2 Copertura del suolo
2.1 Introduzione
In termini generali per telerilevamento si intende la raccolta di informazioni (dati) su un oggetto attraverso uno strumento che non entra in contatto diretto con esso.
Questo approccio può, quindi, riferirsi a differenti metodologie di ricerca. Per telerilevamento (remote sensing) intendiamo la scienza che permette di acquisire informazioni sulla superficie terrestre e sull'atmosfera studiando la radiazione elettromagnetica riflessa o emessa dalla Terra, in una o più regioni dello spettro elettromagnetico (Campbell, 1996). In questi termini si vogliono escludere dal presente contributo applicazioni di carattere geofisico o astronomico, considerando invece solo l'area di investigazione denominata Earth Observation. Lo scopo di questo capitolo è di esplicare brevemente i meccanismi di base del telerilevamento, per poi introdurre i più comuni sistemi di acquisizione e fornire una panoramica iniziale delle principali applicazioni ambientali.
Una prima classificazione può essere fatta tra strumenti (sensori) passivi e attivi. Nel
primo caso il sensore è deputato al solo ricevimento della radiazione
elettromagnetica naturalmente riflessa o emessa dalla superficie o dall'oggetto in
analisi. Nel secondo invece il sensore è allo stesso tempo emettitore di radiazione
elettromagnetica e misuratore delle radiazioni una volta che queste hanno interagito
con la superficie e ne sono state riflesse. Un primo gruppo di sistemi passivi può
essere identificato tra quegli strumenti che raccolgono la radiazione elettromagnetica
emessa dal sole e riflessa dal nostro pianeta: la curva della distribuzione spettrale
dell'energia emessa da un corpo nero a 6000 K (vedi figura 2.1) “sistema che
approssima il sole” mostra come la massima energia radiata ricada principalmente
nell'U.V, nel visibile e nell'infrarosso vicino. I più comuni sistemi passivi che
raccolgono le radiazioni solari riflesse dalla Terra operano infatti nel visibile
(lunghezza d'onda 400 - 700 nm ca), nell'infrarosso vicino (0.700-1.3 µm ca) e
nell'infrarosso medio o SWIR (nel range di 1.3-3.5 µm ca). Un altro gruppo di
sistemi di telerilevamento passivo opera invece raccogliendo le radiazioni emesse
direttamente dalla Terra. Essa è rappresentabile in modo approssimato ad un corpo
nero avente una temperatura media di 300 K, che emette quindi principalmente nell'infrarosso termico e nella regione spettrale delle microonde.
Figura 2.1 – Curva di distribuzione spettrale.
Non tutto il continuum delle regioni spettrali è utilizzabile per fenomeni dovuti alle interazioni dell'atmosfera con l’energia. I sensori operano quindi in quelle regioni dello spettro dove la trasmissione della radiazione solare in atmosfera consente di acquisire informazione quantitativamente e qualitativamente soddisfacente, ovvero nelle cosiddette “atmospheric windows” (Rees, 2001). I principali processi fisici che interferiscono con le lunghezza d’onda sono:
• Scattering: diffuse riflessioni multiple della radiazione a causa di molecole di gas e di particelle;
• Raleigh Scattering: le lunghezza d’onda più piccole sono le più interessate
(UV e visibile < 1 micron - quindi specialmente nella regione spettrale del
blu visibile, da tale fenomeno deriva il colore blu del cielo). Le immagini in
queste lunghezze d’onda hanno una diffusa nebbia (haze) con perdita di
contrasto;
• Mie Scattering: dovuto alle particelle più o meno sferiche di taglia grande quanto e più delle lunghezze d’onda interessate (polvere e vapore d’acqua), lunghezze d’onda interessate dal vicino UV e al NIR;
• Assorbimento: la radiazione passante attraverso l’atmosfera è assorbita selettivamente dalle molecole dei gas atmosferici; i principali costituenti atmosferici riguardo tale fenomeno sono H
2O, CO
2e O
3. Per lunghezze d’onda grandi (> 20 mm) l’effetto di assorbimento è trascurabile;
• Emissione: anche l’atmosfera, per il suo stato termico emette EMR e, data la sua bassa temperatura, nella regione del Mid IR. In questi casi la radiazione emessa tende ad aumentare la Path Radiance.
Le bande con lunghezza d’onda dell’infrarosso (esempio banda 4,5 e 7 del TM, vedi tabella 2.1), sono meno influenzate a causa della loro maggiore lunghezza d’onda.
Nel caso dell'infrarosso termico ad esempio vengono utilizzate le lunghezze d'onda nell'intervallo 8.0 - 14.0 µm (con l'esclusione di un picco di assorbimento a ca. 9.6 µm).
Le radiazioni emesse dal sole che raggiungono la superficie terrestre possono subire tre differenti processi: vengono riflesse, assorbite e/o trasmesse. Le proporzioni relative di queste tre componenti variano a seconda del materiale, delle condizioni geometriche del sistema e della lunghezza d'onda considerata. Queste differenze ci permettono di distinguere ed individuare i differenti elementi presenti in un immagine, associandogli una caratteristica "firma spettrale" che definisce il loro comportamento nell'intervallo d'onda considerato. Si consideri ad esempio, una copertura vegetazionale, l'andamento della proporzione di energia riflessa/energia incidente (reflectance) nello spettro del visibile e del vicino IR è diverso per ogni tipo di vegetazione. I picchi di assorbimento delle radiazioni nelle lunghezze d'onda del blu (450 nm ca) e del rosso (670 nm ca) sono dovute alla fotosintesi clorofilliana, mentre il picco di riflessione attorno ai 750 nm (VNIR) è dovuto all'azione del mesofillo fogliare. Sulla base dell'andamento è possibile costruire indici per “isolare”
i tipi di vegetazione dai restanti elementi presenti in un’immagine telerilevata. Un comune indice per la discriminazione della copertura vegetazionale è l'NDVI (Normalized Difference Vegetation Index):
NDVI = ((VNIR) - (rosso) ) / ( (VNIR) + (rosso) ) [1]
Un elevato valore di NDVI segnala quindi la presenza di vegetazione (elevati valori nel (VNIR) e bassi nel (rosso)); l'indice è proporzionale al vigore vegetazionale, alla densità di vegetazione, alla concentrazione di pigmenti fotosintetici nelle foglie.
Sulla base della "firma spettrale" e attraverso processi più o meno complessi di elaborazione delle immagini è possibile ad esempio discriminare coperture vegetali, estrarre parametri bio-fisici (concentrazione di clorofilla, umidità nel suolo), classificare le differenti coperture del suolo (land cover).
Figura 2.2 – Riflettanza per diverse coperture.
Andamento della reflectance (%), in figura 2.2, per tre differenti tipi di superfici.
Come evidenziato nelle figura 2.2 i picchi di assorbimento per la vegetazione sono 450 e 680 nm (linea verde), mentre il massimo di riflettanza si ha 750 nm.
I sistemi a telerilevamento attivo si dividono principalmente in sistemi a scattering
operanti nel visibile/IR (quali i sistemi LIDAR e di laser profiling), e in sistemi che
utilizzano radiazioni nel range delle microonde, tipicamente nell'intervallo d'onda
variante da pochi millimetri a 1 metro (sistemi radar e scatterometri). Particolarmente
interessanti per le applicazioni ambientali sono i sistemi radar (radio detecting and
ranging), i quali vengono definiti all-weather per l'utilizzo di lunghezze d'onda in
grado di operare in ogni condizione atmosferica e per non necessitare di luce solare
per l'acquisizione di dati. Tali sistemi consentono il monitoraggio di aree,
tipicamente quelle a elevate latitudini, dove i sensori che operano nel visibile-IR
spesso non risultano efficaci per la presenza di fitte coperture nuvolose. Nei sistemi radar la radiazione a microonde viene emessa da un generatore di impulsi (tipicamente 1500 al secondo) e successivamente raccolte da un'antenna dopo che hanno interagito con gli elementi della superficie terrestre. Il sistema più diffuso è di tipo SAR (Synthetic Aperture Radar), adatto ad essere utilizzato su satelliti in quanto non necessita di antenne di grandi dimensioni.
Le modalità con cui le microonde interagiscono con i differenti elementi della superficie terrestre sono molto complesse ed una trattazione approfondita non è possibile in questa sede. In linea generale, l'intensità del segnale di ritorno (backscatter) dipende dall'orientamento e dalle caratteristiche geometriche della superficie "illuminata" dalle radiazioni, nonchè dalla costante dielettrica del materiale. L'intensità della radiazione riflessa è inoltre maggiore se la lunghezza d'onda utilizzata interagisce con elementi di ordine di grandezza simile. Ad esempio le onde L (lunghezza d'onda 15-30 cm) interagiscono poco con le coperture fogliari, mentre hanno forti interazioni con la macrostruttura della copertura vegetale (es.
rami, fusti arborei). Le onde C (lunghezza d'onda 4-7 cm) al contrario penetrano poco nella copertura vegetale in quanto hanno maggiori interazioni con le foglie.
(Clerici N., Dipartimento Scienze Ambientali Università Parma)
2.2 Principali sistemi per l'osservazione della Terra
2.2.1 Sistemi satellitari
I sistemi satellitari offrono numerosi vantaggi, essi forniscono una visione sinottica dell'ambiente, consentono il monitoraggio della stessa zona in modo ripetuto nel tempo e soprattutto risultano convenienti da un punto di vista economico. I satelliti possono venir posti in orbite differenti in relazione al tipo di obiettivi preposti dalla missione. Per applicazioni di carattere meteorologico, ad esempio, vengono utilizzate orbite di tipo geostazionario: a 36.500 Km di altezza, se posizionato sul piano equatoriale, un satellite possiede lo stesso periodo di rotazione della Terra, mantenendo una posizione costante rispetto ad una specifica porzione del pianeta.
Per le applicazioni ambientali di carattere non meteorologico vengono invece
generalmente utilizzate orbite di tipo polare dette anche eliosincrone, le quali
consentono l'osservazione di ogni scena allo stesso tempo solare locale. Ciò si ottiene attraverso una traslazione continua verso ovest della traiettoria satellitare, al fine di rimuovere le macchie scure. I sensori che dipendono dalla radiazione solare riflessa (visibile-IR) acquisiscono dati solamente nella parte "illuminata" del percorso (fase discendente, da nord a sud), mentre sensori operanti nel TIR (IR termico) e sistemi radar acquisiscono dati indipendentemente dall'illuminazione. Numerosi sono i sistemi satellitari designati per la Earth Observation. Per una trattazione più approfondita si rimanda a Goldberg (2003).
2.2.2 Landsat
I satelliti della serie Landsat furono progettati a partire dagli anni '60 dalla NASA (National Aeronautics and Space Administration) per sopperire alle limitate capacità di osservazione della Terra dei satelliti meteorologici. I Landsat furono infatti ideati per fornire periodicamente informazioni su vasta scala relativamente all'uso del suolo, alla vegetazione e per ricerche in ambito geologico. Nel 1972 fu lanciato il primo Landsat (ERTS-1), il quale trasportava due sensori: l'RBV (Return Beam Vidicon) e l'MSS (Multispectral Scanner Subsystem). Per via di difficoltà operative nell'utilizzo del RBV, il Multispectral Scanner Subsystem divenne il sensore primario dei Landsat di prima generazione (Landsat 1,2,3). Nella seconda generazione di satelliti (Landsat 4 e 5) all'MSS si affiancò il Thematic Mapper (TM), sensore con capacità spettrali e di risoluzione spaziale superiori.
Il successo di quest'ultimo strumento e la continua richiesta di dati a più elevata risoluzione spaziale portarono allo sviluppo dell'ETM (Enhanced Thematic Mapper), il quale è l'unico sensore a bordo dei satelliti Landsat di terza generazione (Landsat 6 non fu però mai in orbita, mentre Landsat 7 (vedi figura 2.4), trasporta una versione avanzata del sensore, l''ETM+). I satelliti della serie Landsat sono considerati quelli che più hanno contribuito allo sviluppo della Earth Observation, fornendo serie storiche di dati ambientali di ineguagliabile importanza e contribuendo alla ricerca per applicazioni di carattere ecologico, geologico, idrologico e di rischio ambientale.
Un'eccellente introduzione alle missioni Landsat è consultabile sul website:
http://landsat7.usgs.gov/index.php
2.2.3 Thematic Mapper- Enhanced Thematic Mapper plus
Dal Landsat 4 viene introdotto il TM (Thematic Mapper), in grado di fornire una migliore risoluzione spaziale, maggiore affidabilità radiometrica e maggiore informazione spettrale. Il TM possiede 7 bande, di cui 6 nel visibile-IR ed una nel TIR. La risoluzione spaziale è di 30 m nel caso delle bande Vis-NIR e di 120 m per la banda nell'infrarosso termico. A differenza del MSS le bande spettrali furono scelte per acquisire informazione di specifico interesse scientifico. La tabella 2.1 riassume brevemente alcuni fra i possibili utilizzi relativi all'uso di ogni specifica banda del TM e ne da una breve descrizione. (Clerici N., Dipartimento Scienze Ambientali Università Parma).
Figura 2.3 – Immagini nel campo del visibile dell’area di studio riprese dal Landsat ETM 7+ del 15/02/2001 (a) e del 13/10/2001 (b).
Figura 2.4 - Il satellite Landsat 7 ETM+.
L'ETM+, montato a bordo del Landsat 7, offre notevoli miglioramenti, soprattutto in
termini di risoluzione spaziale (vedi figura 2.3 (a) e (b)). Con l'aggiunta della Banda
8 pancromatica (0.52-0.90 micron) è possibile ottenere immagini a più elevata
risoluzione spaziale (15 metri) e attraverso tecniche di pan-sharpening migliorare la
risoluzione dei colour-composite ottenuti dalla combinazione delle altre bande
(Schowengerdt, 1997; Liu, 2000). Un ulteriore miglioramento dell'ETM+ è dovuto ai
60 metri di risoluzione della banda termica. (Clerici N., Dipartimento Scienze
Ambientali Università Parma)
Tabella 2.1 – Intervallo spettrale, risoluzione e principali applicazioni delle bande spettrali del Thematic Mapper. Da Campbell (1996), modificata.
2.3 Uso del suolo e pianificazione
2.3.1 Land use e land cover
Col termine land use si intende l'analisi dell'utilizzo del territorio attraverso una
caratterizzazione che pone l'enfasi sul ruolo economico dello stesso. Il termine land
cover invece definisce in termini generali una caratterizzazione degli elementi
direttamente visibili, tipicamente sulla base di caratteristiche ambientali (Campbell,
1996). La richiesta di dati relativi all'utilizzo del territorio da parte delle
amministrazioni governative è in continua crescita, e fornisce la base primaria per la
definizione di efficienti politiche di pianificazione. Il telerilevamento fornisce gli
strumenti fondamentali per la mappatura dell'uso del suolo su piccola e media scala
(da 1:12.500 a 1:250.000), consentendo di ottenere con costi limitati precise mappe
di land cover e di land use. Attraverso l'uso di serie storiche è inoltre possibile
analizzare i pattern evolutivi del territorio, ed analizzare i cambiamenti in relazione
alle politiche adottate. L'identificazione dei trend di cambiamento a livello spaziale e
temporale è un importante supporto per la definizione di politiche che anticipino i
problemi rilevati a livello di pianificazione ed uso delle risorse. Gli strumenti
utilizzati per l'analisi delle modifiche temporali nelle serie di immagini telerilevate, ricadono nel vasto gruppo di tecniche denominate change detection (Schowengerdt, 1997. Jensen, 1996).
I satelli per il telerilevamento ambientale sono fra i sensori più utilizzati, vi è il Thematic Mapper, grazie ai 30 m di risoluzione spaziale e al set di 6 bande nel visibile-IR (un maggiore numero di bande spettrali aumenta le capacità di discriminazione tra classi). L'uso combinato di Landsat MSS e TM è stato utilizzato con successo per l'analisi dell'evoluzione del land use/land cover in un periodo di 25 anni nell'area di Atlanta (Yang e Lo, 2002). L'utilizzo sinergico di dati radar e vis-IR fornisce informazioni addizionali nelle investigazioni di uso del suolo: Angelis et al.
(2002) utilizzano serie temporali di dati del satellite giapponese JERS-1 e dati TM per analisi di change detection nella foresta tropicale brasiliana. Altri sensori operanti nel vis-IR, quali SPOT HRV e VEGETATION (Gao e Skillcorn, 1998. Xiao et al., 2002) e dati multi-temporali radar SAR sono stati applicati con notevoli successi per classificazioni land cover (Michelson et al., 2000. Ranson e Sun, 1994).
2.4 Lavorazione dell’immagine per la copertura del suolo
2.4.1 Premessa
Per una più accurata descrizione della copertura del suolo sono state scelte due immagini satellitari Landsat ETM 7+, una ripresa il 13-10-2001 e l’altra il 15-02-01.
Sono state utilizzate le immagini di questi due periodi per evidenziare variazioni tra il periodo di magra (successivo alla stagione secca) e il periodo di morbida (successivo alle precipitazioni).
Lo scopo di questo capitolo è quello di evidenziare la copertura del suolo e non l’uso del suolo, cercando di far risaltare la differente quantità di acqua presente nel fiume.
E’ stato possibile fare la classificazione, ma non è stato possibile quantificare la reale
differenza di acqua nei due periodi esaminati, poiché avendo a disposizione
immagini con una risoluzione minima di 30 m (1 pixel), e quindi sempre maggiori
rispetto alle dimensioni del fiume Cecina.
2.4.2 Descrizione della metodologia di lavoro
Le immagini che usiamo non sono mappe ma, spesso, le informazioni che sono estratte dai dati sono di tipo spaziale/territoriale e devono essere integrate in sistemi GIS o presentate come mappe. Diventa necessario correggere le geometrie delle immagini con semplici variazioni di scala lungo gli assi (linee e colonne nelle immagini) e poi registrarle rispetto ad altre immagini di riferimento o a proiezioni geografiche note.
Una possibile registrazione è quella del MODELLO GEOMETRICO ORBITALE, che ricostruisce le posizioni dei punti calcolando le loro coordinate spaziali nella proiezione SOM Spatial Oblique Mercator. Quello che viene effettuato normalmente è registrare le immagini rispetto a proiezioni cartografiche note quali Lambert Conforme o UTM.
La registrazione dell’immagine è un processo che si basa sulla costruzione di una Trasformazione delle coordinate di input di un pixel in quelle di output relative ad una proiezione cartografica nota, questa trasformazione avviene tramite l’applicazione di funzioni polinomiali. Il grado del polinomio è l’ordine della trasformazione. La più usata e quella di primo grado o affine.
X0=b1 + b2Xi + b3Yi Y0=a1 + a2Xi + a3Yi
X0 =e Y0 sono le coordinate di output (proiezione ed es UTM), Xi =e Yi sono le coordinate di input (per l’immagine linee e colonne), a1 ,a2, a3, e b1 ,b2, b3 sono i coefficienti della matrice di trasformazione.
Per calcolare questi coefficienti si trovano le coordinate geografiche (UTM) di alcuni punti noti anche sull’immagine detti Ground Control Points.
E si risolve il sistema di primo grado (i) tramite i coefficienti che minimizzano l’errore, con solo tre punti ho errore nullo, ma controllo poco le zone lontane dai GCP scelti.
Ordini di trasformazione più alti possono correggere geometrie più complicate di
quanto lo possa fare una roto-traslazione (1° ordine).
All’aumentare dell’ordine aumentano il numero di coefficienti da calcolare e, quindi, il numero di GCP minimi per effettuare il calcolo.
Le immagine da noi adoperate sono state corrette con il modello DEM, il quale permette una correzione delle proiezioni in funzioni delle quote, restituendoci un errore di 30 metri (eliminazione dell’effetto rilievo, vedi
www.usgs.gov).
La proiezione utilizzata è la UTM, mentre il geoide di riferimento è WGS84.
Durante la lavorazione delle immagine è stato adoperato il programma ENVI® 3.2 della RSI inc.
Il primo passo è stato quello di correggere le immagini rispetto all’atmosfera, poiché come descritto nel paragrafo 2.1 ci sono delle interferenze atmosferiche.
A seconda del tipo di indagine ed analisi effettuate, non sempre è necessaria la correzione atmosferica, specialmente se si effettuano le classificazioni su una singola scena, come dimostrato da Song et al, 2001.
Abbiamo eseguito, per testare il suggerimento di Song et al. (2001), tre tipi di correzione:
− la prima tende ad eliminare l’effetto dovuto alle ombre (figura 2.6 a);
− la seconda tende ad eliminare l’effetto prodotto dall’umidità del suolo (figura 2.6 b);
− la terza è una somma delle due correzioni precedenti (figura 2.6 c).
La correzione è stata svolta con la tecnica del Dark-Object Subtraction (Chavez P.S., 1988), che consiste nel sottrarre al valore spettrale reale quello dovuto agli effetti atmosferici.
La seconda operazione consisteva nell’individuare zone dell’immagine per le quali l’utente conosce il tipo di superficie, ed assume quella zona come campione statisticamente rappresentativo dei caratteri spettrali di una classe, relativamente all’immagine da classificare.
Esistono strumenti che permettono di selezionare delle aree poligonali sulle immagini le “regioni di interesse” o ROI. I pixel compresi in queste aree sono campionati (in tutte le bande) e i loro parametri statistici sono usati come dati input per un metodo classificativi.
Sulla base di quanto descritto nel capitolo 3 (Valutazione della pressione antropica) abbiamo stabilito di scegliere sette classi di copertura del suolo.
La divisione delle classi è la seguente:
– rosso: città e antropico;
– giallo: campi coltivati;
– siena: campi incolti;
– verde chiaro: pineta;
– verde scuro: boschi;
– viola: mare;
– celeste: fiume.
Usare le ROI o altri punti od aree note per definire l’accuratezza della classificazione e l’efficacia del classificatore usato è il processo ultimo della classificazione.
In questo modo, possiamo definire quanto le mappe tematiche derivate da analisi di dati telerilevati, ad esempio uso del suolo o mappa della vegetazione, sono fruibili da un utente finale.
Per la classificazione sono stati utilizzati due algoritmi diversi:
− Maximum Likelihood: per ciascuna classe (definita da ROI) si assume una distribuzione statistica normale in ciascuna banda, e si calcola la probabilità di ogni pixel di cadere in quella classe. Ciascun pixel è assegnato alla classe con la massima probabilità.
− SAM, Spectral Angle Mapper: Questo metodo non si basa su una distanza del pixel da alcuni punti noti (classi) nello spazio n-dimensioni delle immagini multispettrali usate. Il metodo SAM, per ogni classe, costruisce un vettore in uno spazio n-dimensionale (n numero di bande) in base a dati di input che posso derivare dalle ROI o da altri spettri di materiali e superfici note, costruisce un vettore spettro di riferimento per ogni classe. Ciascun pixel è classificato in funzione di quanto il suo vettore (n-dimensionale) dello spettro è parallelo a quello di riferimento. L’utente definisce un angolo di soglia.
Per la classificazione abbiamo preferito scegliere il Maximum Likelihood, anziché il
SAM, poiché il primo riusciva a discriminare in modo migliore le aree del fiume,
mentre il secondo risultava migliore nell’aree di mare, ma non riusciva ad
identificare le aree del fiume (figura 2.5).
Figura 2.5 – Immagini classificate 15/02/2001 con algoritmo SAM (a) e Maximum Likelihood (b).
Figura 2.6 – Immagini falsi colori (7, 4, 5) 15/02/2001 senza correzione (a), correzione punti acqua (b) e correzione punti ombra (c).
La figura 2.6 è costruita come immagine in falsi colori, mediante l’utilizzo di bande dell’infrarosso NIR e SWIR (vedi tabella 2.1) dove abbiamo nel rosso la banda 7, nel verde la banda 5 e nel blu la banda 4. La figura mostra come precedentemente esposto, che le immagini sia in presenza della correzione che in assenza, non presentano tra loro differenze.
In tabella 2.2 sono riportati i DN (Digital Number) per ogni banda individuati lungo
l’asta fluviale per le tre immagini riportate in figura 2.6, osservando i DN per la
stessa banda e per lo stesso punto è possibile evincere che non c’è nessuna variazione
per le bande 4, 5 e 7. In tabella 2.2 sono espressi solo 3 punti anziché tutti quelli
campionati poiché questa dimostrazione non era scopo della seguente tesi.
Tabella 2.2 – DN dei pixel per banda individuati lungo l’asta fluviale
.
Figura 2.7 – Differenza tra le immagini corrette e non del 15-02-01 (a, b, c) e 13-10-01 (d, e, f), applicando l’algoritmo Maximum Likelihood.
Correzione
Banda Acqua Nessuna Ombra Punto
1 44 65 70 foce
2 58 54 62 foce
3 44 43 44 foce
4 20 20 20 foce
5 15 15 15 foce
6 111 111 111 foce
7 13 13 13 foce
9 116 116 116 foce
1 46 67 72 fiume
2 57 53 61 fiume
3 53 52 53 fiume
4 42 42 42 fiume
5 37 37 37 fiume
6 109 109 109 fiume
7 28 28 28 fiume
9 108 108 108 fiume
1 48 69 74 fiume1
2 59 55 63 fiume1
3 58 57 58 fiume1
4 48 48 48 fiume1
5 31 31 31 fiume1
6 111 111 111 fiume1
7 25 25 25 fiume1
9 113 113 113 fiume1
La figura 2.7 mostra le differenze tra le immagini con correzione e senza, rispettivamente del 15-02-01 (a, b, c) e del 13-10-01 (d, e, f).
La differenza che si nota è dovuta alla presenza di nubi sulla fascia marino costiera dell’immagine 13-10-01, sia in presenza di correzione che in assenza.
Per un ulteriore controllo delle differenze è stato necessario studiare le “matrici di confusione” (tabelle 2.3 e 2.4) ed in particolar modo rivolgendo attenzione:
– User accuracy: percentuale di pixel assegnati alla classe di competenza rispetto alla linea commission (percentuale di pixel di una certa classe assegnati ad altre classi);Producer accuracy: percentuale di pixel assegnati alla classe di competenza rispetto al totale.
Con la matrice di confusione vedo quanto è stata efficace la mia classificazione e quali sono le classi che sono spettralmente meno distinguibili.
Le tabelle 2.3 e 2.4 riportano i valori dell’User accuracy e Producer accuracy, riferiti alle immagini (15/02/2001 e 13/10/2001), sia in presenza di correzione che in assenza e con l’utilizzo di entrambi gli algoritmi Maximum Likelihood (MAXL) e Spectral Angle Mapper (SAM).
La User accuracy determina il grado di efficacia del classificatore usato relativamente ad una singola classe, la Producer accuracy tiene conto anche della influenza delle altri classi e quindi della separabilità spettrale delle classi scelte.
Un elevato valore di Producer accuracy significa quindi che la classe è spettralmente ben definita.
Dalle tabelle si evince che non c’è cambiamento nell’User accuracy e Producer
accuracy nelle immagini registrate dove è stato utilizzato l’algoritmo MAXL sia in
presenza di correzioni che in assenza, mentre si rilevano piccole differenze con il
SAM tra l’utilizzo delle varie correzioni.
Capitolo 2: Copertura del suolo Tabella 2.3 – Matrice di confusione con algoritmi Maximum Likelihood (MAXL) e Spectral Angle Mapper (SAM) delle immagini in presenza ed assenza di correzioni d 15/02/2001. MAXLProd. Acc.User Acc.Prod. Acc.User Acc.SAMProd. Acc.User Acc.Prod. Acc.User Acc.15/02/2001 Class(Percent)(Percent)(Pixels)(Pixels)Class(Percent)(Percent)(Pixels)(Pixels)Correzione città e antro64,6383,728781/135878781/10488città e antro31,3788,524262/135874262/4815nessuna pineta95,9196,675437/56695437/5624pineta88,9273,555041/56695041/6854nessuna coltivazioni94,0875,279870/104919870/13112coltivazioni80,1975,948413/104918413/11079nessuna campi incolti89,9666,844608/51224608/6894campi incolti67,8353,143474/51223474/6537nessuna boschi97,3197,818098/83228098/8279boschi43,6675,533633/83223633/4810nessuna mare100,00100,0069623/6962469623/69623mare100,0099,9169624/6962469624/69689nessuna fiume92,7399,7615857/1710015857/15895fiume89,1399,8615242/1710015242/15264nessuna città e antro64,6383,728781/135878781/10488città e antro30,5888,614155/135874155/4689acqua pineta95,9196,675437/56695437/5624pineta89,1775,005055/56695055/6740acqua coltivazioni94,0875,279870/104919870/13112coltivazioni79,6876,218359/104918359/10968acqua campi incolti89,9666,844608/51224608/6894campi incolti66,8953,293426/51223426/6429acqua boschi97,3197,818098/83228098/8279boschi44,3677,403692/83223692/4770acqua mare100,00100,0069623/6962469623/69623mare100,0099,9169624/6962469624/69689acqua fiume92,7399,7615857/1710015857/15895fiume88,5099,8515133/1710015133/15155acqua città e antro64,6383,728781/135878781/10488città e antro32,3588,244395/135874395/4981ombra pineta95,9196,675437/56695437/5624pineta88,9472,775042/56695042/6929ombra coltivazioni94,0875,279870/104919870/13112coltivazioni80,7875,708475/104918475/11196ombra campi incolti89,9666,844608/51224608/6894campi incolti68,6652,783517/51223517/6663ombra boschi97,3197,818098/83228098/8279boschi43,6474,123632/83223632/4900ombra mare100,00100,0069623/6962469623/69623mare100,0099,9069624/6962469624/69691ombra fiume92,7399,7615857/1710015857/15895fiume89,4799,8515300/1710015300/15323ombra
Tabella 2.4 – Matrice di confusione con algoritmi Maximum Likelihood (MAXL) e Spectral Angle Mapper (SAM) delle immagini in presenza ed assenza di correzioni del 13/10/2001.
MAXL Prod. Acc. User Acc. Prod. Acc. User Acc. SAM Prod. Acc. User Acc. Prod. Acc. User Acc. 13/10/2001
Class (Percent) (Percent) (Pixels) (Pixels) Class (Percent) (Percent) (Pixels) (Pixels) Correzione
città e antro 90,65 88,38 12316/13587 12316/13935 città e antro 60,06 85,66 8160/13587 8160/9526 nessuna
pineta 97,21 96,19 5511/5669 5511/5729 pineta 84,62 93,31 4797/5669 4797/5141 nessuna
coltivazioni 75,62 81,91 7933/10491 7933/9685 coltivazioni 27,41 79,27 2876/10491 2876/3628 nessuna
campi incolti 85,69 63,63 4389/5122 4389/6898 campi incolti 65,15 49,30 3337/5122 3337/6769 nessuna
boschi 98,16 95,28 8169/8322 8169/8574 boschi 87,14 89,33 7252/8322 7252/8118 nessuna
mare 100,00 100,00 69621/69624 69621/69621 mare 100,00 99,89 69623/69624 69623/69701 nessuna
fiume 90,30 99,79 15441/17100 15441/15473 fiume 88,64 99,94 15158/17100 15158/15167 nessuna
città e antro 90,65 88,38 12316/13587 12316/13935 città e antro 59,40 85,99 8071/13587 8071/9386 acqua
pineta 97,21 96,19 5511/5669 5511/5729 pineta 84,21 93,63 4774/5669 4774/5099 acqua
coltivazioni 75,62 81,91 7933/10491 7933/9685 coltivazioni 26,60 79,18 2791/10491 2791/3525 acqua
campi incolti 85,69 63,63 4389/5122 4389/6898 campi incolti 64,72 49,84 3315/5122 3315/6651 acqua
boschi 98,16 95,28 8169/8322 8169/8574 boschi 86,35 90,04 7186/8322 7186/7981 acqua
mare 100,00 100,00 69621/69624 69621/69621 mare 100,00 99,89 69623/69624 69623/69701 acqua
fiume 90,30 99,79 15441/17100 15441/15473 fiume 88,63 99,94 15156/17100 15156/15165 acqua
città e antro 90,65 88,38 12316/13587 12316/13935 città e antro 60,16 85,48 8174/13587 8174/9563 ombra
pineta 97,21 96,19 5511/5669 5511/5729 pineta 84,88 93,31 4812/5669 4812/5157 ombra
coltivazioni 75,62 81,91 7933/10491 7933/9685 coltivazioni 27,60 79,32 2896/10491 2896/3651 ombra
campi incolti 85,69 63,63 4389/5122 4389/6898 campi incolti 65,19 49,20 3339/5122 3339/6786 ombra
boschi 98,16 95,28 8169/8322 8169/8574 boschi 87,31 89,25 7266/8322 7266/8141 ombra
mare 100,00 100,00 69621/69624 69621/69621 mare 100,00 99,89 69623/69624 69623/69701 ombra
fiume 90,30 99,79 15441/17100 15441/15473 fiume 88,64 99,94 15158/17100 15158/15167 ombra
Ai fini classificativi l’algoritmo, Maximum Likelihood, adoperato ha restituito dei buoni risultati per tutte le classi tranne che per il fiume. Dato che la risoluzione del satellite, Landsat ETM 7+, è di 30 m non è stato possibile individuare un pixel che contenesse al suo interno solo lo spettro del fiume, date le ridotte dimensioni del fiume e la ridotta presenza di acqua.
Come ulteriore prova, per la classificazione del fiume, abbiamo combinato più classi per entrambe le riprese, vedi figura 2.8 (a) e (b), ma non ottenendo il risultato sperato.
Figura 2.8 – Immagini combinate del 15/02/2001 (a) e del 13/10/2001 (b).
In rosso sono state classificate le città, in nero i boschi, le pinete e il mare, mentre i campi coltivati ed incolti in giallo, il fiume in celeste. Per quanto riguarda il fiume si nota solo nella zona della foce, il celeste presente lungo la costa della figura 2.8 (b) è dovuto ad una interferenza dovuto all’esistenza di nubi.
Per un ulteriore conferma di quanto già esposto, vengono riportate in figura 2.9 (a) e
(b) le immagini riferiti ai due periodi. Come si nota dalla tabella 2.5 e dalle riprese è
possibile evincere la mancanza di acqua in vari punti della sezione del fiume. Le
immagini sono costruite utilizzando la banda 7 nel rosso, la 4 nel verde e la 5 nel blu,
con questa configurazione l’acqua compare di colore nero, poiché la radiazione
dell’infrarosso viene completamente assorbita dall’acqua, mentre in verde si ha la riflessione di materiale argilloso costituente l’alveo del fiume.
Figura 2.9 – Ingrandimenti delle immagini del 15/02/2001 (a) e del 13/10/2001 (b).
Tabella 2.5 – Valore dei pixel individuati nelle due immagini di figura 2.7 (a) e (b).
Banda 15/02/2001 13/10/2004 Punti
7 18 23 fiume
7 33 35 fiume 1
7 28 35 fiume 2
7 21 21 fiume 3
7 36 56 fiume 4
7 35 41 fiume 5
7 15 30 fiume 6
7 20 26 fiume 7
7 26 32 fiume 8
7 23 22 vegetazione
La tabella 2.5 mostra i valori DN dei pixel rilevati per i medesimi punti nelle due immagini di figura 2.8 (a) e (b) per la banda 7. Si nota la differenza nelle stesse zone selezionate dovuta all’assenza o presenza di acqua, ricordando che maggiore è l’assorbanza più il DN è vicino a zero. Abbiamo scelto di proposito un punto di vegetazione per far evidenziare la correlazione fra le due immagini. Anche qui si ottengono valori bassi perché la clorofilla a questa lunghezza d’onda ha l’ultimo picco di assorbanza, vedi figura 2.2.
Riassumendo quanto esposto viene riportata in figura 2.10 un ritaglio dell’area in studio dell’immagine del 15/2/01 elaborata con l’algoritmo Maximum Likelihood.
In tabella 2.6 viene riportata la divisione in classi e la percentuale di copertura del suolo.
Come precedentemente esposto la divisione delle classi è la seguente:
– rosso: città e antropico;
– giallo: campi coltivati;
– siena: campi incolti;
– verde chiaro: pineta;
– verde scuro: boschi;
– celeste: fiume.
Figura 2.10 – Copertura del suolo dell’area in studio.
Tabella 2.6 – Percentuale di copertura del suolo area in studio.
classi n° pixel assegnati % copertura del suolo
città e antropico 117638 19
boschi 329847 52
pineta 14704 2
fiume 3969 1
coltivazioni 140417 22
campi incolti 28395 4
totale 634970 100
