Lehrveranstaltung Fernerkundung. Lehrveranstaltung Fernerkundung. Korrektur von Sensor-Fehlern. Typische Schritte in einem Fernerkundungsprojekt

Transkript

1 Lehrveranstaltung Fernerkundung Vorlesungs- und Übungsplan Einführung, Strahlung, Sensoren Digitale Bilder, Bildstatistik& Kontraststreckung Bild Verbesserung & Indexe Geometrische Korrekturen & Georeferenzierung Multitemporale Veränderungen Überwachte - Unüberwachte Klassifizierung Genauigkeitsanalyse Typische Schritte in einem Fernerkundungsprojekt 1. Problemformulierung. 2. Datenbeschaffung (Karten, Bilder). 3. Auswahl der Hard- und Software. 4. Auswertung der Datenqualität (beschreibende Statistiken, Bilddarstellungen) 5. Fehler-Korrekturen: radiometrische (Sensor-bedingt und atmosphärisch), und geometrische Korrekturen. 6. Bildverbesserung (für digitale oder visuelle Auswertung). 7. Feldarbeiten (training areas). 8. Interpretation, Klassifizierung und Genauigkeitsanalyse (ground control points). 9. Transfer in ein GIS und Kombination mit anderen Daten. 10. Ergebnisdarstellung. Lehrveranstaltung Fernerkundung Korrektur von Sensor-Fehlern 1

2 Korrektur von Sensor-Fehlern Ein Sensor besteht aus vielen einzelnen Detektoren, welche Strahlung über einer definierten Bodenfläche (GIFOV) registrieren (16 Detektoren in Landsat TM, 3000 in SPOT multi-spektral). 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). Korrektur von Sensor-Fehlern Falsch kalibrierte Detektoren zu korrigieren ist aufwendig 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. Salz and Pfeffer ff Effekt (speckles): Zufallspixel l über das Bild verteilt sind ausgefallen (0, schwarz) oder gesättigt (255). Nach Identifizierung: Korrektur durch Filter: moving window algorithm. Fehlenden unbekannten Werte (line drop) können aus den Nachbarpixeln oder Zeitreihen geschätzt (z.b. durch Interpolation) werden. Korrektur von Sensor-Fehlern Beispiel horizontaler Streifen (Landsat MSS band two) 2

3 Lehrveranstaltung Fernerkundung Topographische- und Atmosphärische Korrektur 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. Atmosphären Korrektur 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 diffuses Licht beträgt zwischen 10 and 100%, abhängig von der Zusammensetzung 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). 3

4 Atmosphären Korrektur Streuung: - Luftmolekülen (Rayleigh Scattering); An einem klaren Tag bewirkt dieses Rayleigh Scattering dass der Himmel blau aussieht. - Partikeln aus Rauch und Staub ( µm) (= Mie Scattering), Betrifft auch die längeren Wellenlängen, aber insgesamt weniger. Wolken und Dunst sehen weißlich aus, da die Streuung an großen Partikeln für alle Wellenlängen in etwa gleich ist. - Wassertröpfchen (>10 µm; Nonselective Scattering); bewirkt, dass abgebildete Objekte Farbe und Kontrast verlieren. Dadurch wird die Auswertbarkeit von Bildern erschwert. Atmosphären-Korrektur 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 ganz Bild angewendet werden. Falls nicht, dann müssen verschiedene Bildteile unterschiedlich behandelt werden. Die Atmosphärenkorrektur verbessert den Kontrast eines Bildes. 4

5 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 e nach rechts verschoben sind als z.b. Rot und Infrarot. Dunsteinfluss auf die Atmosphäreneigenschaften Source: Campbell, 2002 Einfache Techniken zur Atmosphärenkorrektur Zero-brightness areas: Man nimmt Flächen mit (bekannter) Null-Rückstrahlung (z.b. homogene Schatten oder Wasser) und rechnet eine Regression der Grauwerte eines sichtbaren mit einem IR Kanal. Ohne atmosphärische Störungen geht diese Regression durch den Ursprung. Ist das nicht der Fall, dann sollte jedes Pixel in den sichtbaren Kanälen um diese Verschiebung des y-achsen-abschnittes korrigiert werden. 5

6 Beispiel für Atmosphärenkorrektur Vorher Nachher Topographischer Einfluss auf die spektrale Reflexion Source: Lillesand & Topographischer Einfluss auf die spektralen Reflexion 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

7 Lehrveranstaltung Fernerkundung Bildverbesserung Bildverbesserung Bildverbesserung: Anstelle der originalen Grauwerte werden Kombinationen von Grauwerten gebildet. Ratios Vegetationsindexe, NDVI. Hauptkomponenten-Analyse. t 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: die Rückstrahlung der Vegetation ist vermischt mit z.b. Schatten, Boden (Farbe und Struktur). Auch atmosphärische Einflüsse können die typischen Reflexionsmuster der Vegetation beeinflussen. Es wurden viele Vegetationsindizes entwickelt, um einige dieser Störfaktoren zu eliminieren. 7

8 Vegetationsindizes 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: Vegetationsindizes 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: Bildverbesserung-Ratios Grüne Vegetation reflektiert sehr unterschiedlich im roten und im nahen IR Bereich des Spektrums. Source: Wilkie & Finn

9 Bildverbesserung-Ratios Differenze zwischen IR und Rot unterscheidet Vegetation von anderen Objekten. Die Differenz ist characteristisch für Vegetationstypen. 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 dann in zwei verschiedenen Kanälen des Sensors getrennt gemessen werden. Die Grauwerte dieser beiden Bänder kann man zu einem einzigen Wert kombinieren (Differenz oder Verhältnis) 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 Normalized : Wertebereich zwischen +1 und -1 BVNIR BVred NDVI BV BV NIR red Band Ratioing Nicht alle Kanal-Kombinationen lassen sich so einfach interpretieren wie NIR/rot. Die theoretisch mögliche Anzahl von Paaren von Kanälen zur n Berechnung eines Quotienten ist. 2 n 6 Für 6 Kanäle z.b. gibt es 15 Kombinationen, 2 2 wobei für jede Kombination der Quotient und sein Reziprok berechnet werden kann. Die beste Kanalkombination für einen bestimmten Zweck zu finden, ist oft eine Angelegenheit von trial and error! Es wurde ein Optimum Index Factor (OIF) entwickelt (aufbauend auf der Varianz der Spektralwerte pro Kanal und der Korrelation zwischen den Kanälen, mit dem die Gesamtinformation optimiert wird, nicht unbedingt aber die spezifische Information für eine bestimmte Anwendung. 9

10 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. Vegetation Pixel in Landsat MSS - Brightness : Böden. Kanälen 4,5, and 6: - Greenness : Wachsende Vegetation. ti - Yellowness : Senescing vegetation. - Non-such : Grauwerte, die nicht den vorigen Dimensionen zugeordente werden können. (hier im 3D-Graf nicht abgeb.) Die konkrete Berechnung hängt vom Sensor ab! Source: Wilkie & Finn Tasseled cap transformation Aus den originalen spektralen Informationen werden nach einer mathematischen Transformation Indices (brightness, ) berechnet. Für Landsat MSS, ergeben sich als Transformationsvorschrift die folgenden einfachen linearen Gleichungen: Diese Idee kann auch auf andere Sensoren angewendet werden, z.b. Landsat TM: die sechs nicht-thermischen Kanäle können damit komprimiert werden auf die drei Dimensionen soils, vegetation, und transition = wetness. Tasseled cap transformation: Beispiel From: landcover.usgs.gov 10

11 Dimensionsreduktion In multivariaten Datensätzen ist für jedes Objekt eine Reihe von Werten (Messungen verschiedener Variablen) vorhanden, die ein hohes Maß an Information liefern aber auch die Auswertung erschwerden. Jede Variable erzeugt eine neue Dimension der Analyse. Aber nicht alle Variablen liefern dieselbe Menge an neuer Information. Da die Variablen an denselben Objekten beobachtet wurden, sind sie häufig korreliert. Oft kann man aus einem größeren Satz von m Variablen eine kleinere Anzahl k von Faktoren (= Hauptkomponenten) extrahieren, die den Datensatz so beschreiben, dass nicht viel Information verloren geht. Jeder Faktor ist eine Art künstliche Variable, die Anteile der Information der Original-Variablen enthalten. Anwendung auf Digitalbilder: Es gibt multivariate statistische Verfahren, die aus den Originalvariablen Hauptkomponenten so extrahieren, dass diese untereinander minimal korreliert sind: Hauptkomponentenanalyse = Principal components analysis (eine Variante der Faktorenanalyse) Wir können dann mit k Faktoren (anstelle von m Variablen), arbeiten, mit k<m. Für Digitalbilder haben wir oft m Kanäle, können aber nur k=3 3 für die Visualisierung verwenden. Wir können dann eine Principal Component Analysis, durchführen und die drei wichtigsten Faktoren identifizieren. Mit den ersten drei Faktoren können häufig schon 95% der Gesamtvariation erklärt werden. Diese drei Kanäle können dann verwendet werden, um Farbkompositen zu erstellen. Beispiel für Korrelation zwischen den Grauwerten in verschiedenen Kanälen (Landsat TM). 11

12 RGB Bild mit Hauptkomponenten des Landsat TM Bildes. Verwendung derselben drei Hauptkomponenten, aber unterschiedliche Zuteilung der Farben. Links: Mitte: Rechts: Source: Wilkie & Finn