Fernerkundung. Korrektur von Sensor-Fehlern. Beispiel horizontaler Streifen (Landsat MSS band two)

Transkript

1 Fernerkundung Bildverbesserungstechniken Radiometrische Korrektur, Atmosphärenkorrektur Ratios Vegetationsindices, NDVI, Tasseled Cap-Index Hauptkomponenten-Analyse Bildklassifizierung Grundlagen Prinzipien der (un)überwachten Klassifizierung Trainingsgebiete (überwachte Klassifizierung) Genauigkeitsanalyse (Accuracy Assessment) Korrektur von Sensor-Fehlern Ein Sensor besteht aus vielen einzelnen Detektoren, welche Strahlung über einer definierten Bodenfläche (GIFOV) registrieren. Im optimalen Fall sind diese Detektoren so kalibriert, dass sie exakt gleich arbeiten. Fällt ein Detektor aus, dann entsteht eine schwarze Linie im Bild (line drop). Man könnte dann beispielsweise die fehlenden unbekannten Werte jeweils aus den nachbarpixeln berechnen (z.b. durch Interpolation). Miskalibrierte Detektoren zu korrigieren ist aufwändig und geschieht über die sog. transfer characteristics der Detektoren. Die Darstellung einer bestimmten Strahlungsintensität als Helligkeits/Grauwert soll für alle Detektoren identisch sein. Dies wird überprüft durch einen Vergleich mit den transfer characteristics der Detektoren. Salt and Pepper /Speckles: Zufallspixel über das Bild verteilt sind ausgefallen (0, schwarz) oder gesättigt (255). Nach Identifizierung: Korrektur durch Filter: moving window algorithm. Beispiel horizontaler Streifen (Landsat MSS band two) Variationen im Response der einzelnen Detektoren innerhalb eines Kanals (=Bands) Z.B. einer von 6 Detektoren des Bands verursacht höhere oder geringere Pixelwerte in jeder sechsten Zeile (Lösungsansatz: Histogrammbasierte Identifikation des fehlerhaften Detektors, Gray-Scale Adjustment Factor ableiten, um fehlerhaftes Histogram zu korrigieren)

2 Auswirkungen von Atmosphäre und Topographie Dasselbe Objekt auf der Erdoberfläche kann mit unterschiedlichen spektralen und radiometrischen Werten registriert werden in Abhängigkeit von der atmosphärischen und topographischen Situation. Dunst kann das Bild verzerren und den Kontrast reduzieren. Der Sonneneinstrahlungswinkel zusammen mit der Topographie beeinflußt die Intensität der rückgestrahlten Energie: derselbe Waldtyp sieht z.b. in vollem Sonnenlicht anders aus als an einem beschatteten Hang. Auswirkungen von Atmosphäre und Topographie Nur ein Teil der Strahlung, die auf die äußere Atmosphäre trifft, gelangt schließlich direkt an den Erdboden. Ein Teil der Strahlung wird in der Atmosphäre gestreut und gelangt dann teilweise als diffuses Licht an den Erdboden. Der Anteil diffusen Lichtes beträgt zwischen 10 and 100%, abhängig von der Zusammesetzung der Atmosphäre (Wolken, Wasserdampf, Aerosole), insbesondere im Bereich der kürzeren Wellenlängen. Bereiche des Spektrums mit einer guten Transmission durch die Atmosphäre werden atmosphärische Fenster genannt. Diffuses Licht bewirkt, dass Schatten weniger dunkel sind (positiv aus Sicht der Fernerkundung), dass der Kontrast reduziert wird (negativ). Streuung in der Atmosphäre Streuung an - Luftmolekülen (Rayleigh Scattering, Partikel-Ø << λ); An einem klaren Tag bewirkt dieses Rayleigh Scattering dass der Himmel blau aussieht. - Wasserdampfpartikeln und Staub (0.1-10µm) (= Mie Scattering, Partikel-Ø λ), Betrifft auch die größeren Wellenlängen, aber insgesamt weniger (speziell bei Bewölkung einflussreich). - Wassertröpfchen (>10µm; Nonselective Scattering, Partikel-Ø >> λ); Bewirkt, dass abgebildete Objekte Farbe und Kontrast verlieren (reduzierte Auswertbarkeit von Bildern). Wolken und Nebel sehen weisslich aus, da die Streuung an großen Partikeln für alle Wellenlängen in etwa gleich ist.

3 Atmosphärenkorrektur Atmosphärenkorrektur bedeutet, dass Pixel für Pixel die Grauwerte so korrigiert werden, dass die atmosphärischen Störungen eliminiert werden. Wenn z.b. Dunst gleichmäßig über das ganze Bild vorkommt, dann kann eine einheitliche Korrektur für das ganze Bild angewendet werden. Falls nicht, dann müssen verschiedene Bildteile unterschiedlich behandelt werden. Die Atmosphärenkorrektur verbessert den Kontrast eines Bildes. Einfache Techniken zur Atmosphärenkorrektur Haze Removal: Die verschiedenen Spektralkanäle werden durch Dunst in unterschiedlicher Weise beeinflusst: Rayleigh und Mie Scattering betreffen vor allem die kurzen Wellenlängen, so dass wir erwarten können, dass Blau und Grün (im Histogramm) weiter nach rechts verschoben sind als z.b. Rot und Infrarot. Man sucht Flächen mit (bekannter) Null-Rückstrahlung in allen Kanälen, z.b. homogene tiefe Schatten oder tiefes Wasser (= zero-brightness areas). für jeden Kanal wird dann der für diese Bereiche registrierte Grauwert ermittelt und für alle Pixel des Bildes im jeweiligen Kanal abgezogen.

4 Bildverbesserung: Anstelle der originalen Grauwerte werden Kombinationen von Grauwerten gebildet. Grüne Vegtation reflektiert sehr unterschiedlich im roten und im nahen IR Bereich des Spektrums. Source: Wilkie & Finn Reflektionseigenschaften natürlicher Objekte Hohe Diskrepanz in der Reflektion lebender Biomasse im Rot- und NIR-Bereich Das unterscheidet Vegetation von anderen Dingen. Die Differenz ist typisch je Vegetationstyp. Man kann diese Charakteristik der Rückstrahlung verwenden - um Vegetation von Nicht-Vegetation zu unterscheiden, - um verschiedene Vegetationstypen zu unterscheiden. Die Rückstrahlungsintensität im roten und IR-Bereich muss dafür in zwei verschiedenen Kanälen des Sensors getrennt gemessen werden. Die Grauwerte dieser beiden Bänder kann man dann zu einem einzigen Wert kombinieren (Differenz oder Verhältnis).

5 Unterschiede in der spektralen Reflexion derselben Objekte wg. Beleuchtung bzw. Terrain-Eigenschaften Die absolute Differenz zwischen roter und IR-Rückstrahlung hängt auch von Beleuchtungsgeometrie und Topographie ab. Die Berechung eines ratio sorgt für einheitliche Ergebnisse. Source: Lillesand & Kiefer Der NDVI Ziel: Ausnutzen der beschriebenen Eigenschaften des Reflexionsmusters der Vegetation, indem ein Index berechnet wird: DVI = difference vegetation index DVI = BVNIR BVred BVNIR RVI = ratio vegetation index RVI = BVred DVI und RVI: Vergleiche sind schwierig, weil der Wertebereich je nach Bildort und aktuellen Bedingungen variieren kann. NDVI = Normalized Difference Vegetation Index: BVNIR BV NDVI = BV + BV Normalized : Wertebereich zwischen +1 und -1 NIR red red Vegetationsindizes In Forst- und Landwirtschaft, Ökologie,... besitzen Vegetationsindizes eine große Bedeutung und werden häufig verwendet. Jackson et al. 1983: A vegetation index should be particularly sensitive to vegetative covers, insensitive to soil brightness, insensitive to soil color, little affected by atmospheric effects, environmental effects and solar illumination geometry and sensor viewing conditions. Grüne Vegetation kommt aber meist nicht vollständig flächendeckend vor: Rückstrahlung der Vegetation ist vermischt mit Schatten, Boden (Farbe und Struktur) etc. Auch atmosphärische Einflüsse können die typischen Reflexionsmuster der Vegetation beeinflussen. Es wurden viele weitere Vegetationsindizes entwickelt, um einige dieser Störfaktoren zu eliminieren.

6 Bannari, Bonn, Morin, Huete A review of vegetation indexes. Remote Sensing Reviews 13: Indices sind oft korreliert mit Vegetations- / Wald- Attributen, die in Inventuren von Interesse sind Beispiel: Quelle: Gillespie et al Predicting and quantifying the structure of tropical dry forests in South Florida and the Neotropics using spaceborne imagery. Global Ecology and Biogeography, 15: Andere Möglichkeiten der Datentransformation: Tasseled cap transformation (Kauth & Thomas 1976) Entwickelt für landwirtsch. Anwendungen mit Landsat MSS. Die verschiedenen Kanäle werden verwendet, um neue Dimensionen zu berechnen, wobei die ersten beiden (brightness und greenness) oft schon 95% der Gesamtvarianz erklären. - Brightness : Böden. - Greenness : Wachsende - Yellowness : Alternde - Non-such : Grauwerte, die nicht den vorigen Dimensionen zugeordente werden können. Vegetations-Pixel in Landsat MSS-1/2/3, Kanäle 4, 5, 6 und 7: Die konkrete Berechnung hängt vom Sensor ab! Source: Jensen 1996.

7 Andere Möglichkeiten der Datentransformation: Tasseled cap transformation (Kauth & Thomas 1976) Entwickelt für landwirtsch. Anwendungen mit Landsat MSS. Vier Kanäle werden verwendet (blau, grün, rot, NIR), um neue Dimensionen zu berechnen, wobei die ersten beiden (brightness und greenness) oft schon 95% der Gesamtvarianz erklären. Vegetations-Pixel in Landsat MSS-1/2/3, - Brightness : Böden. - Greenness : Wachsende - Yellowness : Alternde - Non-such : Grauwerte, die nicht den vorigen Dimensionen zugeordente werden können. Kanäle 4, 5, 6 und 7: Die konkrete Berechnung hängt vom Sensor ab! Source: Jensen Tasseled cap transformation Aus den originalen spektralen Informationen werden nach einer mathematischen Transformation neue Indices (brightness, ) berechnet. Diese Idee kann auch auf andere Sensoren angewendet werden, z.b. Landsat ETM: die sechs nicht-thermischen Kanäle können damit komprimiert werden auf die drei Dimensionen soils, vegetation, und transition = wetness. Für Landsat-7 ETM, ergeben sich als Transformationsvorschrift die folgenden einfachen linearen Gleichungen: Brightness = 0.303(B1) (B2) +.474(B3) (B4) (B5) (B7) Greenness = (B1) (B2) (B3) (B4) (B5) (B7) Wetness = 0.150(B1) (B2) (B3) (B4) (B5) (B7) Tasseled cap transformation: Beispiel.. From: landcover.usgs.gov 7