraststräckningar Indexering, t ex NDVI Aritmetiska operationer på kanalerna False Colour Composite (FCC) LUT Bildfiltrering Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildförstärkning (image enhancement) Grass marsh Tree swamp Band 7, raw Ratio Bands 7/5 Dryland trees

Bildfiltrering (image filtering) Opererar på ett fönster (kernel), vanligtvis 3  3, 5  5, 7  7 eller 9  9 Spatiell frekvens: “The number of changes in DN-value per unit distance for any particular part of an image” Few changes? Low frequency Many changes? High frequency Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildfiltrering (image filtering) 1. Low Pass Filters Filtrerar ut höga frekvenser (smoothing) Undertrycker skarpa kanter Opererar ofta på medelvärdet på omkringliggande pixlar m h a vikter Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildfiltrering (image filtering) 2. High Pass Filters Tar bort lågfrekventa förändringar Framhäver högfrekventa förändringar Kanter och detaljer i bilden förstärks T ex Edge Sharpening Filter och Edge Detection Filter Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Bildklassificering (image classification) Bygger på spektrala signaturer Två typer: Unsupervised Klassificering utan förhandsinformation Datorn separerar data i olika klasser Supervised Använder sk träningsytor insamlade i fält Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Unsupervised klassificering Vanligtvis clustering: Spektralt lika DN-värden klumpas ihop i grupper (kluster) Ingen input förutom satellitdata T ex k-Means Clustering: DN-värden delas in i k st kluster k förutbestämt Spektralt avstånd mellan DN-värden och klustercenter beräknas  DN-värde tillskrivs ett kluster Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Unsupervised klassificering Exempel på k-Means Clustering med fyra kluster: Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Supervised klassificering Mängd olika metoder, Maximum Likelihood vanligast: Pixel på position x tillhör klass i för alla i  j om P{i är den korrekta klassen för pixel på position x} > P{j är den korrekta klassen för pixel på position x}, vilka beräknas från träningsdata Andra vanliga metoder: Parallellepiped-klassning Minsta avståndsklassning Neurala nätverk Dvs minsta avståndet mellan två objekt då sensorn fortfarande urskiljer två objekt

Supervised klassificering Exempel på parallellepipedklassning:

Klassificeringsresultat Min dist ML Unsupervised Mixed forest Coniferous Poor forest