Geoinformatyka
Ćwiczenie 10
Podstawy przetwarzania zdjęć satelitarnych
Katarzyna Ostapowicz, Jacek Kozak
[e-mail]; [e-mail]
Zakład Systemów Informacji Geograficznej, Kartografii i Teledetekcji
Instytut Geografii i Gospodarki Przestrzennej UJ
Kraków 2014
2016
1
Cel
Celem ćwiczenia jest zapoznanie się z możliwościami wykorzystania zdjęć satelitarnych
jako z
ródła informacji o środowisku przyrodniczym. Przedstawione zostaną zasady
wstępnej interpretacji zdjęć satelitarnych m.in. analizy zmian w czasie pokrycia terenu
oraz klasyfikacji wzorcowej (nadzorowanej).
SÅ‚owa kluczowe
jasność (jaskrawość, DN), rozdzielczość przestrzenna, rozdzielczość radiometryczna,
rozdzielczość spektralna, rozdzielczość czasowa, zakresy spektralne, histogram,
kompozycja barwna, analiza zmian (ang. change detection), pola treningowe,
wzorce/sygnatury, klasyfikacja wzorcowa/nadzorowana
Po tych zajęciach powinniście potrafić:
·ð rozróżniać cztery typy rozdzielczoÅ›ci,
·ð rozróżniać obiekty wystÄ™pujÄ…ce na zdjÄ™ciu,
·ð przeprowadzić wstÄ™pnÄ… analizÄ™ zmian na zdjÄ™ciu satelitarnym,
·ð wyznaczyć pola treningowe,
·ð utworzyć sygnatury spektralne dla pól treningowych,
·ð ocenić jakość sygnatur,
·ð przeprowadzić procedurÄ™ klasyfikacji
·ð zweryfikować wynik klasyfikacji.
Dane
Dane podstawowe:
W ćwiczeniu wykorzystasz fragmenty ortofotomap satelitarnych pozyskanych z serwera
EarthExploler (http://earthexplorer.usgs.gov/) należącego do USGS (U.S. Geological
Survey):
·ð ortofotomapÄ™ satelitarnÄ… Landsat MSS (fragment sceny 189/25 z 6 sierpnia 1981)
zapisanÄ… w formacie *.img
·ð ortofotomapÄ™ satelitarnÄ… Landsat TM (fragment sceny 189/25 z 23 sierpnia 1987)
zapisanÄ… w formacie *.img
·ð ortofotomapÄ™ satelitarnÄ… Landsat ETM+ (fragment sceny 189/25 z 2 sierpnia
2000) zapisanÄ… w formacie *.img
·ð ortofotomapÄ™ satelitarnÄ… Landsat TM (fragment sceny 189/25 z 22 sierpnia 2010)
zapisanÄ… w formacie *.img
Oprogramowanie
ArcGIS 10.1 z rozszerzeniem Spatial Analyst
Zestaw narzędzi ArcToolbox: Multivariate, wybrane elementy z pasków narzędzi Tools,
Editor oraz Effects oraz polecenia z menu kontekstowego warstw w Table of Contents
aplikacji ArcMap.
2
Wprowadzenie
Zdjęcia satelitarne mogą służyć m.in. jako z
ródło informacji o pokryciu terenu (ang. land
cover) czyli fizycznym stanie powierzchni ziemi, który odnosi się do jej właściwości
biofizycznych (rozmieszczenia roślinności, pustyń, wód) lub właściwości związanych z
działalnością człowieka (np. zabudowy, infrastruktury technicznej). W ćwiczeniu nauczysz
się jak interpretować zdjęcia satelitarne oraz analizować przy ich pomocy zmiany w
czasie.
Jedną z istotniejszych zmian pokrycia terenu są zmiany powierzchni lasów, które mają
niezwykle istotne znaczenie dla równowagi środowiska przyrodniczego dlatego w
ćwiczeniu skupimy się przede wszystkim na tej klasie pokrycia terenu i jej zmianach.
Obszarem testowym będzie Beskid Śląski, na terenie którego w ostatnich latach
obserwowane sÄ… intensywne zmiany pokrycia terenu zwiÄ…zane z degradacjÄ… i regeneracjÄ…
obszarów leśnych.
Tok postępowania
Przegraj katalog geoinformatyka_cw10 z danymi do dzisiejszego ćwiczenia z dysku
studenci w katalogu Geoinformatyka na dysk lokalny E:\
Uruchom program ArcGIS>ArcMap
Wyświetl projekt teledetekcja.mxd (projekt znajdziesz w podkatalogu  dane w
katalogu  cwiczenie_10 )
CZ
ŚĆ 1: PODSTWOWE WA
AÅšCIWOÅšCI ZDJ
Ć SATELITARNYCH
(45 min.)
W pierwszej części ćwiczenia zapoznasz się z podstawowymi właściwościami zdjęć
satelitarnych (cztery rodzaje rozdzielczości) oraz przeprowadzisz ich wstępną, wizualną
analizę wykorzystując cztery zdjęcia satelitarne zapisane w projekcie teledetekcja.mxd:
·ð bs_mss_19810806.img (Landsat MSS),
·ð bs_tm_19870823.img (Landsat TM),
·ð bs_etm_20000802.img (Landsat ETM+),
·ð bs_tm_20100822.img (Landsat TM).
Zdjęcia satelitarne powstają w wyniku rejestracji promieniowania
elektromagnetycznego odbitego od badanych obiektów lub emitowanego przez badane
obiekty np. przez powierzchnię terenu. Rejestrowane wartości zapisywane są za pomocą
modelu rastrowego (macierz). Jasność (jaskrawość, wartość DN  ang. digital number)
poszczególnych pikseli jest proporcjonalna do ilości odbitego / emitowanego
promieniowania.
3
Rozdzielczość zdjęć satelitarnych
W systemach teledetekcyjnych wyróżnia się cztery rodzaje rozdzielczości:
·ð przestrzennÄ…,
·ð spektralnÄ…,
·ð radiometrycznÄ…,
·ð czasowÄ….
Ćwiczenie zaczniemy od analizy rozdzielczości przestrzennej, która określa wielkość
piksela zdjęcia satelitarnego i zależy od chwilowego pola widzenia (IFOV) oraz wysokości
orbitalnej satelity (a także kroku próbkowania). Im mniejsze pole widzenia i niższa
wysokość orbitalna (a więc odległość od powierzchni Ziemi), tym mniejszy piksel zdjęcia,
a większa rozdzielczość przestrzenna. Z reguły większą rozdzielczość przestrzenną
uzyskuje siÄ™ w szerokich zakresach spektralnych  im szerszy zakres rejestrowanego
promieniowania, tym więcej energii dociera do skanera i tym mniejsze może być jego
chwilowe pole widzenia (zatem większa przestrzenna rozdzielczość zdjęć). Rozdzielczość
przestrzenna definiuje tym samym najmniejszą rozróżnialną odległość między dwoma
obiektami w terenie (kątową lub liniową  zwykle liniową). Decyduje też o terenowych
rozmiarach najmniejszych obiektów, które mogą być zobrazowane (i zaobserwowane)
na zdjęciu. Im mniejsze wymiary pikseli, tym więcej szczegółów można zaobserwować
na zdjęciu.
KorzystajÄ…c z opcji Layer Properties>Source>CellSize (X, Y)) sprawdz
rozdzielczość
przestrzenną zdjęć satelitarnych zapisanych w projekcie teledetekcja.mxd i odpowiedz
na pytanie 1.
Pytanie 1. W jakiej rozdzielczości przestrzennej zapisane są ortofotomapy satelitarne
zgromadzone w projekcie teledetekcja.mxd? Odpowiedzi wprowadz
do tabeli 1.
Pytanie 2. Jakiego typu obiekty i klasy pokrycia terenu potrafisz wyróżnić na zdjęciach?
Odpowiedzi wprowadz
do tabeli 1.Czy widzisz różnice pomiędzy obiektami na zdjęciach
satelitarnych Landsat MSS, Landsat TM i/lub Landsat ETM+?
W kolejnym kroku ponownie korzystajÄ…c z opcji Layer Properties>Source> & sprawdz

rozdzielczość radiometryczną i spektralną zdjęć satelitarnych i odpowiedz na pytania 3
i 4.
Rozdzielczość radiometryczna odnosi się do liczby rozróżnianych poziomów
promieniowania natomiast rozdzielczość spektralna określa przedział rejestrowanego
promieniowania elektromagnetycznego, w których dany sensor może rejestrować
energiÄ™.
Pytanie 3. W jakiej rozdzielczości radiometrycznej zapisane są ortofotomapy satelitarne
zgromadzone w projekcie teledetekcja.mxd? Odpowiedzi wprowadz
do tabeli 1.
Pytanie 4. Z ilu kanałów spektralnych, o jakich wartościach DN składają się zdjęcia
satelitarne zgromadzone w projekcie teledetekcja.mxd? Odpowiedzi wprowadz
do tabeli
1.
Tabela 1. Rozdzielczość przestrzenna, radiometryczna, kanaoraz obiekty na zdjęciach satelitarnych zapisanych
w projekcie teledetekcja.mxd
lp ortofotomapa satelitarna rozdzielczość rozdzielczość kanały i obiekty i typy
. Landsat przestrzenna radiometryczna wartości DN pokrycia terenu
1 MSS (bs_mss_19810806.img) &
2 TM: (bs_tm_19870823.img) &
3 ETM+ (bs_etm_20000802) &
4 TM (bs_tm_20100822.img) &
4
W tabeli poniżej znajdziesz zestawienie kanałów spektralnych rejestrowanych przez
analizowane sensory.
Tabela 2. Kanały spektralne zdjęć satelitarnych Landsat MSS, TM i ETM+
Landsat MSS Landsat TM Landsat ETM+
Band 1 Visible (0.45 - Band 1 Visible (0.45 -
0.52 µm) 30 m 0.52 µm) 30 m
Band 1 Visible green (0.5 Band 2 Visible (0.52 - Band 2 Visible (0.52 -
to 0.6 µm) 57 x 79 m (60 0.60 µm) 30 m 0.60 µm) 30 m
m)
Band 2 Visible red (0.6 Band 3 Visible (0.63 - Band 3 Visible (0.63 -
to 0.7 µm) 57 x 79 m 0.69 µm) 30 m 0.69 µm) 30 m
(60 m)
Band 3 Near-Infrared Band 4 Near-Infrared Band 4 Near-Infrared
(0.7 to 0.8 µm) 57 x 79 (0.76 - 0.90 µm) 30 m (0.77 - 0.90 µm) 30 m
m (60 m)
Band 4 Near-Infrared Band 5 Near-Infrared Band 5 Near-Infrared
(0.8 to 1.1 µm) 57 x 79 (1.55 - 1.75 µm) 30 m (1.55 - 1.75 µm) 30 m
m (60 m)
Band 6 Thermal (10.40 - Band 61 Thermal (10.40
12.50 µm) 120 m - 12.50 µm) 60 m Low
Gain
Band 62 Thermal (10.40
- 12.50 µm) 60 m High
Gain
Band 7 Mid-Infrared Band 7 Mid-Infrared
(2.08 - 2.35 µm) 30 m (2.08 - 2.35 µm) 30 m
Kolorystyka zdjęcia i schemat RGB
W kolejnym kroku przeanalizujesz ustawienia kolorystyki zdjęcia satelitarne, które
zazwyczaj wykonane jest w wielu różnych zakresach spektralnych i pokazuje się
najczęściej tak, że wybrane zakresy spektralne przyporządkowuje się do trzech kolorów
wyświetlania monitora: czerwonego (R), zielonego (G), i niebieskiego (B)
tzw. kompozycji barwnej.
W przypadku zdjęć zapisanych w projekcie teledetekcja.mxd przyporządkowanie
wygląda dla zdjęć satelitarnych Landsat TM i ETM+ w następujący sposób:
·ð rejestracja w zakresie podczerwonym (TM4/ETM+4) -> R
·ð rejestracja w zakresie czerwonym (TM3/ETM+3) -> G
·ð rejestracja w zakresie zielonym (TM2/ETM+2) -> B
natomiast dla zdjęcia satelitarnego Landsat MSS:
·ð rejestracja w zakresie podczerwonym (MSS3) -> R
·ð rejestracja w zakresie czerwonym (MSS2) -> G
·ð rejestracja w zakresie zielonym (MSS1) -> B
ponieważ akurat roślinność jest  najjaśniejsza w podczerwieni, stąd dominującym
kolorem jest czerwony (bo ten jest przyporządkowany jako kolor wyświetlania do
podczerwieni. Powyższe ustawienia są jedną z wielu możliwych kompozycji barwnych
określaną jako kompozycja w barwach umownych (pseudo-kolor).
Pytanie 5. Dlaczego w kompozycji barwnej dla zdjęcia satelitarnego Landsat MSS
wybraliśmy kanały 1,2,3 natomiast dla zdjęć satelitarnych Landsat TM i ETM+ 2,3,4?
5
Przypisanie kolorów można łatwo zmienić dla warstwy (zdjęcia): Properties >
Symbology. Spróbuj zmienić ustawienia zdjęcia satelitarnego Landsat ETM+
na kompozycjÄ™ w barwach naturalnych:
·ð rejestracja w zakresie czerwonym (ETM+3) -> R
·ð rejestracja w zakresie zielonym (ETM+2) -> G
·ð rejestracja w zakresie niebieskim (ETM+1) -> B
Pytanie 6. Oceń wizualnie na ile zmiana kompozycji barwnej zwiększyła/zmniejszyła
rozróżnialność obiektów na zdjęciu.
Pytanie 7. Czy możesz również dla zdjęcia satelitarnego Landsat MSS ustawić
kompozycjÄ™ w barwach naturalnych?
Porównanie zawartości informacyjnej różnych kanałów spektralnych i
histogram
Promieniowanie elektromagnetyczne odbija się od obiektów terenowych w różny sposób,
w zależności od długości fali i fizycznych właściwości tych obiektów (Ryc. 1)
Ryc. 1. Krzywe odbicia spektralnego wody i roślinności
Histogram
Zróżnicowanie wartości rejestrowanego promieniowania warunkuje pojemność
informacyjną w danym zakresie spektralnym. Wartość tą można określać w zależności od
statystycznych cech zbiory wartości, takich jak:
·ð odbicie minimalne (min),
·ð odbicie maksymalne (max),
·ð amplituda (max  min)
·ð odbicie Å›rednie,
·ð odchylenie standardowe lub wariancja
Cechy statystyczne zakresu spektralnego zdjęcia (a także dowolnej mapy rastrowej)
można odczytać najłatwiej za pomocą histogramu.
Histogram to wykres przedstawiający częstość występowania określonych wartości
macierzy rastrowej. Na osi poziomej mamy wartości (albo ich przedziały), na osi
pionowej  liczbę wystąpień o danej wartości, albo w danym przedziale.
Większość poszukiwanych wartości odczytasz dla każdego zakresu zdjęcia wywołując
opcję Properties, zakładkę Symbology i opcję Histogram
6
Na podstawie cyfrowego zapisu poszczególnych kanałów spektralnych 2, 3, 4 zdjęcia
satelitarnego Landsat EMT+ oraz kanałów 1, 2, 3 zdjęcia satelitarnego Landsat MSS
uzupełnij tabelę 2 o cechy statystyczne wymienionych kanałów.
Tabela 2. Cechy statystyczne wybranych kanałów zdjęć satelitarnych Landsat MSS i Landsat ETM+
Xmin Xmax zakres Xśrednie SD Min200 Max200 Zakres200
MSS1
MSS2
MSS3
ETM2
ETM3
ETM4
Zwróć uwagę, że maksimum histogramu to wartość 255 (Landsat) dla wszystkich trzech
zakresów (Pytanie 8: dlaczego ?); jednakże analiza histogramów wskazuje,
że na obrazie nie ma zbyt wielu pikseli o wartościach np. > 150 dla zdjęcia Landsat,
a większość pikseli skupia się w dość wąskim zakresie wartości. Na podstawie
histogramów spróbuj wskazać, który z zakresów cechuje największe zróżnicowanie często
występujących wartości (tj. takich, które mają co najmniej 200 reprezentantów [pikseli]
 wartość ta jest dobrana zupełnie arbitralnie). Odczytane wartości wpisz do tabeli 2.
Przesuwając kursor poziomo przez obszar wykresu, obserwuj zmiany wartości  Input
oraz  Count in  pokazują one, ile piskeli (Count In) o danej wartości (Input) jest na
obrazie. Obliczając różnicę między tak wyznaczoną wartością maksymalną i minimalną,
określ zakres wartości faktycznie występujących na zdjęciu
Pytanie 9. Który z kanałów ma największą pojemność informacyjną (niesie najwięcej
informacji)? Dlaczego?
Profile spektralne
Na podstawie wizualnej oceny zdjęć potrafisz rozpoznać przynajmniej kilka
podstawowych typów pokrycia terenu: zabudowę, użytki rolne, lasy, wodę.
Wykorzystaj narzędzie Identify (pasek narzędzi Tools) odczytaj wartości z dwóch
dowolnych pikseli reprezentujących wymienione powyżej klas pokrycia terenu
(zabudowę, użytki rolne, lasy i wodę) na zdjęciu satelitarnym Landsat TM z roku 1987 w
kanałach spektralnych 2, 3, 4, odczytane wartości zapisz w arkuszu kalkulacyjnym
programu Excel i utwórz wykresy przedstawiające profile (Ryc. 2).
! Zakres TM2 przypisany jest do warstwy  Blue , zakres TM3  do warstwy  Green , zakres
TM4  do warstwy  Red . W tabeli Identify pojawiają się tylko wartości z kanałów
wybranych przy ustawianiu kompozycji barwnej.
7
Ryc. 2. Przykład profili spektralnych wybranych klas pokrycia terenu na zdjęciu satelitarnym Landsat TM
Zwróć uwagę na to że:
·ð roÅ›linność (lasy) cechujÄ… najwyższe wartoÅ›ci jaskrawoÅ›ci w zakresie TM4 (bliska
podczerwień), a niskie w TM2 i TM3,
·ð woda ma bardzo niskie wartoÅ›ci w tym zakresie,
·ð woda i lasy majÄ… podobne wartoÅ›ci jaskrawoÅ›ci w zakresie TM2 i TM3,
·ð zabudowa i użytki rolne to klasy o dużym zróżnicowaniu wartoÅ›ci we wszystkich
zakresach, zabudowa często daje wartości najwyższe.
Wynika to z fizycznych własności konkretnych materiałów, i tego, jak reagują na
promieniowanie o określonej długości fali.
Rozdzielczość czasowa (powtarzalność zdjęć) - określa częstotliwość pozyskiwania
danych, to częstotliwość z jaką dany satelita obrazuje ten sam fragment powierzchni kuli
ziemskiej. Zależy od szerokości obrazowanego pasa Ziemi, a zatem od rozdzielczości
przestrzennej, a także od szerokości geograficznej obrazowanego terenu.
Pytanie 10. Z jakiego powodu jest to ważna informacja?
CZ
ŚĆ 2: ANALIZA ZMIAN W CZASIE (30 min.)
Do tej pory analizowałeś zdjęcia dla wybranych momentów czasowych nie porównując ich
między sobą teraz przejdziesz do prostej analizy zmian w czasie (analizy ilościowej) z
wykorzystaniem dwóch zdjęć satelitarnych Landsat TM:
·ð bs_tm_19870823.img,
·ð bs_tm_20100822.img.
Usuń z projektu zdjęcie satelitarne Landsat MSS i zdjęcie satelitarne Landsat ETM+
Automatyczna analiza zmian
Użyj znanych Ci opcji Effects w celu wizualnego porównania obu zdjęć satelitarnych
Landsat TM. Czy potrafisz zlokalizować obszary wylesień w latach 1987-2010?
Na wstępie, powtórz czynności z poprzedniej części ćwiczenia.
Pytanie 11. Jakie są typowe wartości dla obszarów leśnych, użytków rolnych, obszarów
zabudowanych oraz wód na badanym obszarze, na dwóch analizowanych zdjęciach
satelitarnych Landsat TM z lat 1987 i 2010, w kanale spektralnym 3 (TM3)? W
8
interpretacji kieruj się kolorystyką zapamiętaną z pierwszej części ćwiczenia. Odczytane
wartości wpisz do tabeli 3.
! Dla ułatwienia w projekcie teledetekcja znajdziesz wyświetlone osobno kanał 3 zdjęć
satelitarnych Landsat TM dla roku 1987 i 2010.
Tabela 3. Jaskrawość pikseli w kanale 3 zdjęć satelitarnych Landsat Tm z roku 1987 i 2010 dla wybranych klas
pokrycia terenu
Forma pokrycia Jaskrawości pikseli (od- Jaskrawości pikseli (od-
do) [1987, TM3] do) [2010, TM3]
Woda
Użytki rolne
Lasy
Pytanie 12. Jakie (mniej więcej) wartości uzyskasz, odejmując od wartości zdjęcia z
roku 2010 wartości zdjęcia z roku 1987, w zakresie TM3, w tych miejscach, gdzie
nastąpiło wylesienie (patrz tabele poniżej) ? UR  oznacza użytki rolne; W  wylesienie,
BZ  bez zmian. Jakie wartości uzyskasz tam, gdzie zarówno w 2010, jak i 1987 roku był
las ? A jakie tam, gdzie w obu momentach były użytki rolne?
TM3 2010 TM3 1987 różnica
UR UR UR LAS UR LAS LAS LAS BZ W W BZ
UR UR UR LAS UR LAS LAS LAS BZ W W BZ
UR UR UR LAS UR LAS LAS LAS BZ W W BZ
UR UR LAS LAS UR LAS LAS LAS BZ W BZ BZ
Spróbuj wypełnić puste pola poniżej.
TM3 2010 TM3 1987 różnica
UR UR UR LAS UR LAS LAS LAS
UR UR UR LAS UR LAS LAS LAS
UR UR UR LAS UR LAS LAS LAS
UR UR LAS LAS UR LAS LAS LAS
Operację wykonaną na powyższych tabelach powtórzymy w komputerze.
Upewnij się, że w opcji Extensions zaznaczona jest opcja Spatial Analyst
Uruchom Arc Toolbox.
Następnie uruchom w ArcToolbox opcję Spatial Analyst Tools > Map Algebra >
Raster Calculator. Pojawia się okno służące do analizy danych, w którym można
wpisywać różnego typu komendy analityczne. Zdefiniuj równanie oraz warstwę wyjściową
tak jak zostało to zrobione na poniższym przykładzie:
9
Pytanie 13. Zbadaj zakres wartości nowo powstałego obrazu. Czy wartości większe od
20 występują tam gdzie wylesienia ?
W kolejnym kroku wykonamy mapę wylesień. W tym celu w oknie algebry map wpiszemy
działanie:
 roznica > 10
Wykonaj to analogicznie jak poprzednio, dodajÄ…c w oknie obraz  roznica , deklarujÄ…c
obraz wynikowy, a następnie wpisując działanie.
Efektem będzie nowy obraz (np. wylesienia), który jako zero potraktuje wszystkie
wartości obrazu roznica <= 10, a jako 1  wartości większe. Zgodnie z naszą analizą,
wylesienia powinny mieć wartości >10.
Pytanie 14. Czy uzyskałeś wynik, który pozwala na zlokalizowanie wylesień na badanym
obszarze?
! Można też eksperymentować z progami: 15, 20, itd.
CZ
ŚĆ 3: KLASYFIKACJA (45 min.)
W ostatniej części ćwiczenia przejdziesz do klasyfikacji zdjęć satelitarnych (analiza
jakościowa) Landsat TM z roku 1987 (bs_tm_19870823.img) wynikiem, której będzie
mapa pokrycia terenu przedstawiajÄ…ca cztery klasy pokrycia terenu:
·ð obszary zabudowane (id klasy: 1),
·ð obszary rolnicze (id klasy: 2),
·ð lasy (id klasy: 3),
·ð wody (id klasy 4).
Mając do dyspozycji tylko jeden zakres zdjęcia, można dla potrzeb wyróżnienia typów
pokrycia terenu wykorzystać reklasyfikację (ArcToolbox>Spatial Analyst Tools).
Jednak jaskrawości różnych typów pokrycia terenu i relacje między nimi w zakresach
zdjęcia nie są identyczne. Oznacza to, iż w celu precyzyjnego rozróżnienia pokrycia
terenu na zdjęciu dobrze jest wykorzystać informacje z kilku zakresów/kanałów
spektralnych. Jeśli w jednym zakresie lasy i wody mają podobne jaskrawości, to w innym
jaskrawości mogą być różne. Ta dodatkowa informacja pozwala na dokładniejsze, niż w
przypadku jednego zakresu, wyróżnienie typów pokrycia terenu.
Wyróżnienie typów pokrycia terenu na zdjęciu satelitarnym, wykorzystujące informacje
z wielu zakresów spektralnych, jest możliwe poprzez jego klasyfikację. Wyróżnia się dwa
rodzaje klasyfikacji zdjęć satelitarnych:
10
·ð wzorcowÄ… (ang. supervised),
·ð bezwzorcowÄ… (ang. unsupervised).
Ta druga w programie ArcGIS reprezentowana jest przez opcje Iso cluster, która nie
będzie omawiana na naszych zajęciach
Klasyfikacja wzorcowa (nadzorowana) pozwala na wyróżnienie klas pokrycia terenu
na zdjęciu satelitarnym na podstawie przygotowanych wzorców. W jej trakcie określane
jest podobieństwo pikseli klasyfikowanego zdjęcia do posiadanych wzorców
i przydzielenie ich na tej podstawie do konkretnej klasy. Na proces klasyfikacji wzorcowej
składają się następujące etapy:
·ð wyznaczenie pól treningowych,
·ð utworzenie sygnatur spektralnych dla pól treningowych,
·ð ocena jakoÅ›ci sygnatur,
·ð wybór i przeprowadzenie procedury klasyfikacyjnej,
·ð weryfikacja wyniku klasyfikacji.
Wzorce (sygnatury) spektralne opisują sposób, w jaki obiekty danej klasy pokrycia
terenu odbijają promieniowanie w poszczególnych kanałach zdjęcia. Każdy wzorzec
opisany jest przez statystykę odpowiedzi spektralnych (np. średnie wartości odbicia,
odchylenie standardowe itp.). Wzorce wyliczane są przez program na podstawie pól
treningowych, wyznaczanych np. poprzez wektoryzacjÄ™ (lub z istniejÄ…cych bardzo
dokładnych materiałów kartograficznych lub mierzonych w terenie, w miejscach o
znanym pokryciu terenu. Podczas procesu klasyfikacji każdy piksel zdjęcia porównywany
jest z wzorcami a następnie przypisywany według zdefiniowanych w metodzie algorytmu
(reguł decyzyjnych) klasyfikacji do odpowiedniej np. tak jak w naszym przypadku klasy
pokrycia terenu. Przygotowanie reprezentatywnych dla danego obszaru, wzorców
spektralnych nie jest proste i bardzo czasochłonne.
! Dobór odpowiednich pól treningowych determinuje dokładność klasyfikacji.
Podstawowa zasada, o której należy pamiętać tworząc (wektoryzując) pola treningowe to
taka, że nie powinny one być zbyt małe (np. nie mniejsze niż 10 pikseli) ale jednocześnie
muszą być możliwie jednorodne spektralnie (homogeniczne pod względem wartości
pikseli). W przypadku tych klas, gdzie poszczególne obiekty znacząco różnią się
wartościami odbicia (np. tereny uprawne) konieczne może być wyznaczenie więcej niż
jednego pola treningowego. Liczba wzorców nie może być mniejsza od liczby klas
pokrycia terenu.
Wyznaczanie pól treningowych
W programie ArcGIS pola treningowe można utworzyć na trzy sposoby, tworząc: plik
ASCII, raster lub wektor. W tym ćwiczeniu utworzymy pola treningowe tworząc nową
warstwÄ™ wektorowÄ…. Zazwyczaj z
ródłem informacji o polach treningowych są materiały
inne niż zdjęcie satelitarne, które mogą zostać poddane klasyfikacji, my jednak w tym
ćwiczeniu dla uproszczenia procedury wykorzystamy jako podkład do wektoryzacji zdjęcie
satelitarne.
Przejdz
do aplikacji ArcCatalog i utwórz nowy plik shape: pola. Tworząc ten plik wybierz
opcję  polygon oraz importuj system odniesień przestrzennych z obrazu Landsat: UTM
34N
Wróć do aplikacji ArcMap i dodaj nowo utworzoną warstwę do projektu, w czasie
wektoryzacji będziesz używał narzędzi dostępnych w pasku narzędzi Editor (więcej
informacji o wektoryzacji znajdziesz w konspekcie dotyczÄ…cym pozyskiwania danych).
Pola treningowe (ilość pól):
·ð obszary zabudowane (2),
11
·ð obszary rolnicze (2),
·ð lasy (2)
·ð wody (2)
! Pamiętaj o dodaniu nowej kolumny: id_klasy, w której wprowadzisz odpowiednie id
w zależności od klasy pokrycia terenu, której odpowiada dane pole, odpowiednio: obszary
zabudowane (1), obszary rolnicze (2), lasy (3), wody (4).
Sygnatury spektralne
Dla pól treningowych utwórz sygnatury wykorzystując narzędzie Create signatures (w
ArcToolsbox/Spatial analyst/Multivariate). W polu Input raster bands [kanały
wejściowe rastra] wprowadz
obraz bs_tm_19870823.img, w polu Input raster or
feature sample data [wejściowe rastrowe lub wektorowe pola treningowe/próba]
wektor z utworzonymi polami treningowymi: pola, w polu sample field [pole pola
treningowego/próby] !  id_klas , w polu Output signature file [wyjściowy plik
sygnatur  zapisywany w formacie *.gsg, który można odczytać np. w WordPad] wpisz
nazwÄ™ tworzonego pliku sygnatur; sygnatury, zaznacz opcjÄ™ Compute covariance
matrices [oblicz macierz kowariancji1].
Po wygenerowaniu sygnatur warto sprawdzić jakie wartości jaskrawości są do nich
przypisane oraz jak te wartości jaskrawości dla sygnatur, dla poszczególnych klas
pokrycia terenu rozkładają się względem siebie. Można to zrobić na kilka sposobów
W celu porównania sygnatur otwórz, np. w programie Wordpad, plik sygnatury.gsg
i odczytaj średnie wartości jaskrawości dla każdego z pól treningowych w kanałach 2
oraz 3, zapisz je w arkuszu programu Excel. Następnie utwórz wykres przedstawiający
zapisane wartości w obydwu analizowanych kanałach (przykład na rycinie poniżej).
Ocenę doboru sygnatur umożliwia również narzędzie Class Probability
[Prawdopodobieństwo klasy] (w ArcToolsbox/Spatial analyst/Multivariate). Pole
Input raster bands [wejściowe kanały] = bs_tm_19870823.img, Input signature file
[wejściowy plik sygnatur] = sygnatury, Output multiband raster [wyjściowy
wielowarstwowy raster] = praw, pozostałe opcje pozostaw domyślne.
1
więcej informacji o macierzy kowariancji znajdziesz m.in. na stronie: http://pl.wikipedia.org/wiki/Macierz_kowariancji
12
Dla każdej klasy tworzona jest, dzięki narzędziu Class Probability, warstwa
przedstawiająca prawdopodobieństwo (wartości od 0 do 100) przynależności każdego
z pikseli do danej klasy. W ten sposób można znalez
ć obszary o niskim
prawdopodobieństwie przynależności do danej klasy, które mogą być np. błędnie
sklasyfikowane lub sÄ… obszarami o mieszanym typie pokrycia terenu. Na bazie map
prawdopodobieństwa można np. stwierdzi czy potrzebne jest dodawanie nowych pól
treningowych lub korekta już istniejących pól.
Jeszcze jednym sposobem oceny sygnatur w ArcGIS jest dendrogram, który nie będzie
omawiany na tych zajęciach.
Algorytm klasyfikacyjny
Klasyfikacja w programie AcrGIS realizowana jest przez narzędzie, wykorzystujące
algorytmy największego podobieństwa/prawdopodobieństwa (ang. maximum likelihood).
Zaletą tej metody jest uwzględnianie zmienności klas poprzez użycie macierzy
kowariancji natomiast wadą uzależnienie od rozkładu normalnego danych. Reguła ta
oparta jest na wielkości prawdopodobieństwa, że piksel należy do określonej klasy.
Prawdopodobieństwo to wyliczane jest na bazie średnich wartości sygnatur oraz macierzy
kowariancji (czyli zmienności wartości w danej klasie). Metoda ta w ArcGIS jest
rozszerzona o regułę Bayesa (http://pl.wikipedia.org/wiki/Twierdzenie_Bayesa), która
wykorzystuje prawdopodobieństwa dla danych klas znane a priori. Piksel przypisywany
jest do tej klasy, gdzie wyliczone prawdopodobieństwo jest największe.
Przeprowadz
klasyfikację wykorzystując narzędzie Maximum Likelihood Classification (w
ArcToolsbox/Spatial analyst/Multivariate). Pole Input raster bands [wejściowe
kanały]= bs_tm_19870823.img, Input signature file [wejściowy plik sygnatur] =
sygnatury, Output classified raster [wyjściowy sklasyfikowany raster] = klasyfikacja,
pozostałe opcje pozostaw domyślne.
Po wyświetleniu mapy będącej wynikiem klasyfikacji zwróć uwagę, że widnieją na niej
cztery klasy. Są one oznaczone w legendzie nazwami poszczególnych sygnatur. Zastanów
się, jakie błędy są widoczne na mapie wynikowej? Sprawdz
jak zostały sklasyfikowane
obszary, które miały niskie prawdopodobieństwo przynależności do poszczególnych klas
na warstwach wygenerowanych z wykorzystaniem narzędzia Class Probability.
Weryfikacja
Ostatnim etapem klasyfikacji jest jej weryfikacja. Klasyfikacja nigdy nie jest dokładna w
stu procentach. Istotne jest jednak, aby można było ocenić rzetelność klasyfikacji i
oszacować, z jakim błędem należy się liczyć. Ocena błędu (weryfikacja) klasyfikacji
polega na porównaniu wyniku klasyfikacji z danymi o pokryciu terenu zebranymi podczas
niezależnych badań. Weryfikację najczęściej przeprowadza się dla niewielkich powierzchni
rozmieszczonych losowo na klasyfikowanym obszarze. Dane o pokryciu terenu użyte do
weryfikacji wyniku klasyfikacji powinny być dokładniejsze od tych, których dostarcza
zdjęcie satelitarne. Zwykle zbiera się je w czasie badań terenowych, ale można w tym
celu wykorzystać także zdjęcia lotnicze albo dokładne mapy.
Na zajęciach dokonasz tylko wstępnej wizualnej weryfikacji dla klasyfikacji w południowej
części obszaru badań wykorzystując jako dane referencyjne ortofotomapę lotniczą. Oceń
na ile Twoja klasyfikacja zgadza siÄ™ z informacjÄ… o pokryciu terenu na danych
referencyjnych. Porównaj również otrzymany wynik z mapami prawdopodobieństwa 
sprawdz
jak zostały sklasyfikowane obszary o najniższym prawdopodobieństwie.
Podsumowanie
Wykonując powyższe ćwiczenie poznałeś podstawowe właściwości zdjęć satelitarnych 
cztery typy rozdzielczość: przestrzenną, radiometryczna, spektralną i czasową  wizualną
interpretację zdjęć satelitarnych, podstawowe możliwości analizy zmian w czasie oraz
klasyfikacji zdjęcia satelitarnego.
13
Literatura
Adamczyk J., Będkowski K., 2007, Metody cyfrowe w teledetekcji, Wydawnictwo SGGW
Jezioro P., Kozak J., 2004, Wprowadzenie do Systemów Informacji Geograficznej
(Ćwiczenia), rozdz. 8. Klasyfikacja zdjęcia satelitarnego, IGiGP, s. 57-66
14