jčasné možnosti DPZ jako metody sběru, lýzy a prezentace prostorově \\ ^ // ■ alizovaných dat říkladu studia města) os" ironmental Remote Sensing bal Remote Sensing lan Remote Sensing sntitative Remote Sensing ©2007 Europa Tectinologlss '""Google Vybrané kapitoly z DPZ Uvod, základní pojmy ^IPř Global Change master directory http://acmd.asfc.nasa.aov/ Data & Images Earth Observatory http://earthobservatorv.nasa.aov/ Úvod, základní pojmy Urban Remote Sensing ^^^^ Remote Sensing http://www.ldeo.columbia.edu/~small/Urban.html http://sedac.ciesin.org/urban rs/ Urban Remote Sensing ■ Ve vyspělých státech žije ve městech až 75 % populace ■ Malá rozloha zastavěných ploch (5-7 % plochy souše) ■ Značná koncentrace obyvatelstva ■ Produkce energie („odpadního tepla") ■Dynamický rozvoj suburbánních oblastí ■ Zvyšující se zdravotní riziko a riziko materiálních škod v případě přírodních extrémů ■ „Krizový management" Urban Remote Sensing Co umožňuje formování URS? ■ Zlepšování kvality obrazových dat DPZ (jak definovat kvalitu ?) ■ Dostupnost, efektivita využití dat ■ Nové možnosti analýzy (jaké metody, jaké principy?) ■ Formování kvantitativního DPZ (QRS) ■ ...? ■ Existuje odběratel? Je možné k řešení uvedených problémů využít metod DPZ? 1 Urban Remote Sensing Nabízí DPZ něco navíc ve srovnání s jinými metodami sběru a analýzy prostorových dat? Jaké vlastnosti (charakteristiky) lze metodami DPZ studovat? ■ Mapování využití ploch ■ Vybrané parametry (biofyzikálni) - podíl ploch s vegetací, ... ■ Radiační a hydrologická bilance ■ Nepropustné povrchy (impervious, seal surfaces) ■ Drsnost povrchu, albedo, tepelné vlastnosti ■ Mapování a kvantifikace spojitých jevů (LST, znečištění, ???) ■ Socio-ekonomické parametry?? Klima měst Porovnaní jednotlivých členů rovnice energetické bilance ve volné krajině a ve městě (kW h m2 den1) Incident radiation Reflected ■ iiliii!i;ji Klima měst 4* Vybrané charakteristiky klimatu měst v porovnání s venkovskou krajinou (Landsberg 1981) • počet kondenzačních jader 10 x více ■ PoČet pevných Částic 10 x více ■ Trvání slunečního svitu o 5 - 15% měně j. ■ Množství oblačnosti o 5 - 10% měně ?. * ■ Četnost výskytu mlhy v zimě o 100% více j äl ■ množství srážek o 5-15% více í" ■ Četnost bouřek o 5-10% více ■ průměrná roční teplota ■ průměrná minimální teplota v zimě 1 ■ průměrná maximální teplota v létě /ro*>- 3,0°C vyŠŠÍ^V o 1 - 2°C vyŠŠí V^l - 2°C vyŠŠí i Formování tepleného ostrova města ■ délka topné sezóny o 10% kratší ■ roční průměrná relativní vlhkost o 6 % nižší ■ roční průměrná rychlost větru o 20-30% nižší 1. Teplený ostrov města v mezní vrstvě atmosféry (Boundary layer) 2. Tepelný ostrov města přízemní vrstvě atmosféty (Canopy Layer) 3. Tepelný ostrov města aktivních povrchů (Surface UHI) (Oke 1976) Možnosti detekce tepelného ostrova města Metody dálkové detekce DN hodnoty ^ -► dn = f co „Kvantitativní" dálkový průzkum Obecný postup mapování teploty aktivních povrchu 1. Prevod hodnot zaznamenaných družicí (DN) na spektrálni hustotu (L) __-* <»~ n TOA L -—— e TOA 2. Výpočet tzv. radiační teploty ( T^J) z hodnot spektrální hustoty (L) K, In 1 K1 = 666,09 W m^sr-1 K2 = 1282,7 K 3. Převod 7^ na teplotu aktivního povrchu ( TLJ) (land surface temperature) T l + l^* line o; 1,438m* £ = emisivita Studované území a použitá data •LANDSAT 7 • Snímek ETM+ • Datum pořízeni 24. 5. 2001 • Čas snímáni v 9:35:02 GMT • Termální pásmo 10,4 - 12,5 \im • Prostorové rozlišení 60 m Typický radiační chod počasí Synoptická situace NEa Tmin8,4°C T„. 23,3°C Torum 17,6*0 T. ,5,0*0 ■ Problém dostupnosti bezoblačných scén ■ Problém korekce vlivů atmosféry Postup mapování povrchových teplot Korekce na emisivitu reálných povrchů Teploty aktivního povrchu Atmosférické korekce MODTRAN - model radiačního transferu hoA-h-i(X-£)h LT - spektrální hustota záření absolutně černého tělesa o teplotě T, LT0A - spektrální hustota zářivého toku na horní hranici atmosféry (Top Of Atmosphere - TOA), Lu je záření atmosféry (upwelling radiance), Ld je zpětné záření atmosféry (downwelling radiance), T je koeficient propustnosti atmosféry (atmospheric transmission) a E je emisivita. http://atmcorr.gsfc.nasa.gov/ (Barsi et al. 2005) i Parameter Calcidat Korelační koeficenty mezi LST a vybranými faktory 1.000 -0.752 0.531 0.403 -0.752 1.000 -0.579 -0.442 0.531 -0.579 1.000 0.572 0.403 -0.442 0.572 1.000 1.000 -0.821 0.509 0.421 -0.821 1.000 -0.579 -0.442 0.509 -0.579 1.000 0.572 0.421 -0.442 0.572 1.000 Model vícenásobné regrese Charakteristika LST_2001 LST_2006 Koeficient vícenásobné regrese R 0. 770 0. 825 F pomer 671.681 985.480 Stupně volnosti 3,1383 3,1383 Vysvětlená variabilita R2 0.593 0. 681 Upravené R2 0.592 (p < 0.001) 0.680 (p < 0.001) Směrodatná chyba odhadu 1.586 2.119 LST_2001 = 22.806 - 0.600*NDVI + 0.216*DENS + 0.014*TLoS LST_2006 = 39.457 - 0.750*NDVI + 0.072*DENS + 0.047TLoS Shrnutí □ Klasifikací snímků byly sestaveny mapy základních druhů povrchů potřebných pro kvantifikaci jejich vyzařovacích schopností (emisivit) □ S využitím termálních snímků ETM+ byly otestovány různé algoritmy pro výpočet pole teplot aktivních povrchů základe rozdílu mezi teplotou aktivních □ Byla odhadnuta intenzita TOM n povrchů ve meste a v okolní krajině □ Pole povrchových teplot sestavená ze dvou různých termálních družicových snímků ukazují velmi shodné prostorové rozložení (R= 0.79). □ Při typickém radiačním režimu počasí mohou být hodnoty povrchových teplot zastavěných ploch v průměru až o 7°C teplejší než okolní krajina. □ Rozložení povrchových teplot významně koreluje s množstvím vegetace, množstvím (délkou) komunikací a hustotou zástavby. Sestavený model vícenásobné regrese celkově vysvětluje 59% resp. 68% celkové variability pro dvě testované družicové scény. □ Pole povrchových teplot ukazuje na formování oblastí s nejvyŠŠími hodnotami. Tyto oblasti se vyznačují typickým charakterem zástavby. LST se mění i čase, použité vysvětlující charakteristiky jsou statické. Jak model upravit (doplnit) pomocí dalších vysvětlujících proměnných? Urban Remote Sensing Které znaky jsou charakteristické pro zastavěná území jako druh povrchu? ■ Specifické druhy povrchů ■ Jak lze charakterizovat povrchy ve městech ? ■ Odlišná radiační, teplená, vodní bilance - formování městského klimatu ■ Problém zastíněných ploch ■ Značná dynamika ■ Znečištění životního prostředí Které znaky vhodně resp. nevhodně charakterizují plochy měst? Které znaky používáme na základě zkušenosti? Které znaky lze vhodně formalizovat pro metody digitálního zpracování obrazu? Urban Remote Sensing Co jsou limity dosavadního rozvoje? http://www.ldeo.columbia.edu/~small/Urban.html The physical properties of the individual components of the urban mosaic control the mass and energy fluxes through the urban environment. These fluxes, in turn, control the aggregate physical characteristics and dynamics of the urban environment thereby impacting the climatic, hydrologic and ecologic processes linking the urban environment to its surrounding environments. Understanding the dynamics of these processes in coupled urban, suburban, and periurban systems is central to our ability to predict, and influence, the behaviour of the systems. The research ... focuses on the use of optical remote sensing to characterize the physical properties of urban and non-urban environments and to understand the relationships between the optical characteristics, physical properties and energy fluxes through the urban system. „Standardní" metoda klasifikace ploch z obrazových dat Spektrální příznaky Obrazový prostor (Image space) Spektrální prostor (Spectral space) Příznakový prostor (Feature space) Klasifikace založená na teorii spektrálního a>,-1* chování je procesem hledání všech spektrálních tříd. které tvoří třídu informační. 1 f / —- "f B ^ A it 1 c!s OJ l!s 1.4 1.5 l's it Řízená klasifikace obrazu - obecný postup 1. definování tzv. trénovacích ploch 2. výpočet statistických charakteristik (tzv. spektrálních příznaků) pro trénovací plochy charakterizující jednotlivé třídy, jejich editace a výběr vhodných pásem pro vlastní klasifikaci 3. volba vhodného rozhodovacího pravidla (tzv. klasifikátoru) pro zařazení všech prvků obrazu do jednotlivých tříd 4. zatřídění všech obrazových prvků do vymezených tříd 5. úprava, hodnocení a prezentace výsledků klasifikace 1. Výběr trénovacích ploch 3. Použití vhodného rozhodovacího pravidla (klasifikátoru) Digital number band 4 Urban Remote Sensing Co je příčinou malé efektivity klasických přístupů k analýze obrazu? • Jak lze charakterizovat „klasické" prístupy k analýze obrazu? • Jaké charakteristiky jsou přenositelné do prostředí URS? • Jak by bylo možné specifikovat vlastnosti nově navrhovaných metod? (Mixture pixel - hlavní problém při mapování LU/LC klasickými přístupy metodami DPZ. Composite signatures x např. MAXLIKE - předpoklad „pure signatures"). Urban Remote Sensing Možné přístupy k řešení problému 1. Spektrální zvýraznění (indexy, PCA, MNF) 2. Objektově orientovaná klasifikace, kontextuální 3. Obrazová spektrometrie 4. Spectral mixture analysis 5. Texture analysis, GLCM 6. Strojové učení, neuronové sítě 7. ... (?) Vhodné zdroje obrazových dat? ■ Optická data - very high resolution (spatial) ■ Hyperspektrální data ■ Data pořizovaná aktivními metodami - RADAR, LI DAR ■ Termální DPZ ■ m Úkol pro závěrečné hodnocení Z vybraného článku s tematiku dálkového průzkumu zastavěných oblastí připravte stručnou prezentaci (10 min): podstata problému, použitá data, metody, základní výsledky, váš pohled na event. problémy a možná alternativní řešení. Podklady naleznete v IS - Studijní materiály