TEMA 5 - TELEDETECCIO II (2015)

Apunte Catalán
Universidad Universidad Autónoma de Barcelona (UAB)
Grado Biología - 2º curso
Asignatura Anàlisi i Cartografia de la vegetació
Profesor M.
Año del apunte 2015
Páginas 4
Fecha de subida 21/03/2015
Descargas 33
Subido por

Vista previa del texto

5. TELEDETECCIÓ II PROCESSAMENT D ’IMATGES SATEL·LITALS Passos 1) 2) 3) 4) Captura de dades (antena, adquisició, servidor de mapes) Correccions radiomètriques i geomètriques Transformacions (contrast) Objectiu: a. Classificació (generació de mapes categòrics) b. Quantificació (obtenció de variables físiques) c. Exploració visual 5) Sortida (intranet, internet) CORRECCIÓ GEOMÈTRICA Causes de les distorsions: 1) Internes (geometria del sensor) (distorsió lent, canvi velocitat del mirall en l’escaneig, etc.) 2) Externes a. Canvi d’altitud, velocitat o orientació de la plataforma b. Velocitat de rotació de la Terra c. Curvatura de la Terra d. Relleu Correcció basada en GCP (Groun Control Points) - Polinomi de primer grau (mínim 3 GCP) - Columna=a0+a1X+a2Y - Fila=b0+b1X+b2Y Es necessita una certa especialització per les fotos de satèl·lit, s’han de fer un conjunt de tractaments perquè la imatge tingui sentit, son correccions.
La correcció geomètrica és la primera que es fa. Hem d’aconseguir que la nostra imatge de satèl·lit tingui unes coordenades adequades per poder-la posar al sistema d’informació geogràfica i poder-la solapar amb altres informacions.
Això es fa: 1. Agafem un mapa, normalment es fa servir un mapa topogràfic i es busquen punts on sigui molt clar que puguem determinar la coordenada i que la puguem definir al satèl·lit. Van molt be les cruïlles de carretera, que es poden definir amb facilitat. Dotem d’un sistema de referencia universal una imatge que te un sistema de referencia local. Són GCP (=Ground Control Points). Han d’estar repartits per tota la imatge i des del punt de vista matemàtica es fan servir polinomis per associar files i columnes amb unes coordenades X, Y.
-Cursos d’aigua: no sempre és igual i canvien molt. No es recomana ferlo servir com a punt de referència. Ex: selva amazònica hi ha pocs punts de diferencia i per tant serà molt difícil de fer-ne la seva correcció geomètrica Hi ha un error planimètric(=posicionament) que es pot calcular amb la formula: CORRECIÓ RADIOMETRICA Es modifiquen DM originals per tal d’eliminar els factors que els han distorsionat. Obtenim reflectivitats: una mesura física estàndard comparable en el temps i amb les dades d’altres sensors.
Factors: 1. Calibratge del sensor 2. Estat de l’atmosfera 3. Ombres tipogràfiques 4. Hora del dia i moment de l’any Ex: tenim una muntanya. El sol ve representat per les fletxes. Una part de la muntanya està a la ombra i l’altre està rebent l’energia del sol. Hi ha pins als dos costats.
Quan passa el satèl·lit, de la banda de la muntanya on no hi toca el sol li arriba una menor reflectància → pot arribar a pensar que son coses diferents perquè ens arriben senyals de reflectància diferents però en realitat son els mateixos punts → és necessària una correcció radiomètrica.
S’intenta universalitzar el valor del píxel que s’està observant. Això ho aconseguim calculant quina es la quantitat d’energia que reflecteix un pixen tenint en compte quina energia del sol li arriba. Aquesta relació fas que sigui independent dels factors mencionats anteriorment.
L’energia solar (E0) quan travessa l’atmosfera part de l’energia es perd o es absorbida i només una part d’aquesta arribarà a la superfície de la terra. Tau és la claredat de les condicions atmosfèriques que hi ha (si l’atmosfera es clara o neta o si es turbulenta i no permet tant el pas de l’energia).
El flux d’energia incident es tot el que rep un píxel, en canvi el flux d’energia reflectit per un píxel és la primera part de la fórmula.
Hem de fer un seguit de correccions sobre l’estat de l’atmosfera CLASSIFICACIÓ Obtenció de cartografia temàtica a partir del processament digital de les bandes originals d’una imatge.
Seqüencia temporal d’imatges. Plana de Vic (06/08/96) La classificació d’una imatge digital consisteix en categoritzar una imatge multibanda. Es passa de tenir uns ND continus mediats pels sensors a una escala nominal o categòrica de manera que cada píxel pertany a una categoria definida prèviament. L’ND d’un píxel classificat, és l’identificador de la classe o categoria on s’hagi inclòs. Aquestes classes poden descriure diferents tipus de cobertes (variable nominal o categòrica) o bé intervals d’una mateixa categoria d’interès (variable ordinal).
Ex: Un exemple del primer tipus seria una classificació de diferents tipus de coberta vegetal, en canvi un del segon tipus seria un intent de classificar diferents nivells de dany produïts per un incendi FASES DEL PROCÉS DE CLASSIFICACIÓ 1) 2) 3) 4) Fase de detecció d’un patró (àrees d’entrenament) Fase d’assignació Fase de validació (matriu de confusió) Producció de cartografia temàtica ÀREES D’ENTRENAMENT La classificació digital comença amb la definició de les categories que es pretén distingir en la imatge. Es tracta d’una classificació basada en els valors numèrics. Per tant, es tracta d’obtenir el rang d’ND que identifica a cada categoria per totes les bandes que intervenen a la classificació.
Les diferents categories no es defineixen només per un ND sinó per un conjunt d’ND pròxims entre ells. Hi ha una certa dispersió al voltant de l’ND mitjà per a cada categoria. Per això la fase d’entrenament tracta de definir amb rigor cada una de les categories que es pretén distingir tenint en comte la seva dispersió en la zona d’estudi.
Això s’aconsegueix seleccionant una mostra de píxels en la imatge que representen adequadament a cada categoria.
A partir d’aquests es determina l’ND mitjà de cada classe i el rang en el que varien, per totes les bandes que intervenen en la classificació. Les estimacions posteriors es basen sobre la mostra seleccionada pel que convé seleccionar-la adequadament ja que els resultats de la classificació estan molt mes influïts per la definició prèvia de les categories, que per el criteri per el qual aquestes son diferenciades en la imatge.
FASE D’ASSIGNACIÓ Mètode del paral·lelepípede: l’usuari fixa l’àrea de domini per cada categoria tenint en compte els seus valors de centralitat i dispersió. Posteriorment cada píxel serà assignat a una classe si els seus ND estan dins de l’àrea de domini d’aquesta classe, per totes les bandes que intervenen a la classificació. El píxel x serà assginat a la classe A si els seus ND en les diferents bandes estan inclosos en l’area de domi d’aquesta classe.
Des del punt de vista estadístic es poden fer servir totes les dimensions que es volen. Nosaltres ho fem en dues per no complicar-ho tant.
Tenim un píxel de mitjana 125. Com determinem si és vegetació o si es tracta de ciutat? Si queda més a prop dels píxels de vegetació o ciutat. Hi ha una fase d’assignació on hi ha diferents mètodes. El més senzill és l’ND (=digital number).
VALIDAR UN MAPA Depèn de que haguem fet una bona correcció, de que tinguem unes àrees d’entrenament per poder obtenir una bona classificació, etc. Podem saber si el mapa esta ben fet o no a través d’una matriu de confusió* Vas al camp i fas un mostreig, s’agafen unes dades aleatòries o estratificades segons ens interessi i s’agafen un seguit de mesures que es comparen amb el mapa elaborat.
Podem construir una matriu de doble entrada on tenim el veritat mapa dalt i a l’eix vertical hi tenim el veritat terreny.
Tot el que s’aparta de la diagonal és un error i n’hi ha de dos tipus.
- Error d’omisió - Error de comissió En el cas del bosc, el número 1 el mapa ens diu que és urbà però nosaltres diem que es bosc, per tant son píìxels que els hem omes i que haurien de ser bosc. O ens passem o ens quedem curt, son les dues maneres de mesurar quin es el nostre error.
Les conseqüències que pot tenir des del punt de vista del productor i del consumidor. Hi ha errors que no es veuen.
*matriu de confusió: és una eina de visualització que s’utilitza en l’aprenentatge supervisat. Cada columna de la matriu representa el nombre de prediccions de cada classe, mentre que cada fila representa a les instàncies en la classe real. Un dels beneficis de les matrius de confusió és que faciliten veure si el sistema està confonent dues classes.
Exemple de matriu de confusió Ex: de 8 gats reals, el sistema ha predit que tres eren gossos i de 6 gossos ha predit que 1 era un conill i 2 eren gats. A partir de la matriu es pot veure que el sistema té problemes a l'hora de distingir entre gats i gossos, però que pot distingir raonablement bé entre conills i altres animals.
Els exemples de INDEXOS s’expliquen a pràctiques.
Gat Predit Gat 5 Gos 3 Conill 0 Real Gos Conill 2 0 3 2 1 11 ...