CONSIGLIO NAZIONALE DELLE RICERCHE Istituto di Fisica Applicata “Nello Carrara” Via Madonna del Piano, 10 50019 - Sesto Fiorentino - Italia Gruppo di Ricerca SOASAR Sistemi Ottici Aerospaziali ad Alta Risoluzione PRISMA Products and Applications Titolo: Documento: Data: CNR–IFAC/METEORS/140331 31 marzo 2014 Nome e Cognome: AUTORI: Funzione: Documento riservato Affiliazione: Bruno Aiazzi CNR - IFAC Luciano Alparone CNR - IFAC Alessandro Barducci CNR - IFAC Stefano Baronti CNR - IFAC Roberto Carlà CNR - IFAC Andrea Garzelli CNR - IFAC Donatella Guzzi CNR - IFAC Cinzia Lastri CNR - IFAC Paolo Marcoionni CNR - IFAC Vanni Nardino CNR - IFAC Ivan Pippi CNR - IFAC Leonardo Santurri CNR - IFAC Massimo Selva CNR - IFAC Verificato da: Ivan Pippi Approvato da: Roberto Pini Responsabile del gruppo di ricerca CNR - IFAC Direttore f.f. CNR-IFAC CNR - IFAC 2 Firma: INDICE 1 2 EXECUTIVE SUMMARY ............................................................................................... 6 INTRODUZIONE ............................................................................................................. 7 2.1 SCOPO DEL DOCUMENTO ..................................................................................... 7 2.2 DEFINIZIONI, ACRONIMI ED ABBREVIAZIONI ............................................... 8 2.2.1 DEFINIZIONI ......................................................................................................... 8 2.2.2 ACRONIMI ED ABBREVIAZIONI ...................................................................... 8 2.3 DOCUMENTI APPLICABILI E DI RIFERIMENTO ........................................... 12 3 OBIETTIVI DEL PROGETTO ..................................................................................... 13 4 LA MISSIONE PRISMA................................................................................................ 14 4.1 OBIETTIVI................................................................................................................ 14 4.2 SEGMENTO SPAZIALE .......................................................................................... 16 4.2.1 CARATTERISTICHE OPERATIVE.................................................................... 17 4.2.1.1 MODALITA OPERATIVE ............................................................................ 25 4.2.2 PAYLOAD OTTICI .............................................................................................. 26 4.2.2.1 TELESCOPIO .............................................................................................. 27 4.2.2.2 CAMERA PANCROMATICA ....................................................................... 28 4.2.2.3 CAMERA IPERSPETTRALE ....................................................................... 29 4.2.2.4 CALIBRATORE ............................................................................................ 32 4.2.2.5 RIVELATORI ED ELETTRONICA DI PROSSIMITA.................................. 33 4.2.3 PAYLOAD DATA HANDLING AND TRANSMISSION .................................. 33 4.3 SEGMENTO DI TERRA .......................................................................................... 36 4.3.1 IMAGE DATA HANDLING SEGMENT ............................................................ 36 5 SIMULAZIONE DELLE PRESTAZIONI ................................................................... 38 5.1 GENERAZIONE DI IMMAGINI A PARTIRE DA DATI REALI......................... 40 5.1.1 PRE-ELABORAZIONE DEL DATO HYPERION E DEI DATI AUSILIARI ... 40 5.1.1.1 RIPROIEZIONE ........................................................................................... 40 5.1.1.2 ORTONORMALIZZAZIONE DEL DATO HYPERION ............................... 41 5.1.2 ELABORAZIONI PRELIMINARI DEL DATO HYPERION............................. 42 5.1.2.1 CAMPAGNA DI TELERILEVAMENTO TELAER SU SAN ROSSORE ....... 44 5.2 GENERAZIONE DI IMMAGINI SINTETICHE ................................................... 47 5.2.1 PROCEDURA DI SIMULAZIONE ..................................................................... 47 5.2.2 MODELLI E ACCORGIMENTI UTILIZZATI NELLA PROCEDURA DI SIMULAZIONE .................................................................................................... 60 5.2.2.1 EFFETTI DOVUTI ALL’ATMOSFERA ....................................................... 60 5.2.2.2 GEOMETRIA E MEMORIZZAZIONE DEL DATO UTILIZZATI NELLA IMPLEMENTAZIONE SOFTWARE ............................................................ 62 5.2.2.3 SIMULAZIONE DELLA RISPOSTA DEL SISTEMA ................................... 64 5.2.2.3.1 INTEGRAZIONE SPETTRALE DEL DATO PANCROMATICO ...............65 5.2.2.3.2 RISPOSTA IN TENSIONE DEL DATO PANCROMATICO .......................65 5.2.2.3.3 RISPOSTA IN TENSIONE DEL DATO IPERSPETTRALE ........................66 5.2.2.3.4 RISPOSTA IN DIGITAL NUMBER DI UNA BANDA GENERICA ...........67 5.2.2.4 SIMULAZIONE DEI CONTRIBUTI DI RUMORE...................................... 67 5.2.2.4.1 GENERAZIONE DI IMMAGINI SIMULATE TENENDO CONTO DEI VARI CONTRIBUTI DI RUMORE ALEATORIO .......................................69 6 I PRODOTTI ................................................................................................................... 71 6.1 ORGANIZZAZIONE DEI PRODOTTI DI PRISMA.............................................. 71 6.1.1 STRUTTURA DEI FILE....................................................................................... 73 6.1.2 HIERARCHICAL DATA FORMAT VERSIONE 5 ............................................ 74 CORREZIONE ED INTEGRAZIONE DATI ................................................................ 76 6.1.3 GEOLOCALIZZAZIONE E GEOCODIFICA ..................................................... 79 3 6.2 PRODOTTO DI LIVELLO 1 - RADIANZA AL SENSORE ................................... 80 6.2.1 CALIBRAZIONE DELLA CORRENTE DI BUIO ............................................. 80 6.2.2 CALIBRAZIONE DEL SENSORE A MATRICE (FLAT-FIELD) ..................... 80 6.2.3 CONVERSIONE IN UNITÀ DI RADIANZA ..................................................... 82 6.2.3.1 TEST DELLE PROCEDURE CNR-IFAC DI CORREZIONE RADIOMETRICA SU IMMAGINI HYPERION ........................................... 84 6.3 PRODOTTO DI LIVELLO 2c - RIFLETTANZA A TERRA ................................. 86 6.3.1 METODOLOGIA SVILUPPATA DAL CNR-IFAC ........................................... 88 6.3.1.1 METODO DI STIMA DEL CONTRIBUTO DEI PIXEL VICINI ................. 88 6.3.1.2 METODO ITERATIVO DI STIMA DEI PARAMETRI ATMOSFERICI ...... 90 6.3.1.2.1 PROCEDURE DI LETTURA E SCRITTURA DEL FILE DI INGRESSO DEL MODTRAN 5.2 ......................................................................................95 6.3.1.3 SUPERFICI NON LAMBERTIANE ............................................................. 95 6.3.1.4 TEST DELLE PROCEDURE CNR-IFAC DI CORREZIONE ATMOSFERICA SU IMMAGINI HYPERION ............................................. 96 6.3.1.5 TEST DELLE PROCEDURE CNR-IFAC SU IMMAGINI PRISMA SIMULATE ................................................................................................... 97 6.3.2 METODO AUTONOMO DI CORREZIONE DI IMMAGINI IPERSPETTRALI ............................................................................................................................. 102 6.4 PRODOTTO “NOISE MODELING” .................................................................... 106 6.4.1 DESCRIZIONE ................................................................................................... 106 6.4.1.1 INTRODUZIONE ....................................................................................... 106 6.4.1.2 ANALISI DELLA SEQUENZA HYPERION DEL 19 DICEMBRE 2002 ... 106 6.4.1.3 ANALISI DELLA SEQUENZA HYPERION DEL 12 GIUGNO 2001 ........ 108 6.4.1.4 CONCLUSIONI.......................................................................................... 112 6.5 PRODOTTO “CARATTERISTICHE SPAZIALI E SPETTRALI” ..................... 113 6.5.1 MESSA A PUNTO METODOLOGIE PER LA STIMA DELLA MTF ............ 113 6.5.1.1 INTRODUZIONE – OGGETTI DI FORMA GEOMETRICA NOTA ......... 113 6.5.1.2 EDGE: REALIZZAZIONE DELL’IMMAGINE SINTETICA ..................... 114 6.5.1.2.1 PROCEDURA DI STIMA DELLA MTF .....................................................116 6.5.1.2.2 POSSIBILI APPROFONDIMENTI ..............................................................122 6.5.1.3 IMPULSO: REALIZZAZIONE DELL’IMMAGINE SINTETICA ............... 122 6.5.1.3.1 PROCEDURA DI STIMA DELLA MTF DASATA SULL’IMPULSO SPAZIALE ....................................................................................................124 6.5.1.3.2 RISULTATI OTTENUTI ..............................................................................128 6.5.1.3.3 CONCLUSIONI ............................................................................................132 6.5.1.4 STIMA MEDIANTE DATI MULTIRISOLUZIONE ................................... 132 6.6 PRODOTTO “FUSIONE IMMAGINI IPERSPETTRALI”................................ 135 6.6.1 DESCRIZIONE ................................................................................................... 136 6.6.1.1 Fusione di immagini iperspettrali con due pancromatici simulati con banda spettrale diversa ......................................................................................... 136 6.6.1.2 Hyper-sharpening SWIR-VNIR .................................................................. 138 6.6.1.3 Hyper-sharpening simulato VNIR .............................................................. 144 6.7 PRODOTTO “RIDUZIONE DELLA DIMENSIONALITÀ” ............................... 146 6.7.1 DESCRIZIONE ................................................................................................... 146 6.8 PRODOTTO “VALUTAZIONE DELLE POTENZIALITA’ APPLICATIVE PER I PROCESSI AMBIENTALI”................................................................................... 148 6.8.1 OBIETTIVI ATTIVITA’ .................................................................................... 148 6.8.2 APPROCCIO METODOLOGICO...................................................................... 148 6.8.3 Criteri di scelta dell’area test, acquisizione e preelaborazione dei dati .............. 149 6.8.4 COERENZA RADIOMETRICA TRA IL DATO HYPERION ed ALI ........... 156 6.8.4.1 Generazione di immagini ALI simulate a banda larga da immagini Hyperion a banda stretta ........................................................................... 157 4 6.8.4.2 Valutazione statistica delle bande ALI simulate ........................................ 160 6.8.5 CARATTERIZZAZIONE STATISTICA DELLE IMMAGINI HYPERION.... 165 6.8.6 POTENZIALITA’ AGGIUNTIVE DEL DATO IPERSPETTRALE................. 167 6.8.6.1 RISOLUZIONE SPETTRALE VS. RISOLUZIONE SPAZIALE ................. 173 6.8.7 WP 620 ANALISI DI AREE INTERESSATE DA INCENDI ........................... 174 6.8.7.1 APPROCCIO METODOLOGICO ............................................................. 174 6.8.7.2 Caso di studio ............................................................................................. 175 Perimetrazione delle aree interessate da incendio .................................................. 177 6.8.7.2.1 Selezione delle aree campione delle classi suolo nudo, suolo vegetato, suolo bruciato ..........................................................................................................177 6.8.7.2.2 discriminabilità delle aree incendiate mediante l’informazione multispettrale a banda larga .....................................................................................................179 6.8.7.2.3 Fire assessment con procedura MESMA .......................................................186 6.8.8 WP 610 – VALUTAZIONE DELLO STATO DI UMIDITA’ SUPERFICIALE ............................................................................................................................. 195 6.8.8.1 PREMESSA ................................................................................................ 195 6.8.8.2 OBIETTIVI ................................................................................................. 196 6.8.8.3 INQUADRAMENTO DELLA PROBLEMATICA - PRINCIPI FISICI....... 196 6.8.8.4 METODI PER LA STIMA DELLA SSM MEDIANTE TELERILEVAMENTO OTTICO...................................................................................................... 200 6.8.8.5 METODOLOGIA ....................................................................................... 201 6.8.8.6 DATI DISPONIBILI ................................................................................... 202 6.8.8.7 CONVERSIONE IN MISURE DI RIFLETTANZA E VALIDAZIONE COERENZA ATMOSFERICA MULTITEMPORALE ................................ 205 1.0 - 0.01674 · cos [ 0.01720 · (d - 4.0 )] ........................................................................... 206 6.8.8.8 Correlazione della informazione multispettrale e iperspettrale ................ 210 6.8.8.9 CORRELAZIONE SPETTRI DI RIFLETTANZA – MISURE PLUVIOMETRICHE .................................................................................. 214 6.8.8.10 Correlazione indici di umidità e misure pluviometriche............................ 218 6.8.8.11 CONCLUSIONI.......................................................................................... 220 BIBLIOGRAFIA .......................................................................................................... 221 6.8.8.12 APPENDICE A1......................................................................................... 222 Corrispondenza bande spettrali HYPERION ................................................................ 222 7 CONCLUSIONI ............................................................................................................ 223 5 1 EXECUTIVE SUMMARY 6 2 INTRODUZIONE 2.1 SCOPO DEL DOCUMENTO Questo volume raccoglie il frutto delle attività svolte per l’Agenzia Spaziale Italiana nel contratto n. I/018/11/0 “OPTIMA – Metodologie avanzate per l’analisi, l’integrazione e l’ottimizzazione dei prodotti di livello 1 e 2 della missione PRISMA” nell’ambito del bando per Studi Scientifici a Supporto della Missione PRISMA. Integrando i contributi dei partecipanti al progetto OPTIMA, il volume descrive le seguenti tematiche, che in parte sono state approfondite anche attraverso ripetuti incontri e scambi di informazioni con vari membri del team industriale della missione PRISMA: 1) La missione PRISMA. Obiettivi e caratteristiche con particolare riguardo ai payload ottici ed al segmento di terra. 2) La simulazione delle prestazioni, attraverso la simulazione di immagini reali e sintetiche, la simulazione degli effetti dell’atmosfera e la simulazione della risposta dello strumento. 3) L’organizzazione dei prodotti di PRISMA. 4) Il prodotto di radianza al sensore. 5) Il prodotto di riflettanza a terra. 6) Il noise modeling. 7) Le caratteristiche spaziali e spettrali. 8) La fusione di immagini. 9) La riduzione di dimensionalità. 10) Le applicazioni dei dati telerilevati ad alta risoluzione spettrale e spaziale a vari settori descrittivi dell’ambiente ed al monitoraggio di calamità e disastri naturali ed antropici. Questo volume è stato preceduto da “PRISMA Products and Applications – Stato dell’arte” (documento CNR-IFAC/SOASAR/120423), che, sulla base dell’esperienza accumulata da diversi anni dal CNR-IFAC nel campo della sensoristica aerospaziale e del telerilevamento ottico iperspettrale, descrive allo stato dell’arte le tematiche sopra indicate. 7 2.2 DEFINIZIONI, ACRONIMI ED ABBREVIAZIONI 2.2.1 DEFINIZIONI 2.2.2 ACRONIMI ED ABBREVIAZIONI 4A/OP 6SV1/6S ADEOS AGILE AFCRL AFRL AISI ALI ARSIS ASI ASAR ASTER ATBD ATCOR ATREM ATSR ATW AVHRR AVIRIS AWL BAI BAIM BSM BT CA CBI CIBR CHRIS CNR CNRS COCHISE COMANCHE CRM CS DEM Automatized Atmospheric Absorption Atlas Second Simulation of a Satellite Signal in the Solar Spectrum, Vector Advanced Earth Observing Satellite Astro-rivelatore Gamma a Immagini LEggero Air Force Cambridge Research Laboratories l’Air Force Research Laboratory l’Infrared Atmospheric Sounding Interferometer Advanced Land Imager Amelioration de la Resolution Spatiale par Injection de Structures Agenzia spaziale italiana Advanced Synthetic Aperture Radar Advanced Spaceborne Thermal Emission and Reflection Radiometer Algorithm Theoretical Basis Documents Atmospheric CORrection Atmosphere REMoval program Along Track Scanning Radiometers Á “Trous” Wavelet. Advanced Very High Resolution Radiometer Airborne Visible/Infrared Imaging Spectrometer Abdominal Wall Lifting Burned Area Index BAI adattato a MODIS Burn Scars Maps Brovey Transforms context adaptive Composite Burn Index Continuum Interpolated Band Ratio Compact High Resolution Imaging Spectrometer Consiglio Nazionale delle Ricerche Centre National de la Recherche Scientifique COde de Correction atmospherique Hyperspectrale d’Images de Senseurs Embarques COde de Modelisation pur l’ANalyse des Cibles Hyperspectrales vues en Entree instrument Column Radiation Model Component Substitution Digital Elevation Model 8 DISORT DMC DUP DWT EnMAP ENVISAT EO EOS ERGAS ERS ESA EWT EWTc FASCODE FASE FLAASH FOV FUTBOLIN FWHM GCP GEISA GEMI GIS GLI GLP GOES GPR GS GSD GSFC GVMI HDF HIS HITRAN HYDICE Hyper-SIMGA HYPERION Hypseo HPF HRVIR HS HSI HWHM IFAC IFOV IHS IPSL IRS Discrete Ordinates Radiative Transfer Program for a Multi-Layered Plane-Parallel Medium Dry Matter Content Data User Program Decimated Wavelet Tecnique Environmental Mapping and Analysis Program Environmental Satellit Earth Observed Earth Observing System Erreur Relative Globale Adimensionnelle de Synthèse European Remote Sensing satellite European Space Agency Equivalent Water Thickness canopy Equivalent Water Thickness Fast Atmospheric Signature Code FASCODE for the Environment Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes Field of View FUll Transfer By Optimized LINe-by-line methods Full Width Half Maximum Ground Control Point Gestion et Etude des Informations Spectroscopiques Atmosphériques: Management and Study of Spectroscopic Information Global Environment Monitoring Index Geographical Information System GLobal Imager Generalized Laplacian Pyramid Geostationary Operational Environmental Satellites Ground Penetrating Radar Gram-Schmidt Ground sampling Distance Goddard Space Flight Center Global Vegetation Moisture Index Hierarchical Data Format Hue-Saturation_intensity HIgh-resolution TRANsmission molecular absorption database Hyperspectral Digital Imagery Collection Experiment Hyperspectral - Sistema Iperspettrale Multisensoriale Galileo Avionica Hyperspectral Imaging Spectrometer Hyperspectral Earth Observer High Pass Filter Haute Résolution dans le Visible et l'Infra-Rouge Hyper Spectral Hyper Spectral Imager Half Width At Half-Maximum Istituto di Fisica Applicata “Nello Carrara” Istantaneous Filed of View Intensity Hue Saturation Institut Pierre Simon Laplace Indian Remote Sensing Satellite 9 ITALSCAR JHM KARINE LAC LAI LAS LEO LBLRTM libRadtran LUT LWIR MATISSE MC MCC MCT MIR MERIS MESMA MIVIS MODIS MODTRAN MORFEO MRA MS MSG HRV MSU MTF MWIR NASA NBR NCSA NDVI NDWI NESR NIR NOAA ONERA OPERA ORASIS PAN PCA PDHT PRISMA PROSA Q4 QUAC RFM RPC RTE Burned Forest Mapping from Space Joint Hyperspectral Mission K-distribution Atmospheric Radiation: Infrared Net Exchanges LEISA Atmospheric Corrector Leaf Area Index Large Angle Scattering Low Earth Orbit Line-Ny-Line Radiative Transfer Model library for radiative transfer Look Up Table LongWave Infra-Red Modélisation Avancée de la Terre pour l' Imagerie et la Simulation des Scènes et de leur Environnement Monte Carlo Mission Control Centre Mercurium Cadmium Telluride Medium Infra-Red MEdium Resolution Imagining Spectrometer Multiple End-members Spectral Mixture Analysis Multispectral Infrared and Visible Imaging Spectrometer Moderate Resolution Imaging Spectroradiometer Moderate Resolution Atmospheric Radiance and Transmittance Model Landslide Monitoring and Risk with Earth Observation data Multi-Resolution Analysis MultiSpettrale Meteosat Second Generation High Resolution Visible Microwave Sounding Unit Modulation Transfer Function Medium Wave Infra-Red National Aeronautics and Space Administration Normalized Burnt Ratio National Centre for Supercomputing Applications Normalized Difference Vegetation Index Normalized Difference Water Index Noise Equivalent Spectral Radiance Near Infra-Red National Oceanic and Atmospheric Adninistration Office National d’Etudes et Recherches Aerospatiales Operational Eo-based RAinfall Optical Real-time Adaptive Signature Identification System Camera pancromatica Principal Component Analysis Payload Data Handling and Transmission PRecursore IperSpettrale della Missione Applicativa Prodotti di Osservazione Satellitare per Allerta Meteorologica 4 bands Quality index QUick Atmospheric Correction Reference Foeward Model Rational Polinomial Coefficient Radiative Transfer Equation 10 RTI RRTM RTTOV SAM SAR SAS SBDART SCC SEVIRI SFIM SCIATRAN SHARM SHDOM SIASGE SNR SPOT SWIR SSO SIGRI TDR TIR TLE TM TMA TOAR VIRS VNIR VPI Raggruppamento Temporaneo d’Imprese Rapid Radiative Transfer Model Radiative Transfer Code Spectral Angle Mapper Synthetic Aperture Radar Small Angle Scattering Santa Barbara DISORT Atmospheric Radiative Transfer Satellite Control Centre Spinning Enhanced Visibile and Infrared Imager Smoothing Filter-Based Intensity Modulation Radiative Transfer Model and Retrieval Algorithm Spherical Harmonics code Spherical Harmonic Discrete Ordinate Method Sistema Italo Argentino de Satélites para la Gestion de Emergencias Signal to Noise Ratio Satellite Pour l'Observation de la Terre Short Wave Infra-Red Spatial Standard Observer Sistema Integrato per Gestione Rischi Incendi Time-Domain riflectometry Thermal Infra-Red Thermal Local Equilibrium Thematic Mapper Three-Mirror-Anastigmat Top Of Atmosphere Radiance Visible and Infrared Scanner Visible Near Infra-Red Verbraucherpreisindex Tab. 2-1: Lista degli acronimi e abbreviazioni. 11 2.3 DOCUMENTI APPLICABILI E DI RIFERIMENTO 1. Contratto n. I/018/11/0 tra ASI e CNR – IFAC “OPTIMA: metodeologie avanzate per l’analisi l’integrazione e l’ottimizzazione dei prodotti di livello 1 e 2 della missione PRISMA” Aprile 2011. 2. Proposta Scientifica “OPTIMA: metodeologie avanzate per l’analisi l’integrazione e l’ottimizzazione dei prodotti di livello 1 e 2 della missione PRISMA” CNR-IFAC, 23 settembre 2009. 3. Estratto del Mission Requirements Document per le attività industriali di Fase B2/C/D/E1 di PRISMA. Documento ASI DC-OST-2011-032 del 11/04/2011. 4. Documento “PRISMA Products and applications- Stato dell’Arte” del progetto OPTIMA, aprile 2012 5. PRISMA Payload Design Description Document (Part Number T00854280000) Documento Selex Galileo PRS-DD-GAF-002 del 20/02/2012. 12 3 OBIETTIVI DEL PROGETTO Il progetto OPTIMA si propone di accrescere e consolidare le potenzialità applicative della missione PRISMA attraverso l’implementazione di metodologie avanzate per l’analisi, l’integrazione e l’ottimizzazione dei prodotti di livello 1 e 2. Questa attività, oltre alla stima dei prodotti, darà luogo anche allo sviluppo di vari algoritmi di elaborazione e preelaborazione dei dati che verranno acquisiti dallo spettrometro ad immagine e dalla camera pancromatica di PRISMA. Da un punto di vista metodologico, il progetto si pone l’obiettivo di sfruttare la particolare integrazione ottica dei sensori PRISMA, dove la camera pancromatica ed il sensore iperspettrale condividono lo stesso sistema ottico d’ingresso. Questa circostanza potrà avere ricadute importanti per le attività e gli algoritmi di image enhancement, image restoration e data fusion, e potrebbe dar luogo a miglioramenti importanti nei prodotti del telerilevamento di ordine 2 e superiori. Per testare le applicazioni sviluppate per il progetto PRISMA è necessaria la generazioni di dati sintetici e immagini simulate che siano verosimili e affini alle osservazioni della missione PRISMA. Nella prima parte del progetto si ricorrerà quindi alla simulazione di dati e/o immagini attraverso la messa a punto di apposite procedure che, tenendo conto sia delle caratteristiche operative della missione che di quelle tecniche dei suoi sensori ottici, permettano di ricreare le modalità di acquisizione partendo da scenari realistici. Un altro obiettivo del progetto riguarda le caratteristiche generali di autonomia e rapidità d’esecuzione delle procedure di calcolo che saranno considerate e/o implementate. Gli algoritmi sviluppati si baseranno, tutte le volte che ciò sarà possibile, sull’impiego di tecniche automatiche di calcolo e di stima. In altre parole, si darà la preferenza alle metodologie autonome di elaborazione dei dati e delle immagini acquisiti, da eseguirsi senza la continua interazione con un operatore, così da snellire e standardizzare le operazioni del segmento di terra. Tra tutti gli algoritmi autonomi saranno preferiti quelli che richiederanno per la loro esecuzione la minore potenza di calcolo. Infine le attività del progetto, in particolare per le fasi di simulazione dei dati PRISMA e di validazione dei prodotti ottenuti con i vari algoritmi, trarranno vantaggio dall’utilizzazione di due aree di studio, calibrazione e validazione del CNR-IFAC, una da tempo operativa all’interno del Parco Naturale di San Rossore (Pisa) e l’altra in allestimento a Sesto Fiorentino (Firenze). 13 4 LA MISSIONE PRISMA 4.1 OBIETTIVI PRISMA (PRecursore IperSpettrale della Missione Applicativa) è un sistema di Osservazione della Terra con strumentazione elettro-ottica di tipo innovativo, che integra un sensore iperspettrale con una camera pancromatica a media risoluzione. I vantaggi di tale combinazione consistono nell’aggiungere alla classica capacità di osservazione basata sul riconoscimento delle caratteristiche geometriche della scena, quella offerta dalla sensoristica iperspettrale, che permette di determinare la composizione chimico-fisica degli oggetti presenti nella scena. Questo offre alla comunità scientifica e agli utenti numerose applicazioni nei campi del monitoraggio ambientale, della gestione delle risorse, della classificazione delle colture, del controllo dell’inquinamento, etc. Ulteriori applicazioni sono possibili anche nel campo della Sicurezza Nazionale. PRISMA capitalizza precedenti investimenti ASI nel campo delle "piccole missioni" (ad es., AGILE), dei carichi utili iperspettrali (ad es., Hypseo, JHM), delle piattaforme satellitari (MITA / PRIMA) e dei centri di ricezione ed elaborazione dati telerilevati (COSMO-SkyMed e CNM), che hanno consentito all'industria nazionale, in tali ambiti, di acquisire competenze e sviluppare/consolidare prodotti di assoluto rilievo. PRISMA costituisce una “piccola” missione nazionale con natura dimostrativa/tecnologica e pre-operativa i cui obiettivi fondamentali sono: • realizzare una piccola missione interamente nazionale per il monitoraggio delle risorse naturali e delle caratteristiche dell’atmosfera, capitalizzando gli sviluppi pregressi effettuati dall’ASI • rendere disponibili nel breve periodo i dati necessari alla comunità scientifica per sviluppare nuove applicazioni per l’osservazione del territorio e il supporto alla gestione del rischio ambientale e, basate su immagini ad alta risoluzione spettrale • qualificare in orbita il carico utile iperspettrale – per primi o tra i primi a livello europeo. Le applicazioni ad oggi identificate come prioritarie per l’ASI sono: • Monitoraggio ambientale • Inventario e monitoraggio delle foreste • Mappatura geologica • Diagnostica ed indicatori agricoli, mappe di land cover e inventario delle coltivazioni • Definizione della produttività degli ecosistemi acquatici costieri e delle acque interne • Monitoraggio del ciclo del carbonio • Mappatura delle aree urbane e funzionali • Sicurezza • Caratterizzazione atmosferica • Supporto alla gestione del rischio (incendi, frane, vulcani e terremoti). Lo spettrometro ad immagine ed una camera pancromatica della missione PRISMA potranno osservare tutta la Terra con particolare riguardo all’area, rappresentata in Fig. 4.1, di coordinate: longitudine tra 100W e 500E, latitudine tra 300N e 700N. 14 Fig. 4.1: Area di interesse. Il “procurement” del servizio di lancio è a carico dell’ASI; la baseline di lancio è costituita da VEGA, ma il satellite deve essere compatibile con i lanciatori della classe “piccola” (Rockot, Dnepr, etc.). Lo svolgimento delle attività di missione è stato affidato dall’ASI ad un Raggruppamento Temporaneo d’Imprese (RTI), costituito da OHB - Compagnia Generale per lo Spazio S.p.A. (ex Carlo Gavazzi Space S.p.A.) in qualità di mandataria e da Selex - Galileo S.p.A. e Rheinmetall Italia S.p.A. (attualmente Telematic Solutions) in qualità di mandanti. Tale raggruppamento gestisce a sua volta un team che vede la partecipazione alle attività di ulteriori ed importanti realtà industriali nazionali operanti nel settore. Il contratto assegna al Contraente la responsabilità “end-to-end” per lo sviluppo e la realizzazione del sistema fino al commissioning in orbita (Fase B2/C/D/E1) 15 4.2 SEGMENTO SPAZIALE Il Segmento Spaziale (Fig. 4.2) è costituito dai seguenti elementi: • La piattaforma • Il payload iperspettrale e pancromatico • Il Payload Data Handling and Transmission (PDHT) Fig. 4.2: Il satellite PRISMA Fig. 4.3 : Diagramma a blocchi del segmento spaziale. 16 4.2.1 CARATTERISTICHE OPERATIVE Le caratteristiche operative del satellite PRISMA sono riportate in Tab. 4.1, mentre la Tab. 4.2 mostra un TLE (Two-Line Element) che rispetta i parametri orbitali richiesti. CARATTERISTICHE DEL SATELLITE: Data di lancio prevista: Vita operativa: Tipo di orbita: Quota nominale, massima e minima: Semi-asse maggiore dell’orbita: Eccentricità: Inclinazione: Periodo: Fattore di ripetizione: Attraversamento dell'equatore: Periodo di ripetizione: Periodo di rivisitazione: Angolo di rollio massimo utile: Angolo di beccheggio: Stabilità di puntamento: Accuratezza di puntamento: Geolocazione: Sensori imbarcati: Separazione tra le camere: PRISMA 2016 3 anni (più 2 anni) LEO SSF (circolare, polare, sincrona solare frozen) 620 km, 628 km, 612 km 6992,935 km 0,0011403 97,851o 5819,7 sec 14,83 pari a 14,85 rev/giorno 10:30 ora locale, discendente 29 giorni < 7 giorni ± 18,20 ± 30 Drift (Low frequency) : 9.68 μrad / 99.8% del tempo di integrazione sul piano focale. Jitter : random con distribuzione normale, (media = 0, σ = 1,44 μrad sul tempo di integrazione, max angular error rate < 6.96 mrad/s). < 1 km a terra nelle due direzioni < 200 m a terra nelle due direzioni Camera pancromatica Camera iperspettrale 0,36o (3,90 km al suolo @ 620 km) Tab. 4-1: Caratteristiche del satellite PRISMA. 0 PRISMA 1 12345U 16010B 16244.45830000 .00000000 00000-0 00000-0 0 0002 2 12345 097.8510 317.5000 0011300 090.0000 185.6565 14.85000000 34737 Tab. 4-2: Esempio di TLE tipico per il satellite PRISMA utilizzato per le simulzioni di Fig. 4.4. Column 01 03-07 08 10-11 12-14 15-17 Line 1 Description Line Number of Element Data Satellite Number Classification (U=Unclassified) International Designator (Last two digits of launch year) International Designator (Launch number of the year) International Designator (Piece of the launch) 17 19-20 21-32 34-43 45-52 54-61 63 65-68 69 Column 01 03-07 09-16 18-25 27-33 35-42 44-51 53-63 64-68 69 Epoch Year (Last two digits of year) Epoch (Day of the year and fractional portion of the day) First Time Derivative of the Mean Motion Second Time Derivative of Mean Motion (decimal point assumed) BSTAR drag term (decimal point assumed) Ephemeris type Element number Checksum (Modulo 10) (Letters, blanks, periods, plus signs = 0; minus signs = 1) Line 2 Description Line Number of Element Data Satellite Number Inclination [Degrees] Right Ascension of the Ascending Node [Degrees] Eccentricity (decimal point assumed) Argument of Perigee [Degrees] Mean Anomaly [Degrees] Mean Motion [Revs per day] Revolution number at epoch [Revs] Checksum (Modulo 10) Tab. 4-3: Descrizione del significato dei parametri che costituiscono il Two-Line Element. Fig. 4.3: Visualizzazione fisica dei parametri contenuti nei TLE. dove: a: Semi asse maggiore dell’orbita E0: Eccentricità: 0 = circolare, minore di 1 = ellittica I0: Inclinazione (gradi). È l’angolo compreso tra l’equatore e il piano dell’orbita O0: Ascensione Retta del Nodo Ascendente (gradi). È l’angolo tra l’equinozio vernale e il punto in cui l’orbita attraversa il piano equatoriale salendo verso nord. W0: Argomento del Perigeo (gradi). È l’angolo compreso tra il nodo ascendente ed il punto dell’orbita più vicino alla Terra (perigeo). 18 M0: Anomalia vera (gradi). È l’angolo fra il perigeo ed il satellite nel piano orbitale. Apogeo: E’ il punto più distante dalla Terra. Perigeo: E’ il punto più vicino dalla Terra. Ra: Distanza dal centro della Terra al punto di apogeo. Linea dei Nodi:I punti dove il satellite attraversa l’equatore. Fig. 4.4: Simulazione effettuata utilizzando un TLE tipico per l’epoch 2016-09-24 10:30:00. * PROGRAM SATELTRACK * C.N.R. - I.F.A.C. * * ----------------------------------------------- * * 0 PRISMA Satellite tracking prediction * - INTERESTED AREA RADIUS (KM): NORTH LATITUDE AREA CENTER: EAST LONGITUDE AREA CENTER: STATION NAME: INITIAL REVOLUTION: FINAL REVOLUTION: SAMPLING INTERVAL (MIN): 200.0 43.73 10.30 SAN ROSSORE 3475.0 4475.0 0.1000 - SATELLITE NUMBER: EPOCH YEAR: EPOCH DAY: FIRST TIME DERIV. OF MEAN MOTION (REV/DAY**2): SECOND TIME DERIV. OF MEAN MOTION (REV/DAY***3): INCLINATION (DEGREES): RIGHT ASCENSION OF THE ASCENDING NODE (DEGREES): ECCENTRICITY: ARGUMENT OF PERIGEE (DEGREES): MEAN ANOMALY (DEGREES): MEAN MOTION (REVS PER DAY): REVOLUTION NUMBER AT EPOCH (REVS): XTAU: TETZZ: 19 12345 2016 244.4583000000000 0.000000000000000 0.000000000000000 97.85099999999999 317.5000000000000 1.1299999999E-003 90.00000000000000 185.6564999999999 14.85000000000000 3473 1.000000000000000 99.85230255126953 SEM. MAGG. APPROSS. ALL'EPOCA (E.R.)= CORREZ. DEL SEMIASSE MAGG. APPROSS.= SEMIASSE MAGGIORE ALL'EPOCA (E.R.)= SEMIASSE MAGG. MEDIO ALL'EPOCA (KM)= PRIMO TERM. DELL'ASC. N.A. (DEG./DAY)= PRIMO TERM. ARG. PERIG.(DEG./DAY)= PRIMO TERM. DERIV. DELL'ECCENTRICITA'= PRIMO TERM. DER. SEM. MAGG.(E.R./DAY)= SEC. TERM. DER. SEM. MAG.(E.R./DAY**2)= SEC. TERM. DER. ASC. RETTA N.A.= SEC. TERM. DERIV. ARGOM. PERIGEO= SEC. TERM. DERIV. DELL'ECCENTRICITA'= PERIODO ANOMALISTICO ALL'EPOC.(MIN.)= LATIT. GEOCENTRICA DEL PERIGEO(DEG.)= ALTITUDINE APPROSS. DELL'APOGEO (KM)= ALTITUDINE APPROSS. DEL PERIGEO (KM)= 0.1096201E+01 0.6374423E-03 0.1096434E+01 0.6993207E+04 0.9857698E+00 -0.3271668E+01 -0.0000000E+00 -0.0000000E+00 0.0000000E+00 0.0000000E+00 -0.0000000E+00 0.0000000E+00 0.9696970E+02 0.8214899E+02 0.6439609E+03 0.6281563E+03 YEAR: 16 DAY: 244 SAT. 312 REV. 3479 GMT LONG LAT ALTITUDE SAT LST 21 16.300 10.524 42.065 619.155 21 58.4 21 16.400 10.407 42.431 619.254 21 58.0 21 16.500 10.289 42.796 619.353 21 57.7 21 16.600 10.170 43.162 619.453 21 57.3 21 16.700 10.050 43.527 619.553 21 56.9 21 16.800 9.928 43.892 619.653 21 56.5 21 16.900 9.805 44.257 619.753 21 56.1 21 17.000 9.682 44.622 619.854 21 55.7 21 17.100 9.556 44.987 619.955 21 55.3 21 17.200 9.430 45.351 620.056 21 54.9 SUBDIST 185.919 144.653 103.778 64.035 30.255 34.833 70.662 110.697 151.637 192.905 AZIM 174.282 176.508 180.483 189.471 221.816 301.242 326.146 333.772 337.327 339.373 ELEV 71.701 75.595 79.573 83.527 86.933 86.469 82.862 78.889 74.920 71.045 SL.DIST 649.649 637.991 629.163 623.284 620.438 620.666 623.963 630.280 639.527 651.577 YEAR: 16 DAY: 250 SAT. 312 REV. 3561 GMT LONG LAT ALTITUDE SAT LST 10 17.400 10.327 45.386 622.366 10 58.7 10 17.500 10.200 45.022 622.276 10 58.3 10 17.600 10.075 44.657 622.186 10 57.9 10 17.700 9.951 44.293 622.096 10 57.5 10 17.800 9.828 43.928 622.007 10 57.1 10 17.900 9.707 43.563 621.917 10 56.7 10 18.000 9.586 43.198 621.828 10 56.3 10 18.100 9.467 42.833 621.739 10 56.0 10 18.200 9.349 42.468 621.650 10 55.6 SUBDIST 184.088 143.798 104.617 68.484 43.759 51.188 82.507 120.322 160.099 AZIM 0.648 356.874 350.210 336.086 300.361 248.970 224.494 214.350 209.150 ELEV 71.918 75.718 79.522 83.103 85.583 84.836 81.709 77.991 74.175 SL.DIST 650.975 639.785 631.426 626.012 623.620 624.287 628.004 634.717 644.333 YEAR: 16 DAY: 250 SAT. 312 REV. 3568 GMT LONG LAT ALTITUDE SAT LST 21 12.000 11.488 42.510 617.696 21 58.0 21 12.100 11.370 42.876 617.810 21 57.6 21 12.200 11.250 43.241 617.924 21 57.2 21 12.300 11.129 43.607 618.038 21 56.8 21 12.400 11.008 43.972 618.153 21 56.4 21 12.500 10.885 44.337 618.268 21 56.0 21 12.600 10.760 44.702 618.383 21 55.6 21 12.700 10.635 45.067 618.498 21 55.2 21 12.800 10.508 45.432 618.614 21 54.8 SUBDIST 166.322 128.430 93.905 68.071 62.766 82.064 114.093 150.953 189.846 AZIM 144.181 137.287 125.003 101.323 64.384 34.491 18.588 10.030 4.906 ELEV 73.497 77.132 80.526 83.107 83.640 81.705 78.531 74.954 71.289 SL.DIST 642.226 632.595 625.882 622.183 621.549 623.990 629.468 637.905 649.183 20 YEAR: 16 DAY: 256 SAT. 312 REV. 3650 GMT LONG LAT ALTITUDE SAT LST 10 13.000 11.412 45.330 624.934 10 58.6 10 13.100 11.285 44.966 624.849 10 58.2 10 13.200 11.160 44.602 624.764 10 57.8 10 13.300 11.037 44.237 624.679 10 57.4 10 13.400 10.914 43.873 624.594 10 57.1 10 13.500 10.793 43.508 624.510 10 56.7 10 13.600 10.673 43.143 624.425 10 56.3 10 13.700 10.554 42.779 624.340 10 55.9 10 13.800 10.436 42.414 624.256 10 55.5 10 13.900 10.319 42.049 624.171 10 55.2 SUBDIST 198.419 158.097 118.689 81.537 51.764 46.710 71.809 107.725 146.722 186.884 AZIM 25.962 29.350 35.009 46.016 71.952 121.706 155.100 168.919 175.643 179.520 ELEV 70.667 74.412 78.189 81.834 84.798 85.304 82.800 79.261 75.500 71.738 SL.DIST 658.049 645.993 636.705 630.308 626.892 626.507 629.159 634.811 643.384 654.765 YEAR: 16 DAY: 256 SAT. 312 REV. 3657 GMT LONG LAT ALTITUDE SAT LST 21 7.700 12.448 42.962 617.100 21 57.5 21 7.800 12.328 43.328 617.231 21 57.1 21 7.900 12.207 43.693 617.362 21 56.7 21 8.000 12.085 44.058 617.494 21 56.3 21 8.100 11.962 44.423 617.626 21 55.9 21 8.200 11.837 44.788 617.758 21 55.5 21 8.300 11.712 45.153 617.891 21 55.1 SUBDIST AZIM 193.464 115.439 169.452 104.606 153.286 90.881 147.561 75.070 153.448 59.279 169.739 45.598 193.825 34.810 ELEV 70.941 73.182 74.718 75.267 74.702 73.154 70.906 SL.DIST 649.783 642.382 637.908 636.422 637.943 642.450 649.880 YEAR: 16 DAY: 257 SAT. 312 REV. 3672 GMT LONG LAT ALTITUDE SAT LST 21 23.000 8.749 42.472 616.886 21 58.0 21 23.100 8.630 42.837 617.020 21 57.6 21 23.200 8.511 43.203 617.153 21 57.2 21 23.300 8.390 43.568 617.287 21 56.9 21 23.400 8.269 43.933 617.422 21 56.5 21 23.500 8.146 44.299 617.556 21 56.1 SUBDIST 188.181 167.614 155.755 154.616 164.417 183.407 AZIM 222.521 234.274 248.516 263.979 278.608 290.904 ELEV 71.429 73.356 74.482 74.591 73.658 71.872 SL.DIST 648.048 641.824 638.537 638.232 640.912 646.538 YEAR: 16 DAY: 262 SAT. 312 REV. 3739 GMT LONG LAT ALTITUDE SAT LST 10 8.800 12.250 44.560 627.441 10 57.8 10 8.900 12.127 44.196 627.355 10 57.4 10 9.000 12.004 43.832 627.269 10 57.0 10 9.100 11.883 43.468 627.183 10 56.6 10 9.200 11.763 43.103 627.096 10 56.3 10 9.300 11.644 42.739 627.010 10 55.9 10 9.400 11.527 42.374 626.924 10 55.5 SUBDIST 180.828 155.030 137.221 130.713 137.129 154.875 180.646 AZIM 58.638 69.841 84.670 102.339 120.022 134.882 146.113 ELEV 72.352 74.762 76.454 77.078 76.465 74.781 72.377 SL.DIST 655.143 647.887 643.508 642.066 643.582 648.036 655.370 YEAR: 16 DAY: 263 SAT. 312 REV. 3754 GMT LONG LAT ALTITUDE SAT LST 10 24.200 8.437 44.694 627.913 10 57.9 10 24.300 8.313 44.330 627.826 10 57.6 10 24.400 8.190 43.966 627.739 10 57.2 10 24.500 8.068 43.602 627.652 10 56.8 10 24.600 7.948 43.237 627.565 10 56.4 SUBDIST 183.054 172.226 171.140 179.976 197.409 AZIM 306.465 293.464 279.538 266.221 254.704 ELEV 72.157 73.161 73.263 72.445 70.849 SL.DIST 656.227 653.046 652.779 655.430 660.965 YEAR: 16 DAY: 263 SAT. 312 REV. 3761 GMT LONG LAT ALTITUDE SAT LST 21 18.500 9.945 42.193 617.078 21 58.3 21 18.600 9.827 42.559 617.228 21 57.9 21 18.700 9.709 42.925 617.378 21 57.5 21 18.800 9.589 43.290 617.529 21 57.2 21 18.900 9.468 43.655 617.681 21 56.8 21 19.000 9.346 44.021 617.832 21 56.4 SUBDIST 173.227 135.680 101.483 75.335 67.361 82.967 AZIM 189.725 196.577 208.312 229.780 263.224 293.251 ELEV 72.834 76.419 79.769 82.374 83.174 81.611 SL.DIST 643.742 633.799 626.756 622.712 621.724 623.806 21 21 19.100 21 19.200 21 19.300 9.223 9.099 8.973 44.386 44.751 45.116 112.749 310.652 148.400 320.284 186.582 326.094 78.658 75.194 71.587 628.926 637.010 647.946 YEAR: 16 DAY: 269 SAT. 312 REV. 3843 GMT LONG LAT ALTITUDE SAT LST 10 19.600 9.782 45.397 630.500 10 58.7 10 19.700 9.656 45.033 630.406 10 58.3 10 19.800 9.531 44.669 630.311 10 57.9 10 19.900 9.407 44.306 630.216 10 57.5 10 20.000 9.284 43.942 630.121 10 57.1 10 20.100 9.163 43.578 630.026 10 56.8 10 20.200 9.043 43.214 629.931 10 56.4 10 20.300 8.924 42.849 629.835 10 56.0 10 20.400 8.806 42.485 629.740 10 55.6 SUBDIST 189.703 153.592 121.066 95.853 84.761 92.993 116.529 148.254 183.983 AZIM 347.692 340.759 329.846 312.174 286.467 259.905 240.926 229.160 221.744 ELEV 71.604 74.955 78.052 80.496 81.582 80.777 78.492 75.464 72.137 SL.DIST 660.526 650.172 642.618 637.965 636.277 637.580 641.854 649.044 659.053 YEAR: 16 DAY: 269 SAT. 312 REV. 3850 GMT LONG LAT ALTITUDE SAT LST 21 14.100 11.024 42.277 618.288 21 58.2 21 14.200 10.907 42.642 618.453 21 57.8 21 14.300 10.788 43.008 618.620 21 57.5 21 14.400 10.668 43.373 618.786 21 57.1 21 14.500 10.547 43.738 618.953 21 56.7 21 14.600 10.425 44.103 619.121 21 56.3 21 14.700 10.301 44.468 619.288 21 55.9 21 14.800 10.177 44.833 619.456 21 55.5 21 14.900 10.051 45.198 619.624 21 55.1 SUBDIST 171.921 130.508 89.431 49.522 19.856 42.687 82.065 123.006 164.342 AZIM 159.723 157.660 153.677 143.101 87.250 13.491 0.076 355.470 353.180 ELEV 72.985 76.944 80.982 84.981 87.984 85.672 81.716 77.676 73.704 SL.DIST 644.494 633.776 625.938 621.089 619.300 620.594 624.953 632.311 642.565 YEAR: 16 DAY: 275 SAT. 312 REV. 3932 GMT LONG LAT ALTITUDE SAT LST 10 15.200 10.879 45.383 632.378 10 58.7 10 15.300 10.753 45.020 632.271 10 58.3 10 15.400 10.628 44.657 632.164 10 57.9 10 15.500 10.504 44.293 632.056 10 57.5 10 15.600 10.382 43.929 631.949 10 57.1 10 15.700 10.260 43.566 631.841 10 56.7 10 15.800 10.140 43.202 631.733 10 56.4 10 15.900 10.021 42.838 631.624 10 56.0 10 16.000 9.903 42.473 631.516 10 55.6 10 16.100 9.786 42.109 631.407 10 55.2 SUBDIST 189.392 147.822 106.247 64.671 23.105 18.553 60.122 101.718 143.320 184.929 AZIM 13.807 13.924 14.120 14.546 16.443 189.894 192.430 192.906 193.116 193.239 ELEV 71.679 75.536 79.512 83.577 87.698 88.151 84.027 79.953 75.966 72.095 SL.DIST 662.231 650.521 641.563 635.474 632.338 632.201 635.065 640.891 649.600 661.077 YEAR: 16 DAY: 275 SAT. 312 REV. 3939 GMT LONG LAT ALTITUDE SAT LST 21 9.800 11.988 42.717 620.422 21 57.8 21 9.900 11.869 43.082 620.600 21 57.4 21 10.000 11.749 43.447 620.779 21 57.0 21 10.100 11.628 43.812 620.958 21 56.6 21 10.200 11.506 44.177 621.137 21 56.2 21 10.300 11.382 44.542 621.316 21 55.8 21 10.400 11.257 44.906 621.495 21 55.4 21 10.500 11.131 45.271 621.675 21 55.0 SUBDIST AZIM 177.139 128.891 145.759 119.068 120.838 104.579 106.983 84.646 108.513 62.336 124.858 43.359 151.286 29.877 183.486 20.755 ELEV 72.543 75.512 77.920 79.276 79.126 77.531 74.987 71.958 SL.DIST 647.939 639.343 633.657 630.961 631.290 634.640 640.961 650.167 YEAR: 16 DAY: 276 SAT. 312 REV. 3954 GMT LONG LAT ALTITUDE SAT LST 21 25.400 7.933 43.319 621.103 21 57.1 21 25.500 7.812 43.684 621.283 21 56.7 SUBDIST AZIM 196.136 257.350 199.934 269.395 ELEV 70.796 70.450 SL.DIST 654.352 655.655 YEAR: 16 DAY: 281 SAT. 617.985 21 56.0 618.137 21 55.6 618.290 21 55.2 312 REV. 4021 22 GMT 10 10.900 10 11.000 10 11.100 10 11.200 10 11.300 10 11.400 10 11.500 10 11.600 10 11.700 LONG 11.852 11.727 11.604 11.481 11.360 11.240 11.121 11.003 10.886 LAT 45.015 44.652 44.289 43.925 43.561 43.198 42.834 42.470 42.105 ALTITUDE 633.377 633.254 633.130 633.007 632.883 632.758 632.634 632.509 632.385 SAT LST 10 58.3 10 57.9 10 57.5 10 57.1 10 56.7 10 56.4 10 56.0 10 55.6 10 55.2 SUBDIST 188.715 153.099 121.304 97.165 87.290 96.184 119.740 151.262 186.761 AZIM 40.258 47.485 58.763 76.699 102.033 127.647 146.025 157.598 164.996 ELEV 71.769 75.063 78.079 80.408 81.370 80.504 78.230 75.238 71.951 SL.DIST 663.108 652.950 645.575 641.081 639.529 640.941 645.298 652.544 662.582 YEAR: 16 DAY: 281 SAT. 312 REV. 4028 GMT LONG LAT ALTITUDE SAT LST 21 5.700 12.713 43.873 623.461 21 56.6 21 5.800 12.590 44.238 623.647 21 56.2 21 5.900 12.466 44.603 623.833 21 55.8 SUBDIST 194.177 191.637 198.061 AZIM 84.455 72.070 59.934 ELEV 71.032 71.266 70.679 SL.DIST 655.766 654.994 657.137 YEAR: 16 DAY: 282 SAT. 312 REV. 4043 GMT LONG LAT ALTITUDE SAT LST 21 20.700 9.374 42.284 623.096 21 58.2 21 20.800 9.257 42.649 623.282 21 57.8 21 20.900 9.138 43.014 623.468 21 57.5 21 21.000 9.018 43.378 623.654 21 57.1 21 21.100 8.897 43.743 623.840 21 56.7 21 21.200 8.775 44.108 624.027 21 56.3 21 21.300 8.652 44.472 624.213 21 55.9 21 21.400 8.527 44.837 624.400 21 55.5 SUBDIST 177.495 146.941 123.096 110.390 112.649 129.085 155.254 187.113 AZIM 205.398 215.483 230.098 249.713 271.228 289.507 302.665 311.705 ELEV 72.578 75.457 77.750 78.987 78.767 77.173 74.672 71.695 SL.DIST 650.772 642.407 636.931 634.419 634.904 638.380 644.796 654.065 YEAR: 16 DAY: 287 SAT. 312 REV. 4110 GMT LONG LAT ALTITUDE SAT LST 10 6.800 12.582 43.924 633.171 10 57.1 10 6.900 12.461 43.560 633.029 10 56.7 10 7.000 12.340 43.197 632.888 10 56.4 10 7.100 12.221 42.833 632.746 10 56.0 SUBDIST AZIM 184.219 82.484 174.777 95.442 174.945 109.100 184.698 122.015 ELEV 72.185 73.052 73.036 72.141 SL.DIST 661.908 659.081 659.123 662.035 YEAR: 16 DAY: 288 SAT. 312 REV. 4125 GMT LONG LAT ALTITUDE SAT LST 10 21.900 9.141 45.153 633.593 10 58.5 10 22.000 9.016 44.790 633.450 10 58.1 10 22.100 8.892 44.426 633.306 10 57.7 10 22.200 8.769 44.063 633.162 10 57.3 10 22.300 8.647 43.699 633.018 10 56.9 10 22.400 8.527 43.335 632.874 10 56.5 10 22.500 8.407 42.972 632.729 10 56.1 SUBDIST 182.943 155.947 136.495 128.076 132.810 149.457 174.646 AZIM 330.234 319.498 305.033 287.321 269.097 253.552 241.796 ELEV 72.300 74.799 76.632 77.433 76.982 75.408 73.062 SL.DIST 661.486 653.831 649.023 647.126 648.165 652.128 658.964 YEAR: 16 DAY: 288 SAT. 312 REV. 4132 GMT LONG LAT ALTITUDE SAT LST 21 16.200 10.580 41.964 625.625 21 58.5 21 16.300 10.463 42.329 625.811 21 58.2 21 16.400 10.346 42.694 625.997 21 57.8 21 16.500 10.227 43.059 626.183 21 57.4 21 16.600 10.107 43.423 626.370 21 57.0 21 16.700 9.986 43.788 626.556 21 56.6 21 16.800 9.864 44.152 626.742 21 56.3 21 16.900 9.741 44.516 626.929 21 55.9 21 17.000 9.616 44.880 627.115 21 55.5 21 17.100 9.490 45.244 627.301 21 55.1 SUBDIST 197.560 156.247 115.198 74.841 37.460 25.988 58.448 98.103 138.918 180.101 AZIM 173.271 175.068 178.138 184.538 204.544 284.385 323.507 333.142 337.190 339.401 ELEV 70.798 74.630 78.560 82.519 86.242 87.391 84.147 80.230 76.281 72.410 SL.DIST 659.613 647.381 637.911 631.325 627.713 627.126 629.572 635.015 643.376 654.544 23 YEAR: 16 DAY: 294 SAT. 312 REV. 4214 GMT LONG LAT ALTITUDE SAT LST 10 17.400 10.368 45.513 632.909 10 58.9 10 17.500 10.241 45.150 632.750 10 58.5 10 17.600 10.116 44.787 632.590 10 58.1 10 17.700 9.992 44.423 632.430 10 57.7 10 17.800 9.869 44.060 632.270 10 57.3 10 17.900 9.747 43.696 632.109 10 56.9 10 18.000 9.627 43.332 631.948 10 56.5 10 18.100 9.507 42.968 631.787 10 56.1 10 18.200 9.389 42.604 631.626 10 55.8 10 18.300 9.272 42.240 631.464 10 55.4 SUBDIST 198.277 157.904 118.362 80.888 50.348 44.577 70.006 106.194 145.320 185.536 AZIM 1.526 358.326 352.949 342.390 316.844 265.316 231.050 217.388 210.862 207.138 ELEV 70.885 74.598 78.349 81.987 84.995 85.566 83.054 79.521 75.778 72.039 SL.DIST 665.545 653.538 644.261 637.835 634.347 633.847 636.343 641.801 650.147 661.273 YEAR: 16 DAY: 294 SAT. 312 REV. 4221 GMT LONG LAT ALTITUDE SAT LST 21 11.900 11.556 42.360 628.392 21 58.1 21 12.000 11.439 42.725 628.573 21 57.8 21 12.100 11.320 43.089 628.753 21 57.4 21 12.200 11.200 43.453 628.934 21 57.0 21 12.300 11.079 43.818 629.115 21 56.6 21 12.400 10.957 44.182 629.295 21 56.2 21 12.500 10.833 44.545 629.475 21 55.8 21 12.600 10.709 44.909 629.655 21 55.4 21 12.700 10.583 45.273 629.835 21 55.0 SUBDIST 183.273 144.864 108.879 78.705 63.274 72.669 100.122 135.032 172.935 AZIM 145.733 140.072 130.505 112.680 80.885 46.092 24.965 13.790 7.355 ELEV 72.171 75.760 79.215 82.166 83.690 82.762 80.069 76.700 73.133 SL.DIST 657.585 647.017 639.262 634.424 632.569 633.721 637.865 644.940 654.851 YEAR: 16 DAY: 300 SAT. 312 REV. 4303 GMT LONG LAT ALTITUDE SAT LST 10 13.100 11.339 45.140 631.092 10 58.5 10 13.200 11.214 44.777 630.918 10 58.1 10 13.300 11.090 44.413 630.744 10 57.7 10 13.400 10.967 44.049 630.570 10 57.3 10 13.500 10.845 43.685 630.396 10 56.9 10 13.600 10.724 43.321 630.221 10 56.5 10 13.700 10.605 42.957 630.047 10 56.1 10 13.800 10.487 42.593 629.872 10 55.7 10 13.900 10.369 42.228 629.697 10 55.4 SUBDIST 177.099 137.198 98.682 64.115 44.070 56.868 89.373 127.295 166.988 AZIM 27.388 31.700 39.440 56.172 96.285 142.875 163.880 173.106 178.038 ELEV 72.778 76.518 80.227 83.619 85.606 84.336 81.134 77.460 73.709 SL.DIST 657.331 646.724 638.921 634.024 632.103 633.186 637.259 644.266 654.112 YEAR: 16 DAY: 300 SAT. 312 REV. 4310 GMT LONG LAT ALTITUDE SAT LST 21 7.700 12.416 43.107 630.881 21 57.4 21 7.800 12.296 43.471 631.051 21 57.0 21 7.900 12.175 43.834 631.220 21 56.6 21 8.000 12.053 44.198 631.390 21 56.2 21 8.100 11.930 44.562 631.559 21 55.8 21 8.200 11.805 44.926 631.728 21 55.4 SUBDIST AZIM 184.350 111.348 163.237 99.484 150.921 84.939 149.584 69.032 159.501 54.006 178.804 41.483 ELEV 72.125 74.078 75.232 75.359 74.428 72.638 SL.DIST 660.040 653.936 650.710 650.404 653.021 658.526 YEAR: 16 DAY: 301 SAT. 312 REV. 4325 GMT LONG LAT ALTITUDE SAT LST 21 23.000 8.720 42.605 630.946 21 57.9 21 23.100 8.602 42.969 631.114 21 57.5 21 23.200 8.482 43.333 631.281 21 57.1 21 23.300 8.362 43.697 631.449 21 56.7 21 23.400 8.240 44.061 631.616 21 56.4 21 23.500 8.117 44.425 631.782 21 56.0 SUBDIST 178.972 161.199 152.952 155.745 169.029 190.619 AZIM 226.234 238.953 253.876 269.332 283.286 294.652 ELEV 72.626 74.274 75.047 74.785 73.546 71.562 SL.DIST 658.653 653.622 651.471 652.229 655.885 662.389 YEAR: 16 DAY: 306 SAT. 312 REV. 4392 GMT LONG LAT ALTITUDE SAT LST 10 8.800 12.309 44.756 628.626 10 58.0 10 8.900 12.185 44.392 628.443 10 57.6 SUBDIST 196.386 167.515 AZIM 53.824 63.307 ELEV 70.954 73.613 SL.DIST 661.106 652.272 24 10 10 10 10 10 10 9.000 9.100 9.200 9.300 9.400 9.500 12.062 11.940 11.819 11.700 11.582 11.464 44.028 43.663 43.299 42.935 42.570 42.206 628.259 628.076 627.893 627.709 627.525 627.342 10 10 10 10 10 10 57.2 56.9 56.5 56.1 55.7 55.4 144.956 131.991 131.495 143.603 165.576 194.096 76.199 92.644 110.830 127.503 140.681 150.398 75.735 76.971 77.017 75.861 73.789 71.156 646.262 643.156 642.997 645.789 651.495 660.039 YEAR: 16 DAY: 307 SAT. 312 REV. 4407 GMT LONG LAT ALTITUDE SAT LST 10 24.200 8.496 44.890 628.267 10 58.2 10 24.300 8.371 44.526 628.083 10 57.8 10 24.400 8.248 44.162 627.898 10 57.4 10 24.500 8.126 43.798 627.714 10 57.0 10 24.600 8.005 43.433 627.530 10 56.6 SUBDIST 192.874 177.478 171.083 174.685 187.713 AZIM 312.561 300.561 287.001 273.218 260.677 ELEV 71.264 72.678 73.270 72.935 71.732 SL.DIST 659.578 654.766 652.846 653.846 657.752 YEAR: 16 DAY: 307 SAT. 312 REV. 4414 GMT LONG LAT ALTITUDE SAT LST 21 18.500 9.936 42.247 632.120 21 58.2 21 18.600 9.819 42.612 632.273 21 57.9 21 18.700 9.701 42.976 632.425 21 57.5 21 18.800 9.581 43.339 632.577 21 57.1 21 18.900 9.461 43.703 632.729 21 56.7 21 19.000 9.339 44.067 632.881 21 56.4 21 19.100 9.216 44.431 633.032 21 56.0 21 19.200 9.092 44.794 633.183 21 55.6 21 19.300 8.967 45.157 633.334 21 55.2 SUBDIST 167.412 130.276 96.826 72.359 67.469 85.574 116.390 152.389 190.652 AZIM 190.293 197.572 210.210 233.389 267.766 296.284 312.358 321.309 326.767 ELEV 73.724 77.218 80.439 82.829 83.310 81.535 78.548 75.127 71.591 SL.DIST 656.567 647.265 640.799 637.255 636.681 639.085 644.432 652.648 663.625 In base ai parametri orbitali riportati relativi al TLE sopra riportato, sono listati i passaggi del satellite PRISMA sopra l’area del CNR-IFAC attrezzata per campagne di telerilevamento e posta all’interno del Parco di San Rossore. Il periodo di tempo esaminato va dal 1 settembre 2014 al 5 novembre 2014 in cui il satellite ha compiuto mille orbite. 4.2.1.1 MODALITA OPERATIVE Ogni immagine acquisita sarà corredata da informazioni che ne permettano la geolocalizzazione, in modo tale da poter ricostruire la geometria di acquisizione per ogni punto di ogni singola immagine, come riportato in Fig.4.4, dove: N: Incl : Psipo : h: H1 : H2 : Angle: FZA: MZA : FOV : Direzione del Nord Inclinazione dell’orbita Direzione di volo Quota del satellite Posizione del satellite Posizione del punto osservato Angolo di puntamento Fly-by Zenith Angle Minimum Zenith Angle Campo di vista del sensore 25 Fig. 4-4: Geometria di acquisizione Inoltre al fine di procedere alla calibrazione in volo il sistema dovrà puntare il Sole, la Luna o alcune aree sulla Terra. 4.2.2 PAYLOAD OTTICI A bordo della missione PRISMA saranno montate, accoppiate ad un unico telescopio, una camera pancromatica ed una camera iperspettrale, costituita da due spettrometri ad immagine. Il tutto, mostrato in Fig. 4.6, Fig. 4.9, avrà: Consumo: Dimensione: Peso: 110 W 78 cm x 77 cm x 59 cm 209 kg 26 Fig. 4-5: Schema a blocchi dell’ottica. Hyperspectral / PAN Optical Head Main Electronics PASSIVE RADIATOR Redundant Structure and Thermal Control Main SBC SLITS MAIN PORT COVER (SUN DIFFUSER) TMA FORE-OPTICS S H U T T E R SWIR SPECTR SWIR FPA SWIR PE VNIR SPECTR VNIR FPA VNIR PE PAN OPTICS PAN FPA PAN PE TC/TM Science data SDAB 28VDC PDU TEMPERATURE SENSORS HEATERS Heaters power Discrete cmd HEATERS SERVO IN-FLIGHT CALIBRATION UNIT SOLAR PORT COVER TEMP. SENSORS Analog TM Fig. 4-6: Diagramma a blocchi dell’ottica, dei sensori, dell’elettronica di prossimità (PE) e dei SBC(Single Board Computer), SDAB (Scientific Data Acquisition Board) e PDU (Power Distribution Unit). 4.2.2.1 TELESCOPIO In Tab. 4-7 sono riportate le principali caratteristiche del telescopio. CARATTERISTICHE: Configurazione: Componenti ottici: Lunghezza focale: Diametro della pupilla di ingresso: F number: Campo di vista e swath al nadir: IFOV: TMA (Three Mirrors Anastigmatic) senza ostruzione n.3 specchi asferici n.2 specchi di rinvio 620 mm 210 mm 2,95 2,770 – 30 km @ 620 km 48.4 µrad (GSD = 30 m @ 620 km) Tab. 4-7: Caratteristiche del telescopio dalla missione PRISMA. 27 Fig. 4.5: Schema ottico del telescopio. Fig. 4.6: Alloggiamento nella parte superiore del banco ottico del telescopio e del calibratore. 4.2.2.2 CAMERA PANCROMATICA In Tab. 4-8 sono riportate le principali caratteristiche della camera pancromatica. CARATTERISTICHE: Campo di vista e swath al nadir: Across-track pixels: 2,770 – 30 km @ 620 km 6000 28 Ground Sample Distance: Dimensioni del pixel: Dimensioni di una immagine: 5m 6,5 m x 6,5 m da 30 km x 30 km a 30 km x 1800 km (across-track x along-track) 108000 km2 (~46 GB compresa la camera iperspettrale) Acquisizione massima giornaliera: Rivelatore: Numero di bande: Intervallo spettrale: Quantizzazione del segnale: Accuratezza radiometrica: Segnali spuri: Rapporto segnale rumore: MTF: 1 all’interno di 400 – 700 nm > 240 > 0,2 @ Nyquist frequency Tab. 4-8: Caratteristiche della camera pancromatica dalla missione PRISMA. (a) (b) Fig. 4.7: Schema ottico della camera pancromatica (a) e particolare dello schema di funzionamento del separatore di campo (b). 4.2.2.3 CAMERA IPERSPETTRALE In Tab. 4-9 sono riportate le principali caratteristiche della camera iperspettrale, costituita da due spettrometri ad immagine, uno operante nel VNIR e l’altro nello SWIR. CARATTERISTICHE: Configurazione: Tipo: Campo di vista e swath al nadir: Across-track pixels: n.2 spettrometri ad immagine a prismi push-broom 2,770 – 30 km @ 620 km 1000 29 Intervallo di campionamento spaziale (Ground Sample Distance): MTF: Registrazione spaziale dei dati spettrali (keystone): Risoluzione spaziale: Rivelatori: Intervallo spettrale: Numero di bande: Intervallo di campionamento spettrale (SSI): Risoluzione spettrale: Accuratezza spettrale: Variazione Cross-track della lunghezza d’onda centrale (smile / frown): Guadagno del segnale: Tempo di integrazione del segnale: Quantizzazione del segnale: Dimensioni di una immagine: Acquisizione massima giornaliera: Accuratezza radiometrica: Segnali spuri: Rapporto segnale rumore: 30 m 0,3 across track, 0,17 along track @ Nyquist frequency > 0,1 della GSD FWHM: 30 m x 45 m n.2 SATURN VISIR con 1000x256 fotoelementi HgCdTe Focal Plane Array della Sofradir customizzati. VNIR: 400 – 1010 nm SWIR: 920 – 2505 nm VNIR: 66 SWIR: 171 10 nm 12 nm FWHM ± 0,1 nm ± 0,1 della SSI ............................ 4,31 msec (pari a 232 fps) 12 bit 30 km x 30 km oppure da 30 km x 30 km a 30 km x 1800 km (across-track x along-track) 108000 km2 (~ 46 GB compresa la camera pancromatica) < 5% media nulla e standard deviation minore o uguale alla NESR VNIR @ 400 – 1000 nm: > 200 VNIR @ 650 nm: > 600 SWIR @ 1000 – 1750 nm: > 200 SWIR @ 1550 nm: > 400 SWIR @ 1950 – 2350 nm: > 100 SWIR @ 2100 nm: > 200 Tab. 4-9: Caratteristiche della camera iperspettrale dalla missione PRISMA. 30 Fig. 4.8: Schema ottico della camera iperspettrale con i due spettrometri a prismi. Fig. 4.9: Alloggiamento nella parte inferiore del banco ottico delle camere pancromatica e iperspettrale. 31 Fig. 4.10: Dispersione spettrale VNIR/SWIR 4.2.2.4 CALIBRATORE Il sistema di calibrazione a bordo comprende: Calibrazione radiometrica assoluta usando il Sole come sorgente. Calibrazione radiometrica relativa, calibrazione spettrale e linearietà con due lampade a tungsteno ottimizzate per il VNIR e lo SWIR. Calibrazione del buio con shutter sulla fenditura. Queste calibrazioni saranno frequenti in quanto non comportano manovre del satellite, come nel caso di: Flat-field esterno Osservazione di specifiche aree di test sulla Terra Osservazione della Luna Viene illuminata l’intera pupilla e l’intero FOV dello strumento. Il cammino ottico della radiazione di riferimento è lo stesso della radiazione osservata. Sarà monitorata la degradazione ed è assicurata la ridondanza delle lampade. Fig. 4.11: Particolare del calibratore dello strumento PRISMA che evidenzia le lampade (a destra) e la porta d’ingresso della radiazione solare (a sinistra) 32 4.2.2.5 RIVELATORI ED ELETTRONICA DI PROSSIMITA Quì di seguito sono riportate le caratteristiche tecniche dei due rivelatori utilizzati. CARATTERISTICHE: Modello: Tecnologia: Formato: Dimensione di ogni elemento fotosensibile: Risposte spettrali: Temperatura di funzionamento: SNR: Uniformità di risposta: Linearietà: Efficienza quantica: Modalità operativa: Tempo di integrazione: Massima capacità di carica: Dinamica del segnale: Rumore di lettura: Guadagno: Lettura: Frequenza del segnale di uscita: Velocità di lettura: Customizzazione del SATURN VISIR della Sofradir-EC HgCdTe Focal Plane Array su CMOS Read-Out Integrated Circuit 1000 x 256 elementi fotosensibili 30 µm x 30 µm da 0,4 µm a 2,5 µm 173 K con raffreddamento Stirling > 1000 < 7% < 99,5% > 60% senza coating antiriflesso Integrazione durante la lettura Tempo di integrazione programmabile Guadagno programmabile per linee Anti-blooming 4 ms 2,5 M e> 3 V (> 79 dB) < 339 eprogrammabile per linee programmabile per linee fino a 8 MHz su 4 o 8 uscite analogiche fino a 250 fps in full frame 4.2.3 PAYLOAD DATA HANDLING AND TRANSMISSION Le principali caratteristiche tecniche e lo schema a blocchi del Payload Data Handling and Transmission (PDHT) sono riportati rispettivamente in Tab. X.xx ed in Fig. X.xx. 33 CARATTERISTICHE: Massimo bit-rate d’ingresso: Dimensioni della memoria: Numero di canali di downlink: Data-rate di ogni canale: 600 Mbit/sec 32 GB (256 Gbit) 2 155 Mbit/sec Tab. 4-10: Caratteristiche principali della PDHT. Fig. 4.12: Schema del PDHT dello strumento PRISMA 34 Fig. 4.13 Flusso dati nella PDHT della misione PRISMA 35 4.3 SEGMENTO DI TERRA Il Segmento di Terra è composto da: • Mission Control Centre (MCC) / Satellite Control Centre (SCC), situato al Fucino ed utilizzante la banda S (2 – 4 GHz) per le comunicazioni di comandi e controlli. • Image Data Handling Segment (IDHS), situato a Matera ed utilizzante la banda X (8 – 12 GHz) per la trasmissione dati. 4.3.1 IMAGE DATA HANDLING SEGMENT L’Image Data Handling Segment (IDHS) ha la seguente struttura. dove: L0 PROC : Discrimina tra immagini, housekeepings e dati di calibrazione. L0QL PROC : L1 PROC : Trasforma i dati di livello 0 in dati radiometricamente corretti e calibrati in radianza. Genera le maschere delle nubi e di Sun glint. 36 L2 PROC : Genera le radianze e le riflettanze a terra che sono geometricamente corrette e geocodificate. Fornisce i prodotti atmosferici. 37 5 SIMULAZIONE DELLE PRESTAZIONI Digital Numbers SIMULATORE DELLA RISPOSTA DELLO STRUMENTO GENERATORE IMMAGINI “REALI” Parametri atmosferici SIMULATORE DEGLI EFFETTI DELL’ATMOSFERA Riflettanza spettrale al suolo GENERATORE IMMAGINI “SINTETICHE” Parametri della geometria di acquisizione Radianza spettrale al sensore Parametri strumentali Per analizzare le prestazioni dei sensori ottici della missione PRISMA, per testare il processamento dei dati a terra con particolare riguardo al funzionamento degli algoritmi sviluppati, si è proceduto allo sviluppo di un simulatore seguendo lo schema riportato in Fig. 5.1. Fig. 5.2: Schema generale per la simulazione delle prestazioni dello spettrometro ad immagine della missione PRISMA 38 Al fine di ottenere una ricostruzione realistica delle immagini acquisite, è necessario simulare il sistema fisico comprendente l’atmosfera e le interazioni della radiazione con i costituenti atmosferici e con il suolo, tenendo conto delle condizioni geometriche di illuminazione e osservazione, della variabilità spaziale e spettrale del terreno simulato e dell’interazione con gas e aerosol lungo la colonna di atmosfera considerata. A questo scopo è prevista l’integrazione con modelli di trasferimento radiativo atti a determinare i differenti contributi alla radiazione ricevuta dal generico elemento di suolo osservato e a ricostruire l’immagine acquisita in quota dal satellite. 39 5.1 GENERAZIONE DI IMMAGINI A PARTIRE DA DATI REALI Al fine di simulare le immagini che verranno acquisite dai sensori della missione PRISMA, devono essere generate mappe di riflettanza del suolo osservato. A tal fine un metodo è quello di utilizzare sensori con caratteristiche simili o migliori, già operativi da piattaforma satellitare o aerea. Tale procedura comporterà la scelta del sensore adatto, l’ottenimento di mappe validate di riflettanza al suolo, ottenute attraverso la correzione per gli effetti dell’atmosfera delle immagini calibrate di radianza al sensore. Nel nostro caso il sensore più simile alla camera iperspettrale della missione PRISMA risulta essere Hyperion da vari anni operativo a bordo del satellite EO-1. Dato che la larghezza dell’immagine a terra di Hyperion è 7,5 km invece di 30 km come nel caso di PRISMA, si utilizzeranno immagini di Hyperion integrate sulla cartografia digitale corrispondente. 5.1.1 PRE-ELABORAZIONE DEL DATO HYPERION E DEI DATI AUSILIARI Per testare tutta la catena di preprocessing, dalla calibrazione fino alla correzione atmosferica e alla geolocazione, il dato Hyperion è stato acquisito in una delle forme meno elaborate disponibili, e cioè a livello L1T. In tale forma il dato rappresenta la radianza assoluta fornita come 16-bit signed integers in codifica Big-endian, con un fattore di scala pari a 40 per la banda VNIR e 80 per la SWIR. Il dato varia nel caso in questione fra 0 (usato per indicare un valore mancante) e approssimativamente 32.767. Il dato L1T è radiometricamente corretto e geometricamente riferito a una proiezione geografica fissata. L’immagine, quando possibile, è ortonormalizzata usando, se disponibile, un DEM per correggere l’errore di parallasse dovuto all’orografia del terreno. Le bande sono fornite in file separati, insieme a due file ausiliari (*.L1T e *.fgds) contenenti metadata relativi all’acquisizione del dato. Altri dati relativi alla zona coperta dal dato Hyperion considerato sono stati poi acquisiti per effettuare analisi di tipo comparato e per mettere a punto una procedura di ortonormalizzazione da usare ove il dato già ortonormalizzato non sia disponibile, o valutare la qualità della ortonormalizzazione quando questa sia stata effettuata. In particolare si sono ricercati un modello digitale del terreno di qualità sufficiente e una immagine di riferimento di questo territorio, sempre con risoluzione spaziale molto elevata e correttamente georiferita ed ortonormalizzata, insieme con delle informazioni cartografiche. Questi dati ausiliari sono stati reperiti nell'archivio geografico della Regione Toscana, che ha messo a disposizione una serie di immagini contenenti i DEM del territorio considerato (con risoluzione di 10m), la cartografia della zona ed una serie di ortofoto a 50 cm di risoluzione spaziale, acquisite nelle bande RGB da piattaforma aerea, ed opportunamente ortonormalizzate e georiferite. 5.1.1.1 RIPROIEZIONE Una prima opera di pre-elaborazione ha visto la trasformazione dei dati sopracitati, forniti in formati diversi e non sempre facilmente gestibili, in un unico formato compatibile con i più comuni programmi di elaborazione delle immagini telerilevate. Si è poi passati alla riproiezione dei dati citati, molti dei quali forniti originariamente in proiezione Gauss-Boaga 40 relativamente al datum di Montemario, in una più moderna ed standardizzata proiezione UTM con Ellissoide Internazionale 1909 e Datum European 1950. Per comodità, l'insieme delle immagini relative alla zona coperta dal dato Hyperion considerato sono state poi riunite con un processo di mosaicatura in una sola immagine di altimetria e una sola immagine di cartografia in formato vettoriale; per quanto riguarda le immagini relative alle ortofoto, per evitare file di dimensioni eccessive si è preferito fare un mosaico in tre immagini in luogo di una sola: una relativa alla parte Nord della "strisciata" di Hyperion, una relativa alla parte centrale ed una relativa alla parte Sud. 5.1.1.2 ORTONORMALIZZAZIONE DEL DATO HYPERION Nel corso dello studio per la pre-elaborazione del dato Hyperion si è anche studiata una procedura di ortonormalizzazione disponibile in ambiente ENVI che potesse essere utilizzata per un generico dato iperspettrale non georiferito acquisito da un sensore pushbroom (quindi anche per il dato PRISMA). Tale procedura richiede solo la conoscenza della lunghezza focale, la dimensione del dot pitch sul sensore e l’angolo di incidenza dell’acquisizione, nonché l’ovvia disponibilità di un dato di riferimento ortonormalizzato e di un DEM di qualità adeguate. Attraverso l’uso di Ground Control Point infatti è possibile, attraverso ENVI, calcolare gli Exterior Orientation Parameter e quindi gli RPC della trasformazione che trasforma il dato grezzo nel dato georiferito ed ortonormalizzato. Un primo dato ortonormalizzato è stato quindi prodotto per valutare la qualità della georeferenziazione; la ricerca dei GCP è resa difficile dalle dimensioni del pixel a Terra, e la qualità complessiva risente anche della elevata direzione lungo la direzione di volo dell’immagine acquisita, ma comunque l’accuratezza media dell’immagine risultante risulta essere ad una prima analisi dell’ordine di un pixel, e quindi relativamente accettabile se si considera che il limite teorico sotto cui non si può scendere è di mezzo pixel. 41 Fig. 5.3: Tre acquisizioni effettuate da Hyperion su Firenze e Prato. 5.1.2 ELABORAZIONI PRELIMINARI DEL DATO HYPERION Di seguito sono presentati alcuni risultati di elaborazioni ottenute da dati acquisiti su Firenze il 9 dicembre 2002 da Hyperion. 42 Fig. 5.4: Immagine “true color” (R = 630 nm; G = 528 nm; B = 436 nm) di radianza al sensore. Fig. 5.5: Immagine “true color” (R = 630 nm; G = 528 nm; B = 436 nm) di reflettanza spettrale al suolo. 4 100 90 80 3 70 Grass II pt. 2.5 Grass II pt. Roof 2 Arno river Gras I pt. 1.5 Refelctance (%) At sensor Radiance (microW cm‐2 sr‐1 nm‐1) 3.5 60 Gras I pt. 50 Roof Airport 40 Arno river Airport 30 1 20 0.5 10 0 0 400 600 800 1000 1200 1400 1600 Wavelength (nm) 1800 2000 2200 400 2400 Fig. 5.6: Spettri di radianza al sensore dei 5 pixel indicati nell’immagine. 600 800 1000 1200 1400 1600 Wavelength (nm) 1800 2000 2200 2400 Fig. 5.7: Spettri della riflettanza al suolo dei 5 pixel indicati nell’immagine. 43 Fig. 5.8: Immagine “false color” (R = 855 nm; G = 630 nm; B = 528 nm) per evidenziare in rosso la vegetazione. Fig. 5.9: Immagine “false color” (R = 2194 nm; G = 1649 nm; B = 1074 nm) per evidenziare caratteristiche geologiche. 5.1.2.1 CAMPAGNA DI TELERILEVAMENTO TELAER SU SAN ROSSORE Il 10 agosto 2012 abbiamo svolto una campagna di telerilevamento, comprendente la caratterizzazione di suoli e dell’atmosfera attraverso una serie di misure a terra eseguite durante la serie di sorvoli effettuati su San Rossore da TELAER STA, utilizzando lo scanner multispettrale Daedalus AA1278 montato sull’aereo turboelica AP68TP-600 Viator. In contemporanea sul parco è avvenuta anche un’acquisizione con lo spettrometro ad immagine HYPERION e la camera multispettrale ALI montati sul satellite Earth Orbiter - 1. Le immagini acquisite durante la campagna di telerilevamento sia dal sensore Hyperion che dallo scanner multispettrale Daedalus sono state corrette sia radiometricamente che atmosfericamente con gli algoritmi descritti nei capitoli 6.2 e 6.3. In Fig. 5.10 e Fig. 5.11 sono riportate le immagini Hyperion corrette radiometricamente e atmosfericamente. 44 Fig. 5.11: Immagine “true color” (R = 630 nm; G = 528 nm; B = 436 nm) di reflettanza spettrale al suolo. Fig. 5.10: Immagine “true color” (R = 630 nm; G = 528 nm; B = 436 nm) di radianza al sensore su San Rossore. 15 Campo Erba Secca Tetto/Piazzale Misto conifere Fiume CampoLame Lame Piazzale Misto conifere Fiume CampoLame Lame 600 11 Riflettanza (per mille) Radianza al sensore (uW/(sq cm ‐ sr ‐ nm)) 13 9 7 5 3 500 400 300 200 100 1 ‐1 400 Campo Erba Secca 700 900 1400 Lunghezza d'onda (nm) 1900 0 2400 Fig. 5.12: Spettri di radianza al sensore estratti dall’immagine di radianza al sensore. 400 900 1400 Lunghezza d'onda (nm) 1900 2400 Fig. 5.13: Spettri della riflettanza al suolo estratti dall’immagine di riflettanza al sensore. 45 Fig. 5.14: Immagine “false color” (R = 855 nm; G = 630 nm; B = 528 nm) per evidenziare in rosso la vegetazione. Fig. 5.15: Immagine “false color” (R = 2194 nm; G = 1649 nm; B = 1074 nm) per evidenziare caratteristiche geologiche. 46 5.2 GENERAZIONE DI IMMAGINI SINTETICHE 5.2.1 PROCEDURA DI SIMULAZIONE Il simulatore di dati sintetici permette di realizzare una versione realistica di quello che potrà essere il dato acquisito da PRISMA, partendo da mappe tematiche o cartografia ad alta risoluzione spaziale e associando ad esse informazioni spettrali derivanti da database con risoluzione spettrale maggiore di quella prevista per PRISMA. La procedura di simulazione parte da un dato iperspettrale generato in modo sintetico ad altissima risoluzione spaziale e spettrale, e ad esso applica le varie funzioni di trasferimento dovute al sistema di telerilevamento durante il processo di acquisizione. Il punto di partenza della procedura è una mappa tematica del territorio ad alta risoluzione spaziale, a cui associare gli spettri di riflettanza del suolo oppure combinazioni di tali spettri. Nel nostro caso tale mappa viene generata classificando un mosaico di ortofoto a risoluzione spaziale 2.5 m (REPERTORIO AEROFOTOGRAMMETRICO DELLA REGIONE TOSCANAEdizione 2012, Cartografia della Regione Toscana CTR 10000 UTM-WGS84) e di estensione pari a 30 km (cioè lo swath previsto per PRISMA). L’utilizzo di un’ortofoto per generare la mappa tematica serve a creare un dato che mantenga una tessitura ed una distribuzione di elementi naturali e antropici più realistica possibile. In Fig. 5.16 e Fig. 5.17 sono riportati il mosaico di ortofoto e la mappa tematica da esso estratta. La classificazione del mosaico di ortofoto è stato realizzato tramite ENVI, applicando l’algoritmo di classificazione supervised Maximum Likelihood ed utilizzando 10 classi caratterizzate mediante selezione di regioni di interesse (ROI) sull’immagine. Così facendo si ottiene una mappa tematica del suolo di interesse (Fig. 5.17). Fig. 5.16: Mosaico di ortofoto a 2.5 m Fig. 5.17: Mappa tematica di 10 classi del territorio a nord di Firenze (risoluzione al suolo: 2.5 m,12000 pixel x 3000 pixel) Fig. 5.18: Immagine sintetica di riflettanza del territorio a nord di Firenze (risoluzione al suolo: 7.5 m, 4000 pixel x 1500 pixel) 47 Fig. 5.19: Immagine sintetica di radianza al sensore del territorio a nord di Firenze (risoluzione al suolo: 30 m), con effetti dovuti alla presenza dell’atmosfera e MTF del sistema. Alla mappa tematica sono stati associati gli spettri corrispondenti a ciascuna classe (vedi Fig. 5.20). Gli spettri sono stati estratti da librerie spettrali note e in letteratura scientifica e liberamente disponibili e accessibili (es. USGS spectral library o JPL spectral library), in futuro si potranno anche prevedere campagne di misure a terra da effettuarsi con spettrometri portatili tipo FieldSpec. Fig. 5.20: Spettri di riflettanza utilizzati per ciascuna classe. Fig. 5.21: MTF del sistema. Per il calcolo della mappa di riflettanza a partire dalla mappa tematica, è stata messa a punto una procedura software automatizzata che si occupa di: 48 Associare ad ogni zona della mappa tematica una combinazione di spettri, specificandone la percentuale (ad esempio per un terreno coltivato può essere utile specificare un mixing di suolo nudo e vegetazione). Il cubo di riflettanza così ottenuto ha risoluzione spaziale pari a 2.5 m e risoluzione spettrale pari a 2 nm. Effettuare una media spaziale degli spettri associati alla mappa tematica. La risoluzione spaziale dopo tale media risulta degradata a 7.5 m. Tale passo introduce un ulteriore mixing spettrale nelle zone di transizione da un tematismo all'altro (Fig. 5.18). Notiamo che, a causa della geometria di acquisizione di tipo pushbroom di PRISMA, gli angoli con cui sono osservati i singoli pixel risultano costanti lungo la colonna (la dimensione along track di acquisizione), la lunghezza della strisciata è perciò ininfluente ai fini della simulazione. Per semplicità e per ridurre il carico computazionale, ci si è limitati, negli esempi riportati nelle Fig. 5.16, Fig. 5.17, Fig. 5.18, Fig. 5.19, ad una strisciata di dimensioni minori di quelle across track (non ci sono ostacoli tecnici alla creazione di strisciate di lunghezza definita dall’utente). Tale procedura di creazione di mappe di riflettanza realistiche e con spettro e tessitura pertinenti a quelli della corrispondente località reale (nel nostro caso il territorio Nord della zona di Firenze, Italia) è sintetizzata nello schema di Fig. 5.27. Utilizzando la mappa di riflettanza, viene simulata la propagazione del dato al sensore, simulando la radianza ricevuta dal satellite in quota (Fig. 5.19) considerando sia i parametri atmosferici che la geometria di acquisizione . Per generare tale immagine simulata di radianza al sensore, è stata approntata una ulteriore procedura software, sintetizzata nello schema di Fig. 5.26. Attualmente gli sviluppi di tale software sono incentrati a considerare gli effetti di adiacenza ed includere un fattore di roughness per il dato al suolo e gli effetti di direzionalità delle superfici osservate (i percorsi tratteggiati nello schema indicano gli sviluppi futuri della procedura di simulazione). Alle immagini simulate di radianza spettrale al sensore devono essere applicate le funzioni di trasferimento dello strumento, sia spaziali sia spettrali, che tengono conto delle caratteristiche delle ottiche, del rivelatore e dell’elettronica, in modo da ottenere i dati espressi in digital number. Benché nel caso reale l’atmosfera agisca sulla radiazione prima che essa raggiunga il sensore, abbiamo preferito applicare le MTF spaziali prima della propagazione al sensore. Questo procedimento consente di ridurre in modo consistente i tempi di elaborazione. In Fig. Fig. 5.22 è mostrata una parte dell’immagine simulata ottenuta applicando prima il filtro spaziale e poi gli effetti atmosferici. Fig. 5.22 Immagine simulata applicando prima il filtro spaziale e poi gli effetti atmosferici. L’immagine simulata è stata anche generata secondo il caso “reale”, cioè applicando prima il contributo atmosferico e poi la MTF spaziale, come mostrato in Fig. 5.23 49 Fig. 5.23 immagine simulata applicando prima gli effetti atmosferici e poi il filtro spaziale. E’ stato verificato che questa procedura non compromette il risultato finale, le due immagini sono state confrontate mostrando differenze sulla quinta cifra decimale come mostrato in Fig. 5.24. At sensor radiance (W m‐2 cm‐1 nm‐1) 1400 roof Atm_MTF soil Atm_MTF forest Atm_MTF roof MTF_Atm soil MTF_Atm forest MTF_Atm 1200 1000 800 600 400 200 0 At sensor radiance difference (W m‐2 sr‐1 nm‐1) 400 900 1400 Wavelenght (nm) 1900 2400 a 0.0001 roof soil forest 0.00008 0.00006 0.00004 0.00002 0 400 900 1400 Wavelength (nm) 1900 2400 b Fig. 5.24 Spettri acquisiti su medesimi pixel nelle due modalità di acquisizione (a) e loro differenza (b) 50 Per quanto riguarda invece la funzione di trasferimento spettrale, essa è stata applicata sui dati di radianza, cioè che già comprendono gli effetti dell’atmosfera. Per simulare la MTF dello strumento è stato scelto un filtro gaussiano normalizzato con 24 coefficienti, la cui trasformata di Fourier a Nyquist valesse più di 0.3, sia across-track che along-track, per il VNIR e lo SWIR, tali requisiti (PRS-MRD-0790 e PRS-MRD-0800) sono stati estratti dal MRD (DC-IPC-2007-096 del 15/01/2008). Il filtro scelto è rappresentato in Fig. 5. . La convoluzione con il filtro e la successiva, necessaria, decimazione, hanno l’effetto di portare il dato alla risoluzione spaziale nominale di PRISMA di 30 m. Notiamo come l’utilizzo di step spaziali da più risoluti all’inizio della catena di processamento del dato a step meno risoluti alla fine permette la simulazione dei differenti effetti fisici dovuti alla tessitura del suolo in esame, agli effetti atmosferici e allo strumento di osservazione. I modelli di simulazione di ciascun segmento della catena vengono applicati al dato più risoluto di partenza e integrati fino a giungere alla risoluzione finale, la stessa dei dati PRISMA. Per quanto riguarda la simulazione del campionamento spettrale di PRISMA sono stati utilizzati i dati spettrali (λmin, λcentr, λmax) forniti da Selex ES (ex Selex Galileo) nel documento PRS-TN-GAF-028_Issue2(Atmospheric Retrieval).doc e qui di seguito riportate. In assenza di indicazioni, le ampiezze di banda sono state considerate FWHM. Central Lower Upper Bandwidth λ [μm] 0,405 0,415 0,424 0,432 0,440 0,448 0,455 0,463 0,470 0,477 0,485 0,492 0,500 0,507 0,515 0,523 0,530 0,538 0,546 0,554 0,562 0,571 0,579 0,588 0,596 0,605 0,614 0,623 λMIN [nm] 399,9 410,465 419,653 428,059 436,014 443,72 451,299 458,814 466,283 473,68 481,003 488,388 495,839 503,361 510,959 518,637 526,399 534,25 542,193 550,232 558,37 566,61 574,954 583,404 591,963 600,632 609,413 618,305 λMAX [nm] 410,465 419,653 428,059 436,014 443,72 451,299 458,814 466,283 473,68 481,003 488,388 495,839 503,361 510,959 518,637 526,399 534,25 542,193 550,232 558,37 566,61 574,954 583,404 591,963 600,632 609,413 618,305 627,309 λ [nm] 10,565 9,188 8,405 7,955 7,706 7,578 7,515 7,469 7,396 7,324 7,385 7,451 7,522 7,598 7,678 7,762 7,851 7,943 8,039 8,138 8,24 8,344 8,451 8,559 8,669 8,78 8,892 9,005 51 0,632 0,641 0,650 0,660 0,669 0,679 0,689 0,698 0,708 0,718 0,728 0,739 0,749 0,759 0,770 0,780 0,790 0,801 0,812 0,822 0,833 0,844 0,854 0,865 0,876 0,887 0,897 0,908 0,919 0,930 0,940 0,951 0,962 0,972 0,983 0,993 1,004 1,015 0,925 0,934 0,943 0,953 0,962 0,972 0,981 0,991 1,001 1,011 1,021 627,309 636,426 645,655 654,994 664,442 673,998 683,66 693,423 703,285 713,243 723,292 733,428 743,645 753,939 764,304 774,735 785,224 795,767 806,356 816,985 827,649 838,34 849,053 859,781 870,52 881,263 892,006 902,745 913,474 924,19 934,892 945,576 956,24 966,884 977,507 988,111 998,696 1009,265 920,7 929,722 938,857 948,101 957,451 966,905 976,46 986,112 995,86 1005,698 1015,625 636,426 645,655 654,994 664,442 673,998 683,66 693,423 703,285 713,243 723,292 733,428 743,645 753,939 764,304 774,735 785,224 795,767 806,356 816,985 827,649 838,34 849,053 859,781 870,52 881,263 892,006 902,745 913,474 924,19 934,892 945,576 956,24 966,884 977,507 988,111 998,696 1009,265 1019,821 929,722 938,857 948,101 957,451 966,905 976,46 986,112 995,86 1005,698 1015,625 1025,637 52 9,117 9,228 9,339 9,449 9,556 9,661 9,763 9,862 9,958 10,049 10,136 10,217 10,294 10,365 10,43 10,489 10,542 10,589 10,629 10,664 10,691 10,713 10,729 10,739 10,743 10,743 10,738 10,729 10,717 10,701 10,684 10,664 10,644 10,624 10,604 10,585 10,569 10,556 9,022 9,134 9,244 9,35 9,454 9,555 9,653 9,747 9,839 9,927 10,012 1,031 1,041 1,051 1,061 1,072 1,082 1,093 1,103 1,114 1,124 1,135 1,146 1,157 1,167 1,178 1,189 1,200 1,211 1,222 1,233 1,244 1,255 1,266 1,277 1,288 1,299 1,310 1,321 1,332 1,343 1,354 1,365 1,376 1,387 1,398 1,409 1,420 1,431 1,442 1,453 1,463 1,474 1,485 1,496 1,506 1,517 1,528 1,538 1,549 1025,637 1035,73 1045,902 1056,148 1066,466 1076,851 1087,301 1097,812 1108,38 1119,002 1129,674 1140,393 1151,155 1161,958 1172,798 1183,671 1194,574 1205,504 1216,458 1227,433 1238,426 1249,433 1260,453 1271,481 1282,516 1293,555 1304,596 1315,635 1326,67 1337,699 1348,721 1359,732 1370,73 1381,714 1392,683 1403,633 1414,563 1425,472 1436,358 1447,22 1458,056 1468,865 1479,645 1490,396 1501,116 1511,805 1522,461 1533,083 1543,671 1035,73 1045,902 1056,148 1066,466 1076,851 1087,301 1097,812 1108,38 1119,002 1129,674 1140,393 1151,155 1161,958 1172,798 1183,671 1194,574 1205,504 1216,458 1227,433 1238,426 1249,433 1260,453 1271,481 1282,516 1293,555 1304,596 1315,635 1326,67 1337,699 1348,721 1359,732 1370,73 1381,714 1392,683 1403,633 1414,563 1425,472 1436,358 1447,22 1458,056 1468,865 1479,645 1490,396 1501,116 1511,805 1522,461 1533,083 1543,671 1554,224 53 10,093 10,172 10,246 10,318 10,385 10,45 10,511 10,568 10,622 10,672 10,719 10,763 10,803 10,84 10,873 10,903 10,93 10,954 10,975 10,993 11,008 11,019 11,029 11,035 11,039 11,04 11,039 11,035 11,029 11,021 11,011 10,999 10,984 10,968 10,95 10,93 10,909 10,886 10,862 10,836 10,809 10,78 10,751 10,72 10,689 10,656 10,622 10,588 10,553 1,559 1,570 1,580 1,591 1,601 1,612 1,622 1,632 1,642 1,653 1,663 1,673 1,683 1,693 1,703 1,713 1,723 1,733 1,743 1,752 1,762 1,772 1,781 1,791 1,801 1,810 1,820 1,829 1,839 1,848 1,857 1,867 1,876 1,885 1,894 1,903 1,913 1,922 1,931 1,940 1,949 1,958 1,967 1,975 1,984 1,993 2,002 2,011 2,019 1554,224 1564,741 1575,222 1585,666 1596,071 1606,439 1616,768 1627,059 1637,309 1647,521 1657,692 1667,823 1677,915 1687,965 1697,975 1707,945 1717,874 1727,762 1737,61 1747,417 1757,183 1766,909 1776,595 1786,24 1795,846 1805,411 1814,937 1824,423 1833,87 1843,278 1852,648 1861,978 1871,271 1880,525 1889,742 1898,921 1908,063 1917,168 1926,237 1935,27 1944,266 1953,227 1962,153 1971,044 1979,9 1988,722 1997,51 2006,264 2014,985 1564,741 1575,222 1585,666 1596,071 1606,439 1616,768 1627,059 1637,309 1647,521 1657,692 1667,823 1677,915 1687,965 1697,975 1707,945 1717,874 1727,762 1737,61 1747,417 1757,183 1766,909 1776,595 1786,24 1795,846 1805,411 1814,937 1824,423 1833,87 1843,278 1852,648 1861,978 1871,271 1880,525 1889,742 1898,921 1908,063 1917,168 1926,237 1935,27 1944,266 1953,227 1962,153 1971,044 1979,9 1988,722 1997,51 2006,264 2014,985 2023,673 54 10,517 10,481 10,444 10,406 10,368 10,329 10,29 10,251 10,211 10,171 10,131 10,091 10,051 10,01 9,97 9,929 9,888 9,848 9,807 9,766 9,726 9,686 9,645 9,605 9,566 9,526 9,486 9,447 9,408 9,369 9,331 9,292 9,254 9,217 9,179 9,142 9,105 9,069 9,033 8,997 8,961 8,926 8,891 8,856 8,822 8,788 8,754 8,721 8,688 2,028 2,037 2,045 2,054 2,062 2,071 2,079 2,088 2,096 2,105 2,113 2,121 2,130 2,138 2,146 2,154 2,163 2,171 2,179 2,187 2,195 2,203 2,211 2,219 2,227 2,235 2,243 2,251 2,259 2,266 2,274 2,282 2,29 2,298 2,305 2,313 2,321 2,328 2,336 2,343 2,351 2,358 2,366 2,373 2,381 2,388 2,396 2,403 2,41 2023,673 2032,329 2040,951 2049,542 2058,101 2066,629 2075,125 2083,591 2092,026 2100,43 2108,805 2117,149 2125,465 2133,751 2142,008 2150,236 2158,436 2166,607 2174,751 2182,866 2190,954 2199,015 2207,048 2215,054 2223,033 2230,985 2238,911 2246,81 2254,683 2262,53 2270,35 2278,145 2285,913 2293,656 2301,373 2309,064 2316,729 2324,369 2331,983 2339,572 2347,135 2354,673 2362,184 2369,671 2377,131 2384,566 2391,975 2399,359 2406,716 2032,329 2040,951 2049,542 2058,101 2066,629 2075,125 2083,591 2092,026 2100,43 2108,805 2117,149 2125,465 2133,751 2142,008 2150,236 2158,436 2166,607 2174,751 2182,866 2190,954 2199,015 2207,048 2215,054 2223,033 2230,985 2238,911 2246,81 2254,683 2262,53 2270,35 2278,145 2285,913 2293,656 2301,373 2309,064 2316,729 2324,369 2331,983 2339,572 2347,135 2354,673 2362,184 2369,671 2377,131 2384,566 2391,975 2399,359 2406,716 2414,048 55 8,655 8,623 8,591 8,559 8,528 8,496 8,465 8,435 8,405 8,375 8,345 8,315 8,286 8,257 8,228 8,2 8,171 8,143 8,116 8,088 8,06 8,033 8,006 7,979 7,952 7,926 7,899 7,873 7,847 7,82 7,794 7,769 7,743 7,717 7,691 7,665 7,64 7,614 7,589 7,563 7,537 7,512 7,486 7,461 7,435 7,409 7,383 7,357 7,331 2,418 2,425 2,432 2,439 2,447 2,454 2,461 2,468 2,475 2,482 2,489 2,496 2,503 2414,048 2421,353 2428,632 2435,885 2443,111 2450,311 2457,484 2464,63 2471,75 2478,842 2485,906 2492,943 2499,952 2421,353 2428,632 2435,885 2443,111 2450,311 2457,484 2464,63 2471,75 2478,842 2485,906 2492,943 2499,952 2506,933 7,305 7,279 7,253 7,226 7,2 7,173 7,146 7,119 7,092 7,065 7,037 7,009 6,981 Tab. 5-1 Dati spettrali (λmin, λcentr, λmax) forniti da Selex es Dopo la propagazione alla sommità dell’atmosfera, i dati da noi prodotti hanno una risoluzione spettrale di 2 nm, quindi per ottenere un dato spettrale simile a quello di PRISMA è necessario effettuare un integrale tra il dato ad alta risoluzione spettrale e la funzione di trasferimento del singolo canale. Le funzioni di trasferimento dei singoli canali spettrali sono state progettate di forma gaussiana, la cui FWHM corrispondesse per eccesso all’ampiezza di banda riportata nell’ultima colonna della tabella. Simulated at- sensor radiance Roof At sensor radiance (W m^-2 sr-1 nm-1) 800 PRISMA VNIR PRISMA SWIR HI-RES 2 nm 700 600 500 400 300 200 100 0 400 900 1400 Wavelength (nm) 56 1900 2400 a At sensor radiance (W m-2 sr-1 nm-1) 1400 Simulated at-sensor radiance spectra Vegetation 1200 PRISMA VNIR PRISMA SWIR HI-RES 2nm 1000 800 600 400 200 0 400 900 1400 Wavelenght (nm) 1900 2400 b Fig. 5.25 Spettri estratti dall’ immagine simulata prima e dopo il filtraggio spettrale per (a) un pixel corrispondente ad un tetto e (b) un pixel di vegetazione. Nei due grafici in Fig. 5.25 sono rappresentati due spettri estratti dall’ immagine simulata prima e dopo il filtraggio spettrale, per un pixel vegetato e uno corrispondente ad un tetto. 57 Fig. 5.26: Schema della catena di simulazione. 58 Fig. 5.27: Processo di realizzazione delle mappe di riflettanza. 59 5.2.2 MODELLI E ACCORGIMENTI UTILIZZATI NELLA PROCEDURA DI SIMULAZIONE 5.2.2.1 EFFETTI DOVUTI ALL’ATMOSFERA Disponendo delle mappe di riflettanza spettrale a terra (eventualmente filtrate utilizzando secondo la corrispondente MTF come descritto nel paragrafo 5.2) e dei valori dei parametri sia della geometria di acquisizione che dell’atmosfera, si otterranno le immagini di radianza spettrale al sensore attraverso la simulazione degli effetti atmosferici. Utilizzando il modello seguente (attualmente non comprensivo di effetti di adiacenza) si calcola la radianza al sensore Lsen : Lsen ( , sun , view , ) E g ( , sun ) ( ) T ( , view ) L path ( , view , ) Eq. 5-1 dove è la lunghezza d’onda, sun è l’angolo zenitale solare (calcolato in funzione di latiotudine, longitudine e ora del giorno, view è l’angolo zenitale di vista del satellite, è l’angolo azimutale relativo tra le direzioni di vista del satellite e del sole, E g è la irradianza che arriva al suolo, T è la trasmittanza lungo la direzione di vista e L path è la path radiance. I contributi sono rappresentati nella seguente figura. sun ( ) L path ( , view , ) view T ( , view ) E g ( , sun ) Fig. 5.28: Modello del sistema Sole – atmosfera – satellite per la simulazione della radianza al sensore osservata dal satellitr. I contributi: E g ( , sun ) L path ( , view , ) T ( ,view ) 60 sono ricavati dal modello di traferimento radiativo MODTRAN (versione attuale 5.2.1) impostando la corretta geometria di acquisizione ed una risoluzione spettrale doppia rispetto alla risoluzione spettrale del dato di riflettanza al suolo utilizzato. L’utilizzo del pacchetto MODTRAN presuppone la messa a punto di procedure, in parte automatizzate, di lettura e successiva conversione dei dati relativi alla propagazione della luce in atmosfera, al fine di poterli utilizzare con successo per ricostruire i differenti contributi alla radianza osservata dal sensore in quota. Il valore di riflettanza ( ) è ottenuto dall’immagine (cubo) di input, per ogni valore della lunghezza d’onda e per ogni pixel. I valori spettralmente risolti, ottenuti dal modello MODTRAN, sono mediati per ottenere spettri corrispondenti al dato di riflettanza utilizzato come input. La radianza al sensore ottenuta ha quindi la stessa risoluzione spettrale del dato di partenza. Tale risoluzione è sovrabbondante rispetto al corrispondente dato PRISMA, allo scopo di presentare un dato ad alta risoluzione per la simulazione degli effetti dovuti alle ottiche e alle altre componenti del sensore. 61 5.2.2.2 GEOMETRIA E MEMORIZZAZIONE DEL DATO UTILIZZATI NELLA IMPLEMENTAZIONE SOFTWARE Per quanto riguarda l’implementazione software della procedura di generazione dell’immagine di radianza spettrale al sensore, realizzata in linguaggio IDL ed eseguibile autonomamente su una qualsiasi distribuzione (liberamente scaricabile) di IDL Virtual Machine (versione 7 o successive), la procedura utilizza le seguenti proprietà di dipendenza spaziale e spettrale del dato rappresentate nella seguente figura. Satellite position FOV wavelength () generic image row across track (x) direction Fig. 5.29: Geometria di acquisizione: modello software. I dati sono rappresentati in memoria con le seguenti dimensioni: L’irradianza al suolo è invariante per traslazione: array 1D (risolta solo spettralmente) La path radiance e la trasmittanza sono rappresentate come array 1D risolti spettralmente e calcolati per tre colonne dell’immagine: laterale sinitra, centrale e laterale destra, i valori intermedi sono interpolati linearmente. La riflettanza al suolo (input) è memorizzata su disco come un cubo 3D risolto sia spazialmente che spettralmente (BSQ). La geometria di acquisizione (angoli di vista zenitale view e azimutale relativo per ogni pixel sono rappresentati come una matrice 2D in x e y in quanto costanti spettralmente). La radianza al sensore è memorizzata su disco come un cubo 3D risolto sia spazialmente che spettralmente (BIL). Tale rappresentazione sfrutta pesantemente la natura array-oriented del linguaggio IDL e nel contempo si presta ad implentazioni successive semplicemente variando la dimensionalità delle grandezze per la rappresentazione di sistemi più generali. Ad esempio, differenze di illuminazione del suolo per effetto della differente pendenza della superficie osservata sono rappresentabili utilizzando una matrice 3D (risolta sia spazialmente che spettralmente) per scalare conseguentemente l’irradianza al suolo in funzione dell’angolo tra la normale al suono e la direzione zenitale del sole sun : questo permette facilmente l’implementazione di un modello digitale di elevazione (DEM) e quindi la gestione di immagini in cui la topografia gioca un ruolo non trascurabile, nonché l’utilizzo di mappe di “ruvidità” del suolo (per la 62 simulazione di campi arati, boschi, e di tutti gli effetti superficiali a risoluzione spaziale subpixel). Analogamente, un fattore di scala lungo la direzione across track, permette l’implementazione di una funzione di BRDF per la superficie osservata. Gli effetti di adiacenza tra pixel attigui (al momento trascurati dal modello) saranno implementati attraverso un ulteriore filtraggio spaziale dell’immagine di radianza al sensore, a partire dal dato generato dalla procedura corrente. 63 5.2.2.3 SIMULAZIONE DELLA RISPOSTA DEL SISTEMA La simulazione della risposta in tensione Vout di un sensore in una banda è data dalla seguente formula (per chiarezza le dimensioni fisiche sono rappresentate in parentesi quadre): Vout [V ] s[ V / N e ] F f [ sr ] Aground [m 2 ] [ s] Q( λ)[ N e /N ph ] Ls ( λ)[W m- 2 sr -1 nm-1 ] Topt ( λ) hc / λ[ J/N ph ] d[nm] Eq. 5-2 dove: s è la sensibilità del dispositivo in V / N e ; F f è il fill factor (da impostare a 1 se è già compreso nella quantum efficiency Q); è l’angolo solido sotteso dalla pupilla di ingresso in sr : Apupil H2 ; Aground è l’area osservata al suolo in m 2 ; è il tempo di integrazione in s ; Q (λ ) è la quantum efficiency del dispositivo in N e /N ph ; -2 -1 -1 Ls (λ) è la radianza spettrale in W m sr nm ; Topt (λ) è la trasmittanza spettrale del sistema ottico; hc / λ è l’energia del singolo fotone di lunghezza d’onda espressa in J/N ph ; Topt (λ) è l’area del pixel del detector in m 2 ; c è la velocità della luce ( 299792458 m s -1 ); h è la costante di Plank ( 6.626176 10 34 J s ). Vale inoltre la relazione: Aground Apupil P Eq. 5-3 f2 con: P area del singolo pixel del detector; f : lunghezza focale; Apupil : area della pupilla di ingresso delle ottiche in m 2 . Il termine [ N e /N ph ] Ls ( λ)[W m - 2 sr -1 nm -1 ] Topt ( λ) hc / λ[ J/N ph ] rappresenta i fotoni generati nel pixel per unità di lunghezza d’onda, per secondo, per unità di area e per unità di angolo solido. Il Q ( λ )[ N e /N ph ] Ls ( λ )[W m - 2 sr -1 nm -1 ] Topt ( λ ) d[nm ] rappresenta gli elettroni termine hc / λ[ J/N ph ] generati nel pixel per secondo, per unità di area e per unità di angolo solido. Il simulatore distingue, per semplicità, due casi: simulazione della radianza spettrale (sensore iperspettrale): il dato spettralmente risolto è filtrate con la corrispondente MTF spettrale data la difficoltà nella modellizazione di tutti i parametri precedenti per ciascuna banda; simulazione della risposta a banda larga (pancromatica). 64 5.2.2.3.1 INTEGRAZIONE SPETTRALE DEL DATO PANCROMATICO Dato che il dato pancromatico viene confrontato con la radianza spettrale, è necessario riportarlo ad unità di radianza (pancromatica). La radianza pancromatica Ls (radianza media sulla banda di interesse) viene quindi definita come: Q( λ) Ls ( λ)Topt ( λ) d hc / λ Ls Eq. 5-4 Q( λ)Topt ( λ) hc / λ d dove il termine: K ( N e J 1 ) Q( λ)Topt ( λ) hc / λ d Eq. 5-5 rappresenta la costante di normalizzazione che restituisce le corrette unità fisiche. 5.2.2.3.2 RISPOSTA IN TENSIONE DEL DATO PANCROMATICO La procedura software (sviluppata in linguaggio IDL) per il calcolo della radianza pancromatica media permette di ricavare da Ls la tensione con una semplice relazione di proporzionalità. La formula per il calcolo del numero di fotoelettroni per unità di lunghezza d’onda diviene infatti: N e [nm -1 ] F f [ sr ] Aground [m 2 ] [ s] K [ N e J 1 ] Ls [W m - 2 sr -1 nm -1 ] Eq. 5-6 e la formula per ilcalcolo di Vout diventa: Vout [V nm-1 ] s[V / N e ] N e [nm -1 ] s[V / N e ] F f [ sr ] Aground [m 2 ] [ s] K [ N e J 1 ] Ls [W m - 2 sr -1 nm -1 ] Eq. 5-7 dove: s è la sensibilità del dispositivo in V / N e ; F f è il fill factor (da impostare a 1 se è già compreso nella quantum efficiency Q); è l’angolo solido sotteso dal pixel in sr ; Aground è l’area del pixel al suolo in m 2 ; è il tempo di integrazione in s ; Q( λi ) è la quantum efficiency del dispositivo nella banda i-esima in N e /N ph ; Ls i è la radianza spettrale in W m- 2 sr -1 nm-1 nella banda i-esima; Topt ( λi ) è la trasmittanza spettrale del sistema ottico nella banda i-esima; hc / λi è l’energia del singolo fotone di lunghezza d’onda λi espressa in J/N ph . Vout può essere visto come il valore della tensione per una banda equivalente di larghezza unitaria di 1 nm . Analogamente la lunghezza d’onda di centro equivalente è ricavabile da: 65 Q( λ) λTopt ( λ) hc / λ Q( λ)Topt ( λ) hc / λ d . Eq. 5-8 d 5.2.2.3.3 RISPOSTA IN TENSIONE DEL DATO IPERSPETTRALE Data la difficoltà nel modellizzare il comportamento del sensore e delle ottiche all’interno di ciascuna banda spettrale, la risposta del sensore viene simulata a partire da da: radianza al sensore (dopo il filtraggio spettrale gaussiano che abbassa la risoluzione del dato riportandolo alla stessa risoluzione del dato PRISMA usando i dati Galileo riportati in par. 5.2.1; Calcolo del flusso di fotoelettroni e della corrispondente risposta del sensore in tensione per ogni banda. La risposta in tensione Vout i per unità di lunghezza d’onda per la banda i-esima (corrispondente alla lunghezza d’onda centrale λi ) è quindi data da: Q( λi ) Ls iTopt ( λi ) Vout i [V nm-1 ] s[V / N e ] F f [ sr ] Aground [m 2 ] [ s] Eq. 5-9 hc / λi dove: s è la sensibilità del dispositivo in V / N e ; F f è il fill factor (da impostare a 1 se è già compreso nella quantum efficiency Q); è l’angolo solido sotteso dal pixel in sr ; Aground è l’area del pixel al suolo in m 2 ; è il tempo di integrazione in s ; Q( λi ) è la quantum efficiency del dispositivo nella banda i-esima in N e /N ph ; Ls i è la radianza spettrale in W m- 2 sr -1 nm-1 nella banda i-esima; Topt ( λi ) è la trasmittanza spettrale del sistema ottico nella banda i-esima; hc / λi è l’energia del singolo fotone di lunghezza d’onda λi espressa in J/N ph . ossia la risposta è direttamente proporzionale a Ls i (ossia dei coefficienti i calcolati su ogni banda possono essere utilizzati per sostituire i parametri sopra elencati): Vout i i Ls i s[V / N e ] N e out i [nm-1 ] Eq. 5-10 dove N e out è larisposta in fotoelettroni per unità di lunghezza d’onda: Q( λi ) Ls iTopt ( λi ) N e out i [nm-1 ] F f [ sr ] Aground [m 2 ] [ s] Eq. 5-11 hc / λi Moltiplicando per la larghezza della banda L si ottengono, rispettivamente, i valori in tensione e in elettroni totali per la banda. 66 5.2.2.3.4 RISPOSTA IN DIGITAL NUMBER DI UNA BANDA GENERICA Data la risposta in tensione V di una banda generica (o della banda pancromatica) la risposta in digital number (DN) è calcolata riportando il dato su una scala lineare e discreta fissando due valori Ls max e Ls min (corrispondenti ai segnali massimo e minimo teorici di radianza) e la dinamica N del sistema in bit. Da Ls max e Ls min si ricavano le tensioni corrispondenti Vmax e Vmin : Vmax,min Ls max,min Eq. 5-12 con fattore di conversione da radianza a tensione. La dinamica di N bit fissa uno step di discretizzazione V : V V V max N min 2 corrispondente ad uno step di radianza L : V Ls max Ls min L 2N così che il segnale di una banda generica è acquisito dall’ADC tra i valori di tensione Vmin , Vmax come Dout (espresso in DN) secondo la formula: L Ls min V Vmin int s Dout int out , Eq. 5-13 V L dove l’operatore int indica l’arrotondamento alla parte intera. La conversione opposta per passare da unità in DN a unità di radianza è: Ls Dout L Ls min con un errore massimo di arrotondamento L . Alternativamente si possono considerare un offset O e un guadagno G pari a, rispettivamente: O Ls min , L L G L s max N s min . 2 I valori Ls min , Ls max , sono calcolabili come: Ls min : radianza al sensore nell’area di interesse per il valore massimo dell’angolo zenithale solare (punto con elevazione solare più bassa sull’orizzonte) per riflettanza del suolo nulla; Ls max : radianza al sensore nell’area di interesse per il valore minimo dell’angolo zenithale solare (punto con elevazione solare più alta sull’orizzonte) per riflettanza del suolo massima per la zona di interesse (per esempio 0.9). 5.2.2.4 SIMULAZIONE DEI CONTRIBUTI DI RUMORE Le immagini acquisite da sensori per telerilevamente sono affette da vari tipi di rumore, che possono essere suddivisi principalmente in quattro gruppi: - Rumore periodico: è un tipo di disturbo che può essere sia stazionario che non stazionario, una possibile causa può essere l’interferenza elettromagnetica tra componenti, è sostanzialmente deterministico ed è visibile sull’immagine come un pattern spaziale periodico la cui ampiezza può essere costante o no, e così anche la fase. 67 - - - Rumore coerente: questo tipo di disturbo è di natura parzialmente deterministica ed è visibile sulle immagini come un pattern spaziale irregolare. Per quanto riguarda immagini iperspettrali, come quelle del sensore PRISMA, esso pùò produrre pattern differenti per ciascuna banda, in questo caso il rumore è definito spazialmente e spettralmente coerente. Il pattern spaziale di rumore è originato, per i sensori a matrice, da una distribuzione di sensibilità non uniforme tra gli elementi che compongono il CCD, ed è quindi organizzato per righe. Tradizionalmente questo tipo di disturbo viene rimosso attraverso la calibrazione flat-field. Tale operazione però non è sempre attuabile, soprattutto con sensori aventi elevato range dinamico: è infatti necessario disporre di sorgenti di laboratorio con uscita controllabile con elevata accuratezza sia spaziale che spettrale ed anche estremamente stabili nel tempo; inoltre il passare del tempo può modificare la risposta del detector. In Fig. 1 è rappresentata schematicamente l’origine dei pattern spaziali di rumore per uno spettrometro ad immagine di tipo pushbroom. Rumore casuale (random): Questo tipo di rumore ha natura completamente stocastica e non mostra nessun tipo di struttura o ordine. E’ rumore “standard” che affligge ogni tipo di immagine digitale. Può essere dipendente dal segnale (rumore fotonico) oppure no (rumore termico, rumore di read-out, ecc.). Generalmente questo tipo di rumore è quello che limita maggiormente il rapporto segnale/rumore (SNR), quindi se ne deve tenere conto in modo accurato. Rumore isolato: Anche il rumore isolato ha natura stocastica, ma è caratterizzato da una perturbazione forte nell’ampiezza del segnale, che si manifesta in un numero limitato di pixel, che appaiono saturati o neri. Questo tipo di disturbo generalmente non rappresenta un grosso problema, perché non è sempre presente e riguarda un numero molto limitato di pixel. Fig. 5.30 Rappresentazione schematica di uno spettrometro ad immagine pushbroom, la sensibilità dei singoli elementi non è uniforme. Poiché essa dipenda dalla lunghezza d’onda (riga del CCD) il disturbo è coerente anche spettralmente oltre che spazialmente. 68 5.2.2.4.1 GENERAZIONE DI IMMAGINI SIMULATE TENENDO CONTO DEI VARI CONTRIBUTI DI RUMORE ALEATORIO Per quanto riguarda le immagini iperspettrali simulate di PRISMA sono stati considerati inizialmente i soli contributi random, mentre i contributi di rumore coerente (pattern noise) verranno considerati in seguito. I dati forniti da Selex come caratteristiche del le ottiche e del CCD: - Pixel pitch: 30 μm - Integration time: 4.31 ms - Focal length: 620 mm - Entrance pupil diameter: 210 mm - Dark current: TBD - Read-out noise: <150 e con Gain 1 e <350 e con Gain 2 In generale, per un dato pixel di un generico sensore iperspettrale: , , , , , dove: , , è il segnale misurato, che può essere espresso in varie unità di misura (vedi par. 5.2.2.3). , rappresenta il pattern noise. , , rappresenta il segnale ideale, senza rumore. rappresenta I vari contributi di rumore additivo. In si trovano: il contributo di rumore fotonico, ch e è dipendente dal segnale in quanto la sua standard deviation è proporzionale alla radice quadrata del numero di fotoni che arrivano sull’elemento fotosensibile: Poi il contributo del Read out noise e quello dalla dark current che generalmente sono formiti come parametri nei data sheet del CCD, e sono indipendenti dal segnale. I contributi di rumore random sono stati aggiunti alle immagini di radianza precedentemente simulate. In Fig. 5.31 si può vedere un dettaglio della banda a 660 nm prima e dopo l’aggiunta di rumore. a b Fig. 5.31 Dettaglio dell’immagine simulata per la banda a 660 nm prima (a) e dopo l’aggiunta di rumore (b) 69 70 6 I PRODOTTI 6.1 ORGANIZZAZIONE DEI PRODOTTI DI PRISMA In base alle richieste di ASI i dati PRISMA saranno forniti a vari livelli di processamento in modo da convertire i “digital number”, forniti dai due sensori ottici del payload, in unità fisiche di interesse. I vari prodotti potranno contenere le seguenti classi: • Parametri strumentali • Radianze al sensore per ogni canale del sensore iperspettrale e per la camera pancromatica • Riflettanze a terra per ogni canale del sensore iperspettrale e per la camera pancromatica • Mappe di parametri geofisici, geochimici, biofisici, biochimici • Ulteriori parametri derivati di interesse per gli utenti Inoltre saranno forniti ulteriori informazioni, rilevanti per l’utilizzo dei prodotti, quali: • Informazioni per localizzare le immagini acquisite • Dati relative alla geometria di vista ed alla posizione del Sole • Altre annotazioni quali le maschere di classificazione e di utilizzabilità • L’altimetria del terreno • Dati che permettano di convertire i “digital number” forniti dagli strumenti in unità fisiche di interesse • Flags che indichino la qualità del dato Fig. 6.1: Schema di generazione dei prodotti della missione PRISMA Come mostrato sinteticamente in Fig. 6.1, i prodotti della missione sono generati gerarchicamente a partire dai dati ripresi dai due sensori ottici, secondo il seguente ordine. Prodotti di livello 0: 71 1. Dati raw formattati, inclusi i relativi metadati Prodotti di livello 1, ottenuti applicando la calibrazione radiometrica ai dati di livello 0: 1. Radianza spettrale al top dell’atmosfera (PAN) 2. Radianza spettrale al top dell’atmosfera (iperspettrale) I prodotti di livello 1 includeranno: cloud mask sun glint mask calibration and characterisation data data mask (identifica la classe del pixel: acqua, vegetazione, foresta, coltivato, non vegetato, nuvola, neve) Prodotti di livello 2b, ottenuti applicando la correzione atmosferica e la geocodifica su elissoide terrestre ai dati di livello 1: 1. Radianza spettrale geolocalizzata (PAN) 2. Radianza spettrale geolocalizzata (Iperspettrale) Prodotti di livello 2c, ottenuti applicando la correzione atmosferica e la geocodifica su elissoide terrestre ai dati di livello 1: 1. Riflettanza spettrale (PAN) 2. Riflettanza spettrale (Iperspettrale) Aerosol optical thickness and Angstrom exponent maps Vapor acqueo Cloud optical thickness maps Prodotti di livello 2d, ottenuti applicando la la geocodifica con DEM (Digital Elevation Model) ai dati di livello 2c: 1. Riflettanza spettrale geocodificata 2. Riflettanza spettrale geocodificata I prodotti di livello 1 e 2, secondo le indicazioni di ASI, saranno generati in Hierarchical Data Format (HDF). Nella Tab. 6-1 vengono riassunte le principali caratteristiche dei prodotti come erano stati individuati per la missione JHM precursore di PRISMA. Per ciascuno di essi viene indicato il set di bande più rilevanti ai fini della generazione del prodotto in esame. Livello Calibrazione Level 0b Tipo di prodotto Correzione radiometrica Tabella dark offset Correzione radiometrica Tabella dei guadagni Sensore Iperspettrale Correzione radiometrica Tabella guadagni e offset PAN Caratterizzazione radiometrica Caratterizzazione spettrale Elementi difettosi del sensore Dati dell’immagine Pre-/Post-dati dell’immagine Iperspettrale Iperspettrale Iperspettrale Iperspettrale Iperspettrale PAN Iperspettrale PAN 72 Descrizione Offsets da on-board pre- e post-calibrazione dell’immagine Coefficiente (derivata prima) della funzione polinomiale di calibrazione per trasformare i DN in unità fisiche Coefficiente (derivata prima e offset) della funzione polinomiale di calibrazione per trasformare i DN in unità fisiche Risposta spaziale non uniforme, striping Smile, Keystone Indicazioni su pixel difettosi Tempo di acquisizione, dati per le immagini validate. Tempo di acquisizione, dati per le immagini pre e post validate Level 1 Radianza al sensore Iperspettrale PAN Maschera per la classificazione generale Maschera per le nubi Iperspettrale PAN Iperspettrale PAN Iperspettrale PAN Iperspettrale PAN Maschera per il sun glint Level 2b Radianza a terra Level 2c Riflettanza a terra Iperspettrale PAN Caratterizzazione degli aerosol Vapor d’acqua Caratterizzazione delle nuvole Level 2d Level 3a Level 3b Level 4 Iperspettrale PAN Parametri geofisici/geochimici/biofisici/ biochimici Radianza al sensore: viene applicata la correzione radiometrica, vengono forniti i parametri per la geo-localizzazione Pixels nuvolosi e non Pixels affetti da Sun glint Radianza a terra, rimozione edgli effetti atmosferici, parametri per la geo-locazione; dati per la co-registrazione verificati; i parametri per la geo-registrazione vengono forniti ma non applicati Riflettanaz a terra, vengono forniti i parametri per la geo-locazione; i dati per la co-registrazione sono verificati; i parametri per la georegistrazione vengono forniti ma non applicati AOT, coefficienti di Angstrom. Vengono forniti i parametri per la geo-locazione; i dati per la coregistrazione sono verificati; i parametri per la geo-registrazione vengono forniti ma non applicati Vapor d’acqua. Vengono forniti i parametri per la geo-locazione; i dati per la co-registrazione sono verificati; i parametri per la georegistrazione vengono forniti ma non applicati Profondità ottica delle nuvole, Vengono forniti i parametri per la geo-locazione; i dati per la coregistrazione sono verificati; i parametri per la geo-registrazione vengono forniti ma non applicati Geo-localizzazione dei prodotti 2c Mappa della copertura del terreno dei parametri geofisici/geochimici/biofisici/biochimici, derivati dai dati dei prodotti di livello 3c. Vengono forniti i parametri per la geo-locazione; i dati per la coregistrazione sono verificati; i parametri per la geo-registrazione vengono forniti ma non applicati Geocodifica dei prodotti di livello 3° Informazioni provenienti dal post-processing dei prodotti di livello 3, ad esempio calcoli dei trend di alcuni parametri geofisici/geochimici/biofisici/biochimici Info Tab. 6-1: Sommario dei prodotti derivati dalla missione JHM 6.1.1 STRUTTURA DEI FILE Ogni prodotto dal livello 0b al livello 2d conterrà un Main Metadata File e se richiesti Optional Metadata Files oltre al Product Data File. Il Main Metadata File conterrà informazioni sul product dataset e sui file ausiliari ed ancillari e dovrebbe essere leggibile dall’utente, per permetterne una rapida ispezione, e strutturato, per permetterne un facile post-processing. Il Main Metadata File dovranno contenere almeno i seguenti gruppi di informazione: 73 • Date Info • Product Info • Satellite/Geometry Info • Image Info • Quality Info • Calibration Products Info • Ancillary Files Info • Auxiliary Files Info I file, usati nel processing e riferiti nel Main Metadata File, dovranno avere un nome che segua una convenzione in modo da facilitarne il riconoscimento. Tale convenzione dovrebbe includere almeno: • Nome convenzionale secondo il tipo di file • Data di creazione del file • Data di inizio della validità • Data di fine della validità Tutte le informazioni, rilevanti per il processamento del prodotto dal livello 0b fino al livello generato, saranno mantenute nel Main Metadata File così come i riferimenti ai file utilizzati. Ciò permetterà la tracciabilità di tutte le operazioni eseguite per generare il prodotto richiesto. La struttura del Main Metadata File dovrebbe essere fissa per permettere di riportare ogni informazione utile per ogni livello di prodotto e tipo e per puntare ai file ausiliari / ancillari relativi ad ogni livello di processamento. Tutte le volte che un’informazione, inclusa nella struttura del Main Metadata File, non risulterà pertinente per un certo prodotto, verrà indicata come N/A. Come specificato dal Product Layers Flags Set nel gruppo Product Info del Main Metadata File, il Product Data File conterrà i seguenti datasets, i cui contenuti saranno dettagliati in seguito: • Image dataset (tutti i livelli di prodotto) • Quality Mask (tutti i livelli di prodotto) • Cloud Mask • Sun Glint Mask • General Classification Mask • Geolocation Mask 6.1.2 HIERARCHICAL DATA FORMAT VERSIONE 5 Dello Hierarchical Data Format (HDF), sviluppato inizialmente dal National Centre for Supercomputing Applications (NCSA) dell’Università dell’Illinois, supportato e distribuito gratuitamente, la versione 5-1.8.8 è ad oggi la più recente. HDF5 è in grado di assicurare le più alte adattabilità, portabilità e generalità di grosse moli di dati verso i sistemi di calcolo, i programmi e le librerie utilizzati dagli sviluppatori di applicazioni e dagli utenti finali. I file HDF5 sono organizzati in una struttura gerarchica, con due strutture principali: i gruppi ed i datasets. Ogni gruppo o dataset può avere una lista di attributi associati. Un attributo è una struttura definite dall’utente fornisce informazioni aggiuntive su un oggetto HDF5. L’organizzazione gerarchica del HDF5 è riportata in Fig. 6.2. 74 GROUP Header Attributes Name Datatype Dataspace Data DATASET Header Name Datatype Dataspace Storage layout Attributes Name Datatype Dataspace DATA ARRAY Data Fig. 6.2: Organizzazione dell’Hierarchical Data Format versione 5 Group Un group HDF5 è una struttura contenente zero o più oggetti HDF5. Un gruppo è composto da due parti: • un group header: contiene il nome del gruppo e la lista degli attributi del gruppo. • un group symbol table: contiene la lista degli oggetti HDF5 che appartengono al gruppo. Dataset Un dataset è un array multidimensionale di elementi di dati, insieme al metadata di supporto. Un dataset è immagazzinato in un file in due parti: • un dataset header: contiene informazioni necessarie ad interpretare la porzione di array del dataset così come il metadata (o i puntatori al metadata) che descrive o annota il dataset. Le informazioni dell’header includono il nome dell’oggetto, le dimensioni, il tipo, dove sono immagazzinati i dati su disco ed altre informazioni utilizzate per velocizzare l’accesso al dataset o mantenere l’integrità del file. In ogni header esistono quattro classi essenziali: • Name • Datatype • Dataspace • Storage layout • un data array. Attributes 75 Gli attributes sono piccoli named datasets che possono essere aggiunti ad una delle seguenti strutture: • primary datasets • groups • named datatypes Gli attributes possono essere utilizzati per descrivere la natura e/o l’utilizzo previsto di un dataset o group. Un attribute è compost da due parti: • nome • valore Il valore contiene uno o più data entries dello stesso datatype. Quando si accede agli attributes, essi possono essere identificati dal nome o da un index value. L’uso di un index value rende possibile iterare attraverso tutti gli attributes associati ad un dato oggetto. CORREZIONE ED INTEGRAZIONE DATI Il processore dello strumento PRISMA è costituito da un insieme di procedure applicate sequenzialmente ai dati grezzi acquisiti per ottenere i valori di radianza al sensore (entrante nella pupilla d’ingresso dello strumento) il tutto con l’ausilio dei KDP (Key Data Parameters), aggiornati attraverso le calibrazioni a terra ed in volo, i dati ancillari descriventi le condizioni operative della missione ed i parametri di volo. Ai dati di radianza al sensore vengono applicate le correzioni atmosferiche implementate da OHB-CGS come ripotato in figura per ottenere i prodotti di livello 2c tra cui le mappe di riflettanza a terra. Per ottenere le altre mappe sono state scelte 14 bande spettrali della camera iperspettrale e precisamente quelle centrate su: AEROSOL Lunghezza d’onda centrale delle bande utilizzate 417 nm 495 nm 680 nm 780 nm 871 nm 1045 nm 1245 nm 1625 nm 2141 nm VAPOR D’ACQUA Lunghezza d’onda centrale delle bande utilizzate 871 nm 915 nm 935 nm 946 nm 976 nm 1045 nm 1126 nm 1245 nm Inoltre la procedura implementata passa attraverso l’utilizzo di Look-Up Table (LUT) preconfezionate ed il calcolo della riflettanza al sensore in cui: · cos · dove: : : : radianza spettrale solare alla sommità dell’atmosfera angolo zenitale solare irradianza spettrale solare alla sommità dell’atmosfera 76 Fig. 6.3: Procedura sviluppata da OHB-CGS per le correzioni atmosferiche comprensive dell’abbondanza colonnare di O3, CO2, O2, CH4 NO2 e N2O applicate ai dati L1 per ottenere mappe L2c tra cui Cloud Optical Thickness (COT) e Aerosol Optical Depth (AOD). Lo schema generale della procedura sviluppata dal Progetto OPTIMA per la correzione dei dati acquisiti dalla missione PRISMA è riportato nella figura seguente. Come si può notare questa procedura differisce sostanzialmente da quella implementata da OHB-CGS in quanto evita di passare per il termine di riflettanza alla sommità dell’atmosfera e non ricorre all’utilizzo di LUT (Look Up Tables), basandosi sull’impiego diretto di un modello di trasferimento radiativo, basato sul programma MODTRAN 5.2 e reso possibile dalle notevoli potenze di calcolo dei calcolatori oggi disponibili. 77 Fig. 6.4: Procedura generale di correzione dati sviluppata dal progetto OPTIMA. 78 6.1.3 GEOLOCALIZZAZIONE E GEOCODIFICA I prodotti geolocati di PRISMA includeranno informazioni sulla localizzazione geografica dei pixel (per ogni pixel i valori di latitudine, longitudine e quota del centro del pixel sono riportati nella Geolocation Mask nel Product Data File, in layers dedicati) ma non saranno eseguiti né trasformazioni né ricampionamenti. L’immagine viene detta geolocata quando ad ogni pixel viene fatto corrispondere una coppia di coordinate geografiche (tipicamente latitudine e longitudine). La corrispondenza tra la coppia di coordinate geografiche e l’effettivo punto al suolo è definita dalla scelta di un datum (modello di ellissoide di riferimento, per esempio: WGS84). Per stabilire la relazione che associa le coordinate , del pixel dell’immagine con la coppia di coordinate geografiche (latitudine, longitudine) è necessaria la conoscenza degli opportuni parametri che descrivono tale relazione (mapping). Una scelta dei suddetti parametri è, ad esempio data dalla posizione del satellite (coordinate geografiche del punto al nadir, quota del satellite) e dalla direzione di puntamento del centro della scena (oppure un qualsiasi altro insieme equivalente di variabili descrittive dell’orbita e della posizione di vista). Un’opportuna trasformazione (espressa solitamente in forma matriciale) lega quindi le coordinate , del generico pixel dell’immagine con la coppia , , , per il datum fissato. L’immagine può, a questo punto, essere rappresentata (proiettata) utilizzando un’opportuna trasformazione (proiezione cartografica) che passi dal piano , al piano , , , verso il quale la proiezione ha luogo. Ciò renderà possibile la geocodificata dell’immagine. 79 6.2 PRODOTTO DI LIVELLO 1 - RADIANZA AL SENSORE La calibrazione radiometrica invece serve convertire la risposta del sensore (il segnale digitalizzato del convertitore) in unità fisiche assolute ossia nel valore di radianza al sensore. Ciò comporta che siano determinati i valori della corrente di buio del sensore insieme ai coefficienti di guadagno per ogni elemento fotosensibile che compone il sensore utilizzato. Ciascun elemento fotosensibile del rivelatore a matrice presenta un guadagno (o sensibilità) S ( x, ) ed un segnale di buio g0 ( x, ) , quindi il valore g ( x, y, ) misurato dal sensore espresso in digital number) risulta essere: g ( x, y, ) I ( x, y, ) * H ( )S ( x, ) g 0 ( x, ) Eq. 6-1 dove I ( x, y, ) è la radianza che illumina la fenditura d’ingresso dello spettrometro e Lmis ( x, y, ) I ( x, y, ) * H ( ) è la radianza che arriva sul piano d’uscita dello spettrometro ed illumina il rivelatore. Abbiamo già detto che il guadagno (o sensibilità), variando da un pixel all’altro del rivelatore, produce nei sistemi push-broom un modello di rumore coerente spazialmente (a barre che seguono la direzione di volo) e spettralmente. 6.2.1 CALIBRAZIONE DELLA CORRENTE DI BUIO Per determinare il termine g 0 ( x, ) di (6-1), in laboratorio si devono eseguire misure ripetute nel tempo del segnale di buio cioè in assenza di illuminazione, in modo da poter calcolare la sua statistica (varianza e valore di aspettazione) indipendentemente per ogni pixel del sensore. Durante il sorvolo è consigliabile eseguire almeno una misura di buio mantenendo chiusa la botola dell’aereo (nelle stesse condizioni operative di guadagno, otturatore e tempo di integrazione) e acquisendo un numero di righe di scansione sufficiente a stimare i momenti statistici di I e II ordine con una precisione compatibile con il numero di bit del sensore. 6.2.2 CALIBRAZIONE DEL SENSORE A MATRICE (FLATFIELD) Dopo questa operazione occorre misurare e quindi correggere le variazioni locali di sensibilità S ( x, ) dei singoli elementi fotosensibili del sensore a matrice. L’operazione è resa complessa essenzialmente per due aspetti: 1. la difficoltà di reperire un riflettore standard da laboratorio che soddisfi i seguenti requisiti: a) riflettività nota e spazialmente omogenea; b) riflettività spettralmente costante (per motivi di equalizzazione del segnale è opportuno che lo stesso non presenti variazioni spettrali di grande ampiezza che comporterebbero una peggiore accuratezza di digitalizzazione alle lunghezze d’onda corrispondenti alle potenze minori); c) isotropia della riflessione (riflettività di tipo lambertiano); 80 d) resistenza all’invecchiamento; e) stabilità chimica; f) materiale non igroscopico; 2. la difficoltà di reperire una sorgente di radianza nota spettralmente, omogenea spazialmente e stabile temporalmente (su tutto l’intervallo spettrale esplorato) con un’accuratezza migliore di quella di digitalizzazione del sensore (> 0,1% nel caso di una conversione a 10 bit). È prassi comune utilizzare come riflettore standard un pannello di SpectralonTM della Labsphere Inc., costituito da polvere compressa di poli-tetra-fluoro-etilene (PTFE), chimicamente inerte alla maggior parte dei composti basici e stabile termicamente fino a temperature di 350 oC. Le caratteristiche dello SpectralonTM sono riportate in Tab. 6-2. Intervallo spettrale: Riflettanza: Stabilità termica: Limite di danneggiamento da laser: Densità: Permeabilità all’acqua: Robustezza: Coefficiente di espansione lineare: 0.2 – 2.5 µm 98 – 99 % fino a 350 °C > 8.0 Jm-2 1.25 – 1.5 gcm-3 < 0.001% 20 – 30 Shore D (5.5 – 6.5) x 10-4 °C-1 Tab. 6-2: Caratteristiche dello SpectralonTM . Uno strato di solfato di bario (BaSO4) viene talvolta depositato sulla superficie dello SpectralonTM, al fine di ottenere una migliore uniformità spettrale della riflettanza (fino a lunghezza d’onda di 2.5 µm). Una sorgente con questi requisiti può essere ottenuta con una sfera integratrice ed una sorgente primaria di irradianza, costituita da una o più lampade a incandescenza (alogene) la cui alimentazione sia controllata almeno in potenza. L’apertura d’uscita della sfera integratrice dovrà essere sufficientemente larga da poter illuminare uniformemente l’ottica di ingresso dello spettrometro. La radiazione emessa dalla lampada viene infatti raccolta dalla sfera integratrice e attraverso riflessioni multiple e processi di diffusione sulle pareti interne si viene a creare una distribuzione di campo uniforme. L’area della fessura di uscita della sfera integratrice si comporta pertanto come una sorgente secondaria Lambertiana caratterizzata da una radianza che è costante sul piano dell’apertura della sfera e indipendente dall’angolo di vista. Usando i valori di calibrazione radiometrica della sfera integratrice si può poi ricavare i valori dei coefficienti S ( x, ) di guadagno dividendo i valori di radianza noti per i digital number indicati dal sensore. Usando lo stesso apparato sperimentale si verificherà poi che la grandezza S ( x, ) sia anche indipendente dalla radianza incidente sul sensore, cioè dall’ampiezza del segnale rilevato. Infatti la sfera integratrice ha la possibilità di variare in maniera controllata la radianza emessa dall’apertura e di verificare così anche la calibrazione della linearità della risposta radiometrica del segnale. Tuttavia questa procedura richiede sfere integratrici grandi, con diametri dell’ordine dei 500 mm e dotate di più sorgenti, quindi richiede un investimento notevole sia in termini di spazi che economici. Un sistema che viene comunemente fornito dalle ditte produttrici di spettrometri ad immagine per aereo è costituito da un banco di calibrazione. Tale banco comprende una lampada alogena posta in un contenitore a pareti bianche e che illumina una apertura di vetro smerigliato approssimabile ad un diffusore lambertiano. L’ottica d’ingresso del sensore viene accoppiata al vetro smerigliato per effettuare le misure di calibrazione. 81 Nel caso in cui non si disponga di nessuno delle componenti sopra-descritte si può ricorrere ad una procedura “vicaria” come quella descritta di seguito e che è stata da noi adottata per la calibrazione della risposta del VIRS-200. Innanzitutto bisogna determinare quei profili c( x, ) che dipendono solamente dalla coordinata “across-track” x con i quali viene rimosso ogni effetto introdotto dalla variazione spaziale della sensibilità del rivelatore. Questi profili possono essere determinati in due modi: (a) utilizzando direttamente le immagini acquisite secondo la procedura descritta nei capitoli precedenti; (b) sostituendo la sfera integratrice con una coppia di diffusori piani. Idealmente il primo diffusore produce un’illuminazione omogenea sulla superficie del secondo che tuttavia riceverà un campo di radiazione non isotropa. Il secondo diffusore quindi uniforma la radiazione incidente fra le diverse direzioni di propagazione ed il sistema tende a comportarsi con buona approssimazione come una sorgente estesa, uniforme e isotropa. In realtà i diffusori sono caratterizzati da una funzione di fase che decresce rapidamente per angoli maggiori di una certa soglia della FWHM (angolare) della funzione di fase non nota a priori. L’uniformità della illuminazione sul piano del secondo diffusore sarà ottenuta imponendo che la distanza h tra i due diffusori sia tale che: h tan 2 d Eq. 6-2 2 essendo d la dimensione di ciascun diffusore. Questo sistema si comporterà pertanto come una sorgente estesa che emette un campo di radiazione praticamente costante entro un angolo . Nel nostro esperimento sono stati utilizzati due diffusori piani (opalini) di dimensioni 30 cm x 15 cm, posti ad una distanza mutua di 20 cm ed illuminati con una lampada alogena (600 W), riflessa da un pannello di Teflon. La risposta del sensore g~( x, y, ) , corretta per il segnale medio di buio e per il rumore spazialmente coerente (livello 1A), sarà adesso proporzionale alla radianza al sensore secondo un fattore di scala che dipende solamente dal canale considerato: g~( x, y, ) g ( x, y , ) g 0 ( x, ) c( x , ) ~ Lmis ( x, y, ) S ( ) Eq. 6-3 6.2.3 CONVERSIONE IN UNITÀ DI RADIANZA L’idea di base della calibrazione radiometrica vicaria è quella di simulare lo spettro di radianza al sensore Ltheo ( x, y, ) con il MODTRAN 5 e di confrontarlo con quello misurato ~ Lmis ( x, y, ) in un pixel noto al fine di estrarre i coefficienti S ( ) . Per simulare la radianza al sensore si sfruttano le misure effettuate a terra, in particolare si utilizza lo spettro di riflettanza misurato sul sito di calibrazione con uno spettrometro sufficientemente preciso. La Fig. 6.5 riproduce un esempio di spettro acquisito in campo con uno spettrometro GER Mark V. 82 1 Riflettanza 0.8 0.6 0.4 0.2 0 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400 Lunghezza d'onda (nm) Fig. 6.5: Spettri di riflettanza misurati in laboratorio su un campione di sabbia prelevato in prossimità della foce del Morto Nuovo all’interno della Tenuta di San Rossore (Pisa), scelto come sito di calibrazione, in occasione della campagna di telerilevamento di giugno 2000 Un simile spettro di riflettanza può essere dato come parametro di ingresso al programma MODTRAN 5, insieme a quelli che definiscono la configurazione di acquisizione del sensore della radianza riflessa dal sito di calibrazione scelto (quota sensore, giorno e data, angolo zenitale e azimutale di vista corrispondente al pixel della scena osservata, modello di aerosol, concentrazione colonnare di CO2 e H2O, ecc..). Quindi si effettua una media di g~( x, y, ) nell’intorno del sito di calibrazione (variabile da 5x5 pixels fino a 50x50 pixels), canale spettrale per canale spettrale, e dividendo per il valore ~ di Ltheo ( x, y, ) si stima il valore teorico del coefficiente Stheo ( ) di guadagno per le bande selezionate. g~( x, y, ) 5 x 5 Ltheo ( x, y, ) ~ Stheo ( ) Eq. 6-4 A questo punto il rapporto tra la risposta del sensore g~( x, y, ) e il coefficiente di ~ guadagno stimato Stheo ( ) produce l’immagine radiometricamente corretta ossia il valore di radianza al sensore Lmis ( x, y, ) (livello 1B). g~( x, y, ) ~ Stheo ( ) Lmis ( x, y, ) Eq. 6-5 La procedura qui descritta viene applicata prima alle immagini contenenti i siti di calibrazione in modo da verificare per le condizioni operative del sensore l’immagine di guadagno acquisita in laboratorio. Mentre l’immagine di buio acquisita in laboratorio viene 83 verificata almeno una volta sia all’inizio che alla fine dei sorvoli. Questo permette quindi di valutare la stabilità della risposta del sensore e di mitigare l’esigenza di dover disporre per ciascuna scena acquisita di una misura di calibrazione in-situ. 6.2.3.1 TEST DELLE PROCEDURE CNR-IFAC DI CORREZIONE RADIOMETRICA SU IMMAGINI HYPERION Gli algoritmi e le procedure già esistenti di correzione radiometrica sono stati testati su immagini acquisite dal sensore Hyperion, montato sul satellite EO-1, data la somiglianza delle sue caratteristiche con quelle della camera iperspettrale di PRISMA. In particolare sono state corrette radiometricamente le seguenti acquisizioni: Acquisizioni sulla città di Firenze il 19 dicembre 2002 ed il 14 luglio 2010 Acquisizione sul Parco di San Rossore il 10 agosto 2012 Acquisizione su Venezia il 7 giugno 2001 Acquisizioni fatte in Umbria su Collazzone il 25 marzo 2010 Acquisizioni fatte sul promontorio dell’Argentario il 12 luglio 2002, il 14 settembre 2002, ed il 10 luglio 2007. Le immagini di radianza al sensore sono state ottenute utilizzando delle procedure di calibrazione radiometrica standard, tenendo conto delle principali caratteristiche radiometriche di Hyperion. Come esempio in Fig. 6.6 vengono riportati i grafici relativi agli spettri di radianza al sensore per alcuni pixel caratteristici estratti dalle immagini acquisite su Firenze il 19 dicembre 2002 e corrette radiometricamente. 4 At sensor Radiance (microW cm‐2 sr‐1 nm‐1) 3.5 3 2.5 Grass II pt. Roof 2 Arno river Gras I pt. 1.5 Airport 1 0.5 0 400 600 800 1000 1200 1400 1600 Wavelength (nm) 1800 2000 2200 2400 a b Fig. 6.6 Spettri di radianza per alcuni pixel a terra (tetti, erba, fiume Arno, pista dell’aeroporto) dell’acquisizione su Firenze 84 6.2.3.2 MIGLIORAMENTO PROCEDURE CNR-IFAC DI CORREZIONE RADIOMETRICA Per completare realisticamnte il processo di simulazione delle immagini, è stato impiegato il programma di “de-striping” sviluppato da IFAC-CNR per estrarre dei profili realistici da immagini iperspettrali reali. Durante questo processo è stata ottimizzata la procedura in nostro possesso, introducendo dei fattori di normalizzazzione in lunghezza d’onda. 85 6.3 PRODOTTO DI LIVELLO 2c - RIFLETTANZA A TERRA Per estrarre i parametri fisici delle superfici osservate, in primo luogo la riflettanza, occorre correggere i dati telerilevati, tenendo conto che la radianza misurata dallo strumento ha attraversato l’atmosfera, subendo assorbimenti e diffusioni dovuti alla presenza di elementi quali gas e particolato, ed ha interagito con il suolo. A tal fine è necessario considerare un modello di propagazione della radiazione nell’atmosfera, che tenga conto dei possibili contributi radiativi alla radianza misurata dal sensore come indicato in modo schematico in Fig. 6.7. LAS event Ldown-welling Lpath sensor IFOV Ldirect trapping event SAS event Ladjacent background (a) pixel background (b) Fig. 6.7: Schematizzazione della propagazione della radianza in atmosfera e della sua interazione con il suolo che evidenziano (a) il numero totale di componenti radiative e (b) le componenti prese in considerazione. Come si evince dalla Fig. 6.7 (a) i vari contributi possono essere schematizzati come: 1. componente non riflessa dal suolo diffusa da elementi sia fuori che dentro il campo di vista del sensore; 2. componente non riflessa dal suolo diffusa da elementi solo dentro il campo di vista del sensore; 3. componente riflessa dal suolo direttamente trasmessa senza diffusioni; 4. componente riflessa dal suolo diffusa da elementi solo dentro il campo di vista del sensore; 5. componente riflessa dal suolo diffusa da elementi sia fuori che dentro il campo di vista del sensore; 6. componente riflessa dal suolo diffusa da elementi solo fuori il campo di vista del sensore; 7. componente dovuta al contributo dei pixel vicini per diffusione da elementi nel campo di vista del sensore; 8. componente dovuta al contributo dei pixel vicini sull’illuminazione del pixel osservato. 86 Riguardo il tipo di scattering che influisce la radianza totale Lobs misurata da un sensore, questa può essere pensata come la somma di L1 , L2 , Ldirect , Ladjacent . Per spiegare meglio il modello di 6.9 (b) dividiamo il fenomeno dello scattering in due classi: lo scattering ad angolo grande (“large angle scattering”, LAS) e quello ad angolo piccolo (“small angle scattering”, SAS). L’evento LAS viene generato quando il fotone collide con molecole (scattering di Rayleigh) e piccole particelle di aerosol, mentre l’evento SAS tiene conto degli effetti di scattering dovuti a particelle di aerosol grandi. La dimensione angolare di confronto è il campo di vista del sistema ad immagine che stiamo considerando. Come rappresentato in Fig. 6.7, la radiazione solare viene parzialmente assorbita e diffusa, così come la superficie terrestre viene irradiata dal Sole sia direttamente sia per diffusione che avviene sul percorso Sole-suolo. Quindi la superficie osservata origina un campo riflesso il quale, a sua volta, viene assorbito e diffuso sul percorso suolo-sensore. A questo contributo al segnale misurato dal sensore si aggiunge la radiazione diffusa dall’atmosfera proveniente sia dal Sole che da altri punti della superficie terrestre. Su entrambi i percorsi la radiazione subisce fenomeni di scattering e di assorbimento. Sul primo percorso la radianza che raggiunge il suolo può essere suddivisa in due contributi: l’irradianza solare direttamente trasmessa al suolo E dir e la radianza L1 diffusa dall’atmosfera attraverso eventi LAS direttamente nel campo di vista dello strumento. Nel secondo percorso possiamo distinguere tre contributi essenziali: L2 , Ldirect , Ladjacent . L2 è la radianza sottratta alla radianza riflessa dal suolo che raggiunge il sensore attraverso uno o più eventi LAS, e contiene la radianza dovuta gli effetti di trapping Ltrapping ed una parte degli effetti di adiacenza, come indicato in Fig. 6.7. Ldirect è la radianza riflessa dal suolo e direttamente trasmessa al sensore. Ladjacent è la radianza dovuta ai fenomeni di adiacenza (o di “cross-talk”) indotti da eventi SAS che risulta fortemente influenzata dalla tessitura della scena (valore di riflettanza e sua distribuzione spaziale). L1 e L2 sono pertanto contributi radiativi al segnale misurato indotti da eventi LAS e sono indicati con il termine L path . È da notare che: (a) L1 L2 poiché il livello di radianza L2 si viene ridotto prima per effetto della riflettanza del suolo e poi per la maggiore distanza percorsa in atmosfera; (b) Ladjacent è essenzialmente prodotta nel secondo percorso poiché nel tratto Sole-suolo un evento SAS produce solamente una ridistribuzione angolare dell’energia ( Ldown welling in Fig. 6.7 (b)) che non altera né l’irradianza diretta E dir (che illumina il suolo) né il livello di radianza Ldirect direttamente trasmesso al sensore. Lobs Ldirect Ladjacent L path 87 Eq. 6-6 6.3.1 METODOLOGIA SVILUPPATA DAL CNR-IFAC Abbiamo visto nei capitoli precedenti che per ricavare dalla radianza misurata da uno spettrometro lo spettro di riflettanza della superficie lambertiana osservata possiamo utilizzare l’Eq. 6-37 che qui di sotto riportiamo. Tuttavia questa espressione non tiene conto né degli effetti di adiacenza né di quelli di “trapping”. ( ) Lobs ( , ) L path ( , ) a ( ) TOA s ( ) sca ( ) cos exp E ( , ) exp E Eq. 6-7 Qui di seguito viene descritta la metodologia sviluppata presso il CNR-IFAC al fine di considerare i contributi radiativi dovuti agli effetti di adiacenza (dovuti essenzialmente a eventi di tipo SAS). 6.3.1.1 METODO DI STIMA DEL CONTRIBUTO DEI PIXEL VICINI Per fare questo una nuova soluzione alla RTE è stata trovata utilizzando il cosiddetto metodo degli “ordini successivi”. In altre parole la radianza-al-sensore L( , z; , ) riflessa dal suolo nella direzione di vista ( , ) viene schematizzata come la somma di una componente radiativa L(0) (, z; , ) (1) direttamente trasmessa al sensore e di una componente radiativa L (, z;, ) diffusa verso il sensore in seguito ad un solo evento di scattering (evento SAS): L(, z;, ) L(0) (, z, , ) L(1) (, z, , ) Eq. 6-8 Queste due componenti radiative soddisfano la RTE: dL( 0 ) ( , z; , ) ext L( 0 ) ( , z; , ) dz cos (1) ext L ( , z; , ) sca ( , z; ' , ' , ) L( 0 ) ( , z; ' , ' )d( ' , ' ) dL(1) ( , z; , ) 4 dz cos Eq. 6-9 Le condizioni al contorno di Eq. 6-9 sono: ( 0) L ( , z 0; , ) (1) L ( , z 0; , ) ( ) E ( ) Eq. 6-10 0 La prima equazione del sistema di Eq. 6-9 ammette una soluzione tipo Beer: 88 z ( ) d ext ( ) E ( ) ( ) E ( ) L( 0) ( , z; , ) exp 0 exp ( , z ) sec Eq. 6-11 cos Per trovare una soluzione alla seconda equazione del sistema Eq. 6-9 occorre fare alcune approssimazioni: - ( 0) la componente radiativa L (, z; , ) che compare nella funzione sorgente viene (0) sostuita con il suo valore al suolo L (, z 0; , ) ; - (1) ad una certa quota z si considera per il calcolo di L (, z;, ) solo il flusso della semisfera inferiore; la scattering dominante è di tipo Rayleigh con funzione di fase normalizzata all’unità; il coefficiente di scattering è stato assunto come una funzione separabile delle variabili z sca ( , ) lunghezza d’onda e spaziale in modo tale che d sca ( ) f ( z , ) 0 cos J ( , z ; , ) 0 ( , z ) ( , z; ' , ' , ) L( 0) ( , z; ' , ' )d( ' , ' ) 4 0 ( , z ) ( , z; ' , ' , ) L( 0) ( , z 0; ' , ' )d( ' , ' ) 4 ( ) E ( ) Eq. 6-12 2 / 2 0 ( , z ) 0 ( , z ; , ' ' ' ' , )d( , ) 0 ( ) E ( ) 0 ( , z ) 2 Inoltre l’integrale spaziale (della variabile quota) lungo la direzione di vista viene risolto estraendo il termine di attenuazione esponenziale con un valore medio come indicato in Eq. 6-13: ( , z ) ( , ) ( , ) d ext ( , ; , ) exp J 0 cos cos z ( ) E ( ) sca ( , ) exp ( , z ) sec d 0 2 cos ( ) E ( ) sca ( ) exp ( , z ) sec f ( z, ) 2 L(1) ( , z; , ) z 89 Eq. 6-13 Generalizzando al caso in cui i fotoni subiscano più di un evento di scattering lungo la direzione di vista del sensore, si può utilizzare la seguente espressione per il contributo alla radianza dovuto agli effetti di adiacenza: (1) L ( , z; , ) ( ) E ( ) ( ) A( z, ) 1 exp ( ) 2 Eq. 6-14 In conclusione la riflettanza obbedisce alla seguente espressione: ( ) Lobs ( , ) L path ( , ) TOA ( ) E sca ( , ) exp s ( ) A( z , ) exp ( ) E ( ) cos exp a ( ) 2 Eq. 6-15 Al fine di stimare i coefficienti A( z, ) , e ( ) abbiamo sviluppato un algoritmo che minimizza la funzione di costo E definita in Eq. 6-16: E k 2 (k ) 1 Eq. 6-16 (k ) dove la somma è eseguita sul numero di misure disponibili (campioni spettrali) e rappresenta uno spettro di riflettanza mediata su un numero di campioni spettrali. k / 2 ( )d ( k ) Eq. 6-17 k / 2 6.3.1.2 METODO ITERATIVO ATMOSFERICI DI STIMA DEI PARAMETRI Una volta definito il modello fisico abbiamo messo a punto un metodo “autonomo” che stima la riflettanza della superficie osservata generando in modo automatico il file *tp5 del MODTRAN 5 con cui i diversi contributi radiativi di Eq. 6-15 vengono simulati. Attraverso un processo di tipo iterativo il metodo autonomo stima i valori della concentrazione di H2O, CO2 (per gli effetti di assorbimento atmosferico) e di visibilità (per gli effetti di diffusione (a 90 lenta variazione spettrale) dovuti agli aerosol e alle molecole (diffusione di tipo Mie e Rayleigh), considerati parametri liberi, che soddisfano i seguenti vincoli: - lo spettro di riflettanza stimato mostra una lenta variazione in lunghezza d’onda ovvero non contiene bande residue di assorbimento atmosferico (O2, H2O, CO2, O3) tranne in quelle lunghezze d’onda dove lo spessore ottico atmosferico è molto maggiore rispetto all’unità; - lo scarto tra lo spettro simulato di irradianza solare e quello teorico (ad es.: misurato in-situ) è sufficientemente piccolo; - lo scarto tra lo spettro teorico di riflettanza relativo ad un determinato pixel dell’immagine (spettro di verità) e quello stimato è sufficientemente piccolo. Classe Depositi 1 alluvionali 1 2 Depositi alluvionali 2 3 Argille azzurre 4 Lenti sabbie 5 Vegetazione su argille 6 Vegetazione su alluvionali 2 End-members Limo sabbioso Erba verde Suolo sabbioso-ciottoloso Calcite Illite Caolinite Montmorillonite Suolo argilloso Calcite Illite Caolinite Montmorillonite Sabbie Erba verde Suolo argilloso Calcite Illite Caolinite Montmorillonite Erba verde Suolo sabbioso-ciottoloso Calicte Illite Caolinite Montmorillonite Abbondanza 0.8 0.2 0.4 0.1 0.1 0.2 0.2 0.2 0.1 0.2 0.2 0.3 1.0 0.1 0.3 0.1 0.1 0.2 0.2 0.1 0.3 0.1 0.1 0.2 0.2 Tab. 6-3: diverse tipologie di suoli. 91 Libreria JHU_Soils USGS_Veg JHU_Soils USGS_Min USGS_Min USGS_Min USGS_Min JHU_Soils USGS_Min USGS_Min USGS_Min USGS_Min JHU_Soils USGS_Veg JHU_Soils USGS_Min USGS_Min USGS_Min USGS_Min USGS_Veg JHU_Soils USGS_Min USGS_Min USGS_Min USGS_Min (a) (b) Fig. 6.8: (a) spettri di riflettanza degli end-members utilizzati per simulare l’immagine di riflettanza di (b) le cui abbondanze sono indicate insieme alle classi nella nella Tab. 6-3 Con la mappa di riflettanza di Fig. 6.8 (b) sono state simulate diverse immagini di radianzaal-sensore introducendo gli effetti atmosferici e alcune caratteristiche riguardanti la modalità di funzionamento di uno spettrometro ad immagine (passo di campionamento e risoluzione spettrale, SNR ecc..). Un esempio di immagine sintetica è mostrata in Fig. 6.8. 92 153 canale spettrale Fig. 6.9: Immagine sintetica di radianza al sensore nel canale spettrale 153 centrato a 764.8 nm. Le frecce indicano i pixel da cui sono stati estratti gli spettri corrispondenti La Fig. 6.10 mostra l’andamento in funzione della lunghezza d’onda della radianza per 6 pixel dell’immagine di Fig. 6.9 . atm_(1,256) 18000 atm_(121,18) 16000 atm_(45,60) Radianza-al-sensore (nW cm-2 sr-1 nm-1) 20000 14000 atm_(110,81) 12000 atm_(172,223) 10000 atm_(52,167) 8000 6000 4000 2000 0 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 Lunghezza d'onda (µm) 2.0 2.2 2.4 Fig. 6.10: Spettri di radianza-al-sensore estratti dall’immagine sintetica di Fig. 6.8. I numeri della legenda indicano le coordinate dei pixel da cui sono stati estratti gli spettri. Il metodo autonomo del CNR-IFAC può utilizzare come parametri d’ingresso lo spettro di irradianza solare al suolo (che potrebbe essere misurato ad esempio durante una campagna di 93 telerilevamento) e lo spettro di riflettanza di almeno un punto della scena osservata. Con questi parametri di ingresso il metodo autonomo ha corretto per gli effetti atmosferici l’immagine sintetica di Fig. 6.8 generando il seguente file *tp5 per il MODTRAN 5. MM ff MM ff 2 2 2 1 8F 4 439.50223 1 0 1 4 1.500 0.000 1 2 256 0 43.730 349.700 399. 2500. 1 2 2 2 1 8F 4 439.50223 1 0 1 4 1.500 0.000 1 2 256 0 43.730 349.700 399. 2500. 3 1.500 0.000 1 2 256 0 43.730 349.700 3 1.500 0.000 1 2 256 0 43.730 349.700 0 0 0 0.949783 0 0 180.000 0 0 0 0 1.000000 F F F 24.11301 0.00000 0.000 0.000 0.000 1. 0 0 0.949783 0 0 179.993 0.000 11.333 1.RNDelimitaN 0 0 0 0 1.000000 F F F 24.11301 0.00000 0.000 0.000 0.000 1. 0.000 11.333 1.RNDelimitaN 0 0 0.000 0.00000 6371.230 0 0.000 1.00 0.00000 0 0.00000 0.000 90.000 0.000 0.000 A 0 0 0.000 0.00000 6371.230 0 0.000 0.000 6371.230 0.000 0.000 11.333 90.000 179.993 0.000 0.000 6371.230 0.000 0.000 11.333 90.000 0.00 0.00000 0 0.00000 0.000 0.000 0.000 270.000 A 180.000 0.000 0 0.000 0.000 0 0.000 0.000 0.000 0.000 Le variazioni dei valori dei parametri liberi di concentrazione di H2O, CO2 e visibilità meteorologica sono riassunti in Tab. 6-4. Scenario_suoli_argillosi_atm H2O: CO2: VIS: 2.77 g cm-2 439.5 ppm 18.55 km 0.95 439.5 24.11 Tab. 6-4: Variazioni dei valori dei parametri liberi di concentrazione di H2O, CO2 e visibilità meteorologica. 10000 atm_(1,256) atm_(45,60) atm_(172,223) 9000 Riflettanza (x 10000) 8000 atm_(121,18) atm_(110,81) atm_(52,167) 7000 6000 5000 4000 3000 2000 1000 0 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 Lunghezza d'onda (µm) 2.0 2.2 Fig. 6.11: Spettri di riflettanza in corrispondeza dei pixel indicati in Fig. 6.9. 94 2.4 In Fig. 6.12 lo spettro di riflettanza relativo al punto di coordinate (1,256) è confrontato con quello teorico. Come si evince dal grafico l’errore relativo percentuale è in media minore del 10% tranne che alle lunghezze d’onda relative a forti bande di assorbimento atmosferico e nei primi canali nel blu dovuto essenzialmente all’errore di stima della visibilità (che è legata al coefficiente di estinzione dovuto agli aerosol). 9000 Riflettanza (x 10000) 100 atm_(1,256) 90 teorico_(1,256) 8000 80 errore relativo 7000 70 6000 60 5000 50 4000 40 3000 30 2000 20 1000 10 Errore relativo (%) 10000 0 0 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 Lunghezza d'onda (µm) 2.2 2.4 Fig. 6.12: Spettri di riflettanza in corrispondenza dei pixel indicati in Fig. 6.9.. 6.3.1.2.1 PROCEDURE DI LETTURA E SCRITTURA DEL FILE DI INGRESSO DEL MODTRAN 5.2 Per quanto riguarda la correzione degli effetti atmosferici in maniera iterativa è continuata l’implementazione di procedure automatiche basate sulle uscite del programma di calcolo di trasferimento radiativo MODTRAN 5.2. In particolare sono state implementate nuove procedure di lettura e scrittura dei file di ingresso e di uscita del programma Modtran5.2. Per quanto riguarda la scrittura del file di input tape5 è stato sviluppato un softawre che permette di gestire tutte le cards che generano il file .tp5 e di generare chiamate multiple. Allo stesso tempo il software e’ in grado di leggere file di input generati precedentemente e di modificarli in tutto o in parte. Questo lavoro è stato propedeutico per la gestione delle procedure iterative necessarie per effettuare correzioni atmosferiche autonome. 6.3.1.3 SUPERFICI NON LAMBERTIANE Va ricordato che quanto descritto in precedenza, circa la modalità di correzione degli effetti atmosferici sulle immagini telerilevate, è valido se l’atmosfera è otticamente sottile e le superfici osservate sono lambertiane. Purtroppo in molti casi ciò non è vero e per quanto riguarda le superfici osservate spesso esse hanno direzioni preferenziali di riflessione della radiazione solare, in altre parole la riflettenza misurata di tali superfici dipende non solo dalla loro natura e struttura ma anche dall’intensità e posizione della sorgente di illuminazione e dalla posizione relativa dell’osservatore. 95 Per una trattazione dettagliata di questa problematica si faccia riferimento al lavoro di A.Barducci, D.Guzzi, P.Marcoionni, I.Pippi “Bidirectional Reflectance Distribution Function: Theory, Measurements, and Results”, CNR-IFAC Report, April 2004. 6.3.1.4 TEST DELLE PROCEDURE CNR-IFAC DI CORREZIONE ATMOSFERICA SU IMMAGINI HYPERION Gli algoritmi e le procedure già esistenti di correzione atmosferica sono stati testati su immagini acquisite dal sensore Hyperion, montato sul satellite EO-1, data la somiglianza delle sue caratteristiche con quelle della camera iperspettrale di PRISMA. In particolare sono state corrette atmosfericamente le seguenti acquisizioni: Acquisizioni sulla città di Firenze il 19 dicembre 2002 ed il 14 luglio 2010 Acquisizione sul Parco di San Rossore il 10 agosto 2012 Acquisizione su Venezia il 7 giugno 2001 Acquisizioni fatte in Umbria su Collazzone il 25 marzo 2010 Acquisizioni fatte sul promontorio dell’Argentario il 12 luglio 2002, il 14 settembre 2002, ed il 10 luglio 2007. Le immagini di radianza al sensore sono state corrette per gli effetti atmosferici utilizzando come parametri di ingresso, oltre ai parametri di acquisizione del sensore anche le grandezze fisiche che caratterizzano l’atmosfera terrestre quali i profili di pressione, temperatura, umidità, gli aerosol ed i principali componenti gassosi tipici per il momento ed il luogo in cui sono state effettuate le acquisizioni. Come esempio in Fig. 6.13 vengono riportati i grafici relativi agli spettri di riflettanza a terra per alcuni pixel caratteristici estratti dalle immagini acquisite su Firenze nel dicembre del 2002. a 100 90 80 70 Refelctance (%) Grass II pt. 60 Gras I pt. Roof 50 Airport 40 Arno river 30 20 10 0 400 600 800 1000 1200 1400 1600 Wavelength (nm) 1800 2000 2200 2400 b Fig. 6.13: Spettri di riflettanza al sensore (b) per alcuni pixel a terra (tetti, erba, fiume Arno, pista dell’aeroporto) dell’acquisizione su Firenze 96 6.3.1.5 TEST DELLE PROCEDURE CNR-IFAC SU IMMAGINI PRISMA SIMULATE Gli algoritmi e le procedure già esistenti di correzione atmosferica sono stati infine testati sul primo set di immagini “sintetiche”che simulano quelle che verranno acquisite dalla camera iperspettrale di PRISMA. L’immagine di radianza al sensore è quella relativa alla zona di Firenze, ottenuta tramite il simulatore di immagini/dati sviluppato nel WP 200 e descritto nel capitolo 5.2. Un dettaglio di tale immagine dove sono evidenziati i pixel di test è riportato in Fig. 6.14. Per la correzione abbiamo utilizzato come valori di partenza, oltre ai parametri di acquisizione del sensore, anche le grandezze fisiche che caratterizzano l’atmosfera terrestre quali i profili di pressione, temperatura, umidità, gli aerosol ed i principali componenti gassosi attesi per il momento ed il luogo in cui sono state simulate le acquisizioni. Fig. 6.14: Dettaglio dell’immagine sintetica corretta atmosfericamente dove sono evidenziati i pixel utlizzati per il confronto con la verità a terra. In Fig. 6.15 vengono riportati per alcuni pixel caratteristici i grafici relativi agli spettri di radianza al sensore (a) e di riflettanza a terra (b). In Fig. 6.15b vengono riportati per confronto gli spettri dei medesimi pixel estratti dall’immagine di verità a terra. 97 Forest Asphalt Grass Roof Lake Soil Grass 2 1600 Radiance (100 microW/ m^2 sr nm) 1400 1200 1000 800 600 400 200 0 400 900 1400 Wavelength (nm) 1900 2400 a Forest Asphalt Grass Roof Lake Soil Grass 2 Forest GT Asphalt GT Grass GT Roof GT Lake GT Soil GT Grass 2 GT 0.7 0.6 Reflectance 0.5 0.4 0.3 0.2 0.1 0 400 900 1400 Wavelenght (nm) 1900 2400 b Fig. 6.15 Spettri di radianza al sensore estratti dall’ immagine sintetica (a). Spettri di riflettanza a terra (linea continua) estratti dall’immagine sintetica corretta atmosfericamente(b) confrontati con le verità a terra (pallino). Di seguito vengono anche riportati i test di sensibilità della procedura di correzione atmosferica al variare del contenuto colonnare di vapor d’acqua (Fig. 6.16) e della visibilità (Fig. 6.17). Come esempio vengono mostrati gli spettri estratti da un pixel di erba, di suolo e di acqua. Si nota che il retrival è insensibile a variazioni del contenuto colonnare di vapor d’acqua entro un valore del 5%, per quanto riguarda la visibilità si nota una maggiore insensibilità al crescere del valore della visibilità medesima (cioè andando verso valori caratteristici di atmosfere molto limpide). 98 VegetaC_ref VegetaC_+5H2O VegetaC_+10H2O 1 VegetaC_+20H2O VEGETAZIONE 0.9 0.8 0.7 Reflectance 0.6 0.5 0.4 0.3 0.2 0.1 0 400 500 600 700 800 900 1000 1100 1200 1300 1400 Wavelength (nm) PistaC_ref PistaC_+5H2O PistaC_+10H2O PistaC_+20H2O 1 PISTA AEROPORTO 0.9 0.8 0.7 Reflectance 0.6 0.5 0.4 0.3 0.2 0.1 0 400 600 800 1000 1200 1400 Wavelength (nm) LagoC_ref LagoC_+5H2O 0.1 LagoC_+10H2O LagoC_+20H2O LAGO 0.09 0.08 0.07 Reflectance 0.06 0.05 0.04 0.03 0.02 0.01 0 400 500 600 700 800 900 1000 1100 1200 1300 1400 Wavelength (nm) Fig. 6.16 Variazione della riflettanza ricavata dopo le correzioni atmosferiche al variare del contenuto colonnare di acqua per un valore di visibilità pari a 20 Km. 99 Vegeta_vis=10 0.7 Vegeta_vis=15 Vegeta_vis=20 VEGETAZIONE 0.6 Reflectance 0.5 0.4 0.3 0.2 0.1 0 0 500 1000 1500 2000 2500 3000 2500 3000 2500 3000 Wavelength (nm) Pista_vis=10 Pista_vis=15 Pista_vis=20 0.7 PISTA AEROPORTO 0.6 Reflectance 0.5 0.4 0.3 0.2 0.1 0 0 500 1000 1500 2000 Wavelength (nm) Lago_vis=10 Lago_vis=15 Lago_vis=20 0.09 LAGO 0.08 0.07 Reflectance 0.06 0.05 0.04 0.03 0.02 0.01 0 0 500 1000 1500 2000 Wavelength (nm) Fig. 6.17 Variazione della riflettanza ricavata dopo le correzioni atmosferiche al variare della visibilità per un contenuto di vapor d’acqua standard. 100 101 6.3.2 METODO AUTONOMO DI CORREZIONE DI IMMAGINI IPERSPETTRALI Nell’ambito del progetto OPTIMA è stato implementata una procedura di correzione degli effetti atmosferici che stima in maniera più accurata il contributo della luce diffusa che illumina le superfici osservate. Gli sviluppi di tale procedura si basa sulla simulazione dei contributi atmosferici tramite il programma MODTRAN. MODTRAN MODEL AT-SENSOR RADIANCE 3 RUNS (albedo = 0) 1 RUN (albedo = 1) PATH RADIANCE ATMOSPHERIC CORRECTION TRANSMITTANCE GROUND IRRADIANCE GROUND REFLECTANCE Fig. 6.18: Procedura di correzione delle immagini iprspettrali. La procedura di ripulitura atmosferica attuale genera, utilizzando il modello di trasferimento radiativo Modtran 5.2, una mappa di riflettanza al suolo (Fig. 6.18). Tre run del modello nella geometria di acquisizione e con riflettanza al suolo nulla vengono utilizzati per stimare il contributo di path radiance retrodiffuso dall’atmosfera, mentre un singolo run serve a calcolare la trasmittanza verticale dell’atmosfera. Con questi dati viene prodotta la mappa di riflettanza al suolo. ( ) Lobs ( ) L path ( , s , v , r ) E grnd ( , s )Tobs (v ) Eq. 6-18 dove: ( ) è lo spettro di riflettanza al suolo per ogni lunghezza d’onda , s ,v , r sono gli angoli di zenith solare, di zenith di osservazione e di azimuth relativo sole - direzione di vista, L path è il contributo di path radiance (radianza retrodiffusa al sensore dall’atmosfera), Lobs è la radianza osservata dal sensore per il pixel generico dell’immagine, E grnd è l’irradianza incidente sul suolo, Tobs è la trasmittanza lungo la linea di osservazione terreno – sensore. 102 Lettura immagine satellitare e opportuna conversione delle unità fisiche Scelta del filtro per la simulazione della risposta del sensore Lettura file *.tp5 (file di input Modtran) per definizione parametri con cui è stata eseguita la simulazione Lettura output Modtran 5 dal corrispondente file *.7sc Ricampionamento spettro (simulato da Modtran) su ogni banda dell’immagine 1. 2. 3. 4. loop su ogni banda Lettura contributi: Trasmittanza; radianza retrodiffusa nella parte sinistra dell’immagine; radianza retrodiffusa nella parte centrale dell’immagine; radianza retrodiffusa nella parte destra dell’immagine. Correzione per effetti di trapping? Sì Calcolo effetti di trapping No Interpolazione lineare radianza diffusa su tutte le colonne dell’immagine Ricampionamento spettro di trasmittanza su ogni banda dell’immagine Stima irradianza al suolo Calcolo riflettanza per ogni banda dell’immagine Scrittura immagine di riflettanza su disco Fig. 6.19: Diagramma di flusso della procedura di ripulitura dagli effetti atmosferici di Fig. 6.18. Il valore di E grnd è calcolato mediante un run del modello Modtran utilizzando un albedo unitario. Con lo stesso run si calcola la trasmittanza dell’atmosfera in direzione nadirale. Ulteriori tre run con direzione di vista corrispondente al lato sinistro, al centro e al lato destro dell’immagine con albedo nullo forniscono direttamente il valore della path radiance. 103 MODTRAN MODEL AT-SENSOR RADIANCE 3 RUNS (albedo = 0) 1 RUN (albedo = 1) PATH RADIANCE ATMOSPHERIC CORRECTION TRANSMITTANCE GROUND IRRADIANCE GROUND REFLECTANCE (first guess ) MODTRAN MODEL 3 RUNS (albedo = <>) PATH RADIANCE ATMOSPHERIC CORRECTION TRANSMITTANCE GROUND IRRADIANCE GROUND REFLECTANCE (considering atmoshpereground interaction) Fig. 6.20: Procedura iterativa di correzione delle immagini iperspettrali: la stima di ( ) ottenuta con il primo set di simulazioni Modtran è utilizzata per produrre una mappa di riflettanza al suolo spazialmente mediata ( ) , da utilizzare come input per un nuovo set di simulazioni per ottenere una mappa di riflettanza al suolo più accurata nel secondo step della procedura. Una evoluzione di questo metodo per una migliore simulazione della componente diffusa della radiazione che illumina il pixel è rappresentata in Fig. 6.20. Nella prima parte della procedura, una mappa di riflettanza al suolo è calcolata come in Fig. 6.18. Successivamente, tale stima è utilizzata per produrre una mappa di riflettanza al suolo spazialmente mediata ( ) , da utilizzare come input per un nuovo set di simulazioni tramite Modtran e ottenere, a partire da una stima più realistica della radiazione diffusa che illumina il pixel al suolo, una mappa di riflettanza al suolo più accurata. Il modello di Fig. 6.18 è stato implementato mediante procedura software ed è stato utilizzato per la ripulitura delle immagini simulate di PRISMA. Il modello iterativo di Fig. 6.20 è attualmente in fase di sviluppo e implementazione. 104 Per entrambi i metodi il sistema offre la possibilità di tenere conto degli effetti di trapping tra pixel vicini, utilizzando come modello per la radianza osservata al sensore la seguente formula: , , , , dove il termine , 1 , , Eq. 6-19 è dato dal contributo riflesso dal suolo (in maniera lambertiana) e dal contributo di trapping, ed è l’albedo dell’atmosfera. La formulazione per la stima del contributo di trapping è la seguente. La irradianza che illumina il pixel osservato è scrivibile, tenendo conto anche delle riflessioni multiple della radiazione tra il suolo e l’atmosfera (v. Fig. 6.21), come: , , Eq. 6-20 , Fig. 6.21: Contributo di trapping dato dalle riflessioni multiple tra il suolo e l’atmosfera sovrastante, di albedo . Conseguentemente, la radiazione osservata al suolo diventa: , , , , 1 Eq. 6-21 , , , e, sostituendo la serie geometrica 1 l’espressione comprensiva degli effetti di trapping: , , con il suo limite si ottiene , , , 1 105 , , Eq. 6-22 6.4 PRODOTTO “NOISE MODELING” 6.4.1 DESCRIZIONE 6.4.1.1 INTRODUZIONE Come evidenziato in ref. [4] il rumore presente nei dati iperspettrali è modellato attraverso la somma di un termine di rumore elettronico indipendente dal segnale ed un termine di rumore fotonico dipendente dal segnale Il segnale osservato g(i,j) è quindi rappresentabile con: g (i, j ) f (i, j ) f (i, j ) u (i, j ) w(i, j ) Eq. 6-23 dove u(i, j ) e w(i, j ) sono processi aleatori indipendenti da f e fra di loro, stazionari spazialmente, autocorrelati con media zero e varianza u2 e w2 . Al fine di facilitare l'interpretazione dei risultati, ricordiamo che il rapporto segnale rumore (SNR) è espresso nel seguente modo: E[ f ]2 E[ f ]2 SNRdB 10 log10 10 log10 2 2 2 E [ f ] v u w Eq. 6-24 e che in tale formula w2 è la potenza del rumore indipendente dal segnale, mentre · è la potenza del rumore dipendente dal segnale. Per la caratterizzazione di un rumore così modellato è necessario stimare il valore di w2 e u2 come evidenziato in ref. [4] avvalendosi delle aree omogenee dell'immagine dove vale g2 i, j u2 E[ f (i, j )] w2 Eq. 6-25 La varianza del rumore osservato ha quindi una dipendenza lineare dalla media del segnale, e i termini w2 e u2 sono rispettivamente il termine noto e il coefficiente angolare della retta che esprime detta relazione. Dato un numero sufficiente di coppie, { g2 , E[ f ] } calcolati su aree omogenee, è possibile ricavare w2 e calcolando i parametri della retta di regressione della dispersione di punti di coordinate ( g2 , E[ f ] ). 6.4.1.2 ANALISI DELLA SEQUENZA HYPERION DEL 19 DICEMBRE 2002 La valutazione delle caratteristiche di rumore del sensore Hyperion è iniziata analizzando la sequenza acquisita il 19 dicembre 2002 quando il sensore osservava Firenze e il suo interland. Purtroppo sia l’analisi automatica sia lo studio foto interpretativo hanno evidenziato 106 che in tale scena è presente una sola area omogenea rappresentata dal Lago di Bilancino, non essendo significativo il contributo di radianza proveniente dal fondale. La sola acqua ha determinato però una registrazione di radianza al sensore molto bassa con un rumore fotonico trascurabile. Per tale ragione è possibile stimare la sola componente additiva del rumore, non fornendo al contempo alcuna stima della componente moltiplicativa. Su tale regione, infatti, quest’ultima è trascurabile. Anche limitandoci alla stima della componente additiva del rumore, si evidenziano ulteriori difficoltà. Osservando nel dettaglio i pattern registrati nella citata area omogena dai due spettrometri VNIR e SWIR, è possibile riscontrare alcuni effetti che suggeriscono una distribuzione statistica diversa dei dati dei due spettrometri. Nell’immagine di Fig. 6.22-a si evidenzia una distribuzione casuale avente come valor medio quello della radianza media dell’acqua; al contrario l’immagine riportata in Fig. 6.22-b mostra un pattern che non può essere in alcun modo riconducibile né al rumore modellato secondo la formula Eq.6-1 né alle proprietà intrinseche della scena. E’ infatti causato dalle caratteristiche specifiche dello spettrometro SWIR come si è potuto riscontrare nei report forniti da NASA-JPL e Boeing (Jay S. Pearlman, Hyperion Validation Report, July 16, 2003). A causa di ciò la stima numerica della componente additiva del rumore può essere ritenuta rigorosamente valida solo in riferimento allo spettrometro VNIR dal momento che nello SWIR esiste un contributo sistematico, presumibilmente piccolo, alla varianza del rumore. (a) (b) Fig. 6.22: Acquisizione del 19 dicembre 2002; Dettaglio del Lago di Bilancino (a) banda-44 sensore VNIR (b) banda-78 sensore SWIR Se come già affermato la stima numerica è da ritenersi valida solo per il VNIR, il discorso è diverso per quanto riguarda gli andamenti dei parametri al variare della lunghezza d'onda. In altre parole poiché è da ritenersi che il particolare pattern osservato in Fig. 6.22-b eserciti la medesima influenza su ciascuna delle bande SWIR, è ancora possibile osservare e valutare l’andamento della componente additiva al variare della lunghezza d’onda. Confrontando l’andamento del valore stimato della componente additiva ( Fig. 6.23-a ) con quello del valore della 128-esima colonna della matrice dei guadagni (Fig. 6.23-b) del sensore, è immediato riscontrare la loro similarità. La componente di rumore additivo ha quindi una forte dipendenza dai guadagni applicati così come ci si aspetta. In Fig. 6.24 è riportata in dettaglio la componente additiva del rumore del solo spettrometro VNIR. L’indisponibilità di sufficienti zone omogenee rende necessario per avere la stima di entrambe le componenti di rumore, l’analisi di un’altra sequenza. 107 (a) (b) Fig. 6.23: (a) Stima della componente additiva sulla zona omogenea Lago di Bilancino acquisita il 19 Dicembre 2002 ; (b) colonna 128 della matrice di guadagno relativa a quella stessa acquisizione Fig. 6.24: Stima della componente additiva del rumore dello spettrometro VNIR stimata sulla zona omogenea Lago di Bilancino dell’acquisizione 19 Dicembre 2002. 6.4.1.3 ANALISI DELLA SEQUENZA HYPERION DEL 12 GIUGNO 2001 Per poter effettuare una stima efficace di entrambi i parametri di rumore è stata scelta, per le sue caratteristiche, la sequenza acquisita il 12 giugno 2001 quando il satellite riprendeva la Groenlandia. Nella scena acquisita è presente sia una zona marina sia un' area nevosa pianeggiante che presentano entrambe buone caratteristiche di omogeneità. Per le loro caratteristiche intrinseche, inoltre, tali zone hanno una radianza media posta agli estremi della banda dinamica. Al fine di facilitare il processo di stima è stata selezionata un’opportuna parte della scena acquisita. In Fig. 6.25 è riportata l’immagine RGB della parte di acquisizione utilizzata per la stima. In Fig. 6.26 sono riportati invece alcuni valori medi di radianza al sensore. Per i successivi calcoli di SNR è stato sempre utilizzato come segnale di riferimento il 30% della radianza media della neve. 108 Fig. 6.25: immagine RGB (bande 28, 22 e 15) della parte di acquisizione utilizzata per la stima. Fig. 6.26: radianze medie relative alla scena esaminata. L’analisi automatica di ciascuna banda ha correttamente riconosciuto come omogenee la zona marina e quella nevosa. Pur tuttavia le bande acquisite dallo spettrometro SWIR presentano un forte residuo di striping che rende problematica una stima efficace dei parametri del rumore. Osservando i risultati riportati in Fig. 6.27 è possibile comunque fare diverse considerazioni interessanti. Innanzitutto, osservando l’andamento della componente di rumore indipendente dal segnale (Fig. 6.27-b), essa ha lo stesso andamento di quella riportata in Fig. 6.23-a. Questo fatto conferma la validità di entrambi gli approcci adottati per la sua stima. Osservando inoltre l’andamento delle due componenti di rumore è possibile notare che soprattutto nelle lunghezze d’onda dello SWIR molti valori sono zero. Questo valore è assegnato per convezione quando la stima del parametro fornisce un valore negativo. Poiché questo non può avere riscontri fisici, è determinato dalle difficoltà della stima stessa. Anche utilizzando una sequenza particolarmente ottimale per la procedura di stima, non si riescono dunque a raggiungere i risultati sperati. Questo è purtroppo confermato dall’osservazione dell’andamento dei residui (Fig. 6.27-d): nello spettrometro SWIR si hanno infatti valori assai bassi e un andamento fortemente discontinuo. Osservando la Fig. 6.28, dove è riportato l’andamento dell’SNR, è possibile osservare che nelle bande SWIR, dove il calcolo ha fornito valori fisicamente ammissibili, l’SNR è sensibilmente più basso di quello riscontrato nelle bande VNIR. Quest’ultima considerazione è comunque rilevante e giustifica l’aver elaborato l’intera sequenza iperspettrale. Per ottenere però una stima maggiormente efficace è opportuno concentrarsi sul solo spettrometro VNIR. Così facendo infatti è possibile utilizzare un setup di parametri dell’algoritmo di stima ottimale proprio per l’analisi delle sole lunghezze d’onda VNIR. 109 (a) (b) (c) (d) Fig. 6.27: Grafico dei parametri di rumore stimati su un dettaglio dell’acquisizione 19 dicembre 2002: (a) potenza del rumore dipendente dal segnale; (b) potenza del rumore indipendente dal segnale; (c) valori di (d) residui. (b) (a) Fig. 6.28: Stima dell’ SNR avendo adottato come segnale di riferimento il 30% della radianza della neve espresso (a)in dB (b) in ampiezza. 110 (a) (b) (c) (d) Fig. 6.29: Grafico dei parametri di rumore stimati sull’intera acquisizione del 19 dicembre 2002per il solo spettrometro VNIR: (a) potenza del rumore dipendente dal segnale; (b) potenza del rumore indipendente dal segnale; (c) valori di (d) residui. (b) (a) Fig. 6.30: (a) Stima dell’ SNR avendo adottato come segnale di riferimento il 30% della radianza della neve espresso (a)in dB (b) in ampiezza. 111 La loro adozione consente inoltre di poter elaborare l’intera scena acquisita. I risultati così ottenuti sono riportati Fig. 6.29 e Fig. 6.30. Ancora una volta le Fig. 6.29-a, Fig. 6.29-b e Fig. 6.29-c evidenziano un aumento delle componenti di rumore per le lunghezze d’onda poste ai margini della sequenza. L’andamento del residuo (Fig. 6.29-d) presenta valori sempre molto alti, fatto che indice di una stima particolarmente efficace. A conferma di ciò, la Fig. 6.31 riporta lo scatter plot relativo alla banda 8 delle coppie { g2 , E [ f ] } e della retta di regressione calcolata. E’ immediato osservare l’efficacia della stima compiuta. Coerentemente con l’andamento dei parametri di rumore, l’ SNR (Fig. 6.30) ha valori più bassi per quelle lunghezze d'onda che si trovano agli estremi della banda osservata. La messa a punto dei parametri di stima ha permesso di ottenere questa volta sempre valori fisicamente ammissibili. Fig. 6.31: Scatter plot relativo alla banda 9 della coppie { g2 , E[ f ] } 6.4.1.4 CONCLUSIONI L’analisi volta a stimare il rumore del sensore Hyperion ha messo può essere riassunta in alcuni punti essenziali: Poiché il sensore ha un pixel a terra mediamente intorno a 30m è difficile avere delle scene con aree omogenee con caratteristiche idonee alla stima. In particolare risulta arduo avere zone omogenee sufficientemente grandi e aventi radianza media sufficientemente diversa da poter effettuare una stima efficace del coefficiente angolare. Questo suggerisce una ulteriore una raccomandazione per la scelta dei siti di calibrazione della missione PRISMA. Lo spettrometro SWIR presenta caratteristiche estremamente peculiari che determinano la non validità del modello di rumore adottato. Lo spettrometro SWIR ha un rapporto segnale rumore sensibilmente più basso di quello VNIR. L’andamento dei parametri di rumore per entrambi gli spettrometri è strettamente legato alla matrice dei guadagni. 112 6.5 PRODOTTO “CARATTERISTICHE SPAZIALI E SPETTRALI” 6.5.1 MESSA A PUNTO METODOLOGIE PER LA STIMA DELLA MTF In questa sezione vengono considerate le problematiche relative alla stima della MTF di sistema a partire dai dati acquisiti. Vengono prima considerati i metodi che si basano su oggetti di forma nota (sorgenti puntuali ed edge) e su un uso congiunto reso possibile dalla presenza di dati a risoluzione diversa (image fusion). 6.5.1.1 INTRODUZIONE – OGGETTI DI FORMA GEOMETRICA NOTA Uno delle caratteristiche che maggiormente influenza la qualità delle immagini acquisite è la forma dell’MTF del sistema di acquisizione elettro-ottico. La condizione ottimale sarebbe una forma rettangolare con frequenza di taglio pari alla frequenza di Nyquist. Ovviamente una tale forma non è fisicamente realizzabile. Nei sistemi di acquisizione reali l’MTF è un curva decrescente non nulla alla frequenza di Nyquist. Per tale ragione il dato acquisito è affetto da fenomeni di aliasing. Data l’estrema importanza che tale curva riveste nel determinare le caratteristiche spettrali delle immagini acquisite, le sue caratteristiche sono attentamente definite in fase progettuale. Purtroppo, come è ovvio aspettarsi, tali proprietà non sono stabili nel tempo ma subiscono variazioni causate da molteplici fattori non ultima l’obsolescenza della strumentazione stessa. E’ quindi di fondamentale importanza la messa a punto di metodologie che permettano la sua stima durante il tempo in cui la strumentazione è operativa. Per la strumentazione satellitare è indispensabile definire procedure e metodologie che utilizzino le immagini acquisite e/o acquisibili non essendo possibile compiere ulteriori sperimentazioni in laboratorio. Dette metodologie si possono limitare a fornire una stima del valore dell’MTF alla frequenza di Nyquist oppure possono cercare di stimare complessivamente il suo andamento. In ogni caso questi obiettivi sono tutt’altro che semplici da raggiungere in quanto devono essere superate molteplici difficoltà. La più significativa è la necessità di avere la corrispondente point spread function (psf) o grandezze ad essa strettamente connesse campionate ad una risoluzione sub-pixel. Per avere cioè una stima sufficiente accurata dell’MTF è necessario avere i campioni della psf ad una frequenza maggiore di quella fisicamente realizzabile dal sistema stesso. Dato che una risoluzione sub-pixel non è ottenibile direttamente, la si ricava elaborando opportunamente particolari configurazioni geometriche presenti nell’immagine acquisita. In particolare si analizzano bordi diritti (edge) con particolari inclinazioni rispetto alla griglia di campionamento. Per ottenere i migliori risultati è necessario che detti edge siano particolarmente contrastati. Se la presenza di edge di tali caratteristiche è fondamentale per l’applicazione di una qualsivoglia metodologia, si possono comunque evidenziare due distinti approcci tra tutti quelli rilevanti: il primo utilizza un solo edge e quindi opera su di un gradino; il secondo ne richiede due paralleli uguali ed opposti ad una distanza tale da poterli considerare un singolo impulso spaziale (in realtà una funzione rettangolare adeguatamente stretta). In altre parole, nel presente contesto la parola impulso non è sinonimo di delta di Dirac, ma vuole indicare appunto un rettangolo adeguatamente stretto. 113 Nel primo caso, per determinare la MTF elettro-ottica, prima si isola il profilo, poi lo si modella analiticamente e quindi si ricava la psf stessa derivando analiticamente il modello appena determinato. Applicando la FFT al campionamento numerico della psf, si ottiene quindi l’andamento dell’MTF e il suo valore alla frequenza di Nyquist. Il secondo metodo si basa sul fatto che la trasformata di Fourier (FT) di una funzione rettangolare è un sinc e tende a diventare costante nel caso di impulso ideale. Dopo aver calcolato la trasformata di Fourier dell’impulso , si ottiene l’MTF del sistema calcolando il rapporto tra il modulo di questa FT e quello della FT dell’impulso ideale (rect). Il metodo presenta notevoli criticità non ultima quella della dimensione dell’impulso in relazione al passo di campionamento. Un impulso troppo stretto non permette al sistema di registrarlo correttamente, un impulso troppo largo non sarebbe più tale ma risulterebbe come due edge distinti. Fig. 6.32: Schema geometrico dell’impulso e dell’edge. In Fig. 6.32 è riportata una possibile disposizione utile per entrambi gli elementi geometrici di interesse. La piccola rotazione (8º) che entrambi gli oggetti hanno rispetto alla direzione across track è proprio quella che permette la risoluzione sub-pixel. Più avanti nell’esposizione sarà delineata la spiegazione di questo fatto. Come è facile dedurre, entrambi gli approcci hanno il problema di richiedere che la scena acquisita contenga oggetti che abbiano stringenti caratteristiche come quelle riportate in Fig. 6.32. E’ ovviamente assai difficile che in una scena possano trovarsi oggetti aventi proprietà così ben stabilite; per ovviare a ciò detti oggetti sono stati anche fisicamente realizzati e posti in loco al momento delle campagne di validazione degli strumenti. La loro collocazione avviene di norma in luoghi dove l’acquisizione è particolarmente vantaggiosa (ad esempio collocazione nadirale, su terreno piano, con alto contrasto rispetto agli oggetti circostanti). Questa soluzione certamente molto più onerosa da un punto di vista realizzativo ha permesso e permette una forte riduzione dell’aleatorietà delle misure e quindi una maggiore accuratezza delle stesse. Come si è potuto intuire da questa introduzione la stima dell’MTF è una procedura complessa che comporta differenti fasi di elaborazione; per evitare l’affastellarsi delle problematicità si è preferito iniziare lo studio con i dati sintetici. Così facendo si può definire completamente un flusso di elaborazione che potrà essere l’ossatura di quello utilizzabile su dati reali. Inoltre, pur elaborando immagini sintetiche, sono state affrontate e approfondite molte delle criticità principali riscontrabili nello stesso processing di dati reali. 6.5.1.2 EDGE: REALIZZAZIONE DELL’IMMAGINE SINTETICA 114 Questa procedura realizza un’immagine sintetica che contiene un solo rettangolo del quale è però possibile variare entrambe le sue dimensioni. Riprendendo le considerazioni dell’introduzione, qualora il rettangolo sia sufficientemente stretto è possibile considerarlo una valida approssimazione dell’impulso; al contrario se la sua ampiezza è molto maggiore del passo di campionamento, il sistema di acquisizione elettro-ottico lo tratterà come due edge distinti. Variando opportunamente l’ampiezza è quindi possibile realizzare entrambi le entità. L’altezza invece non è un parametro particolarmente critico: più è alto e più numerose saranno le occasioni in cui è possibile effettuare la stima. (b) (c) (a) (d) Fig. 6.33: (a) Immagine sintetica originale; (b) immagine sintetica ricampionata con aggiunta di rumore additivo moltiplicativo; (c) dettaglio (zoom 4x) dell’immagine ricampionata; (d) MTF della psf dell’ipotetico sistema elettro-ottico 115 Ovviamente, un altro fondamentale parametro di ingresso della procedura è l’angolo di rotazione rispetto alla direzione across track. In questa sperimentazione è stato impostato ad 8º. L’immagine così sintetizzata viene quindi filtrata utilizzando l’ipotetica psf del sistema elettro-ottico e poi sotto campionata in modo da ottenere l’immagine aliasata che costituirà l’ingresso della procedura di stima dell’MTF. In questa simulazione si è utilizzato un fattore di downsampling di 4 e un filtro simmetrico separabile di forma gaussiana avente differenti valori di MTF alla frequenza di Nyquist (F=0.125). Per avere un’immagine sintetica aliasata più realistica è possibile aggiungere ad essa un rumore dipendente dal segnale secondo la seguente formula: v(i, j ) f (i, j ) u (i, j ) w(i, j ) Eq. 6-26 In tale formula gli indici i , j si riferiscono rispettivamente alle righe e alle colonne, f (i, j ) è il campione ideale privo di rumore, u(i, j ) è un processo aleatorio indipendente da f e w, stazionario spazialmente, autocorrelato con media zero e varianza u2 e w(i, j ) è un processo aleatorio indipendente da f e u , stazionario spazialmente, autocorrelato, con media zero e varianza w2 . I parametri utilizzati hanno fissato che la componente dipendente dal segnale f (i, j ) u(i, j ) sui valori dell’impulso stesso avesse una varianza 4 volte maggiore di quella della componente indipendente. In Fig. 6.33 sono riportati l’impulso originale (Fig. 6.33.a), la versione ricampionata con la psf avente una MTF gaussiana di 0.3 alla frequenza di Nyquist (Fig. 6.33.b) e anche l’MTF della psf adottata (Fig. 6.33.d). 6.5.1.2.1 PROCEDURA DI STIMA DELLA MTF Presentiamo adesso in dettaglio la procedura di stima dell’MTF. Il suo schema a blocchi è riportato in Fig. 6.34. Nel proseguo del paragrafo sarà presentato e spiegato ciascun blocco di cui è composta. Tutte le figure illustrate qualora non espressamente indicato sono state ricavate utilizzando la psf gaussiana con un MTF a Nyquist pari a 0.3. Il primo blocco operativo presente compie un’operazione molto semplice: seziona il rettangolo ovvero individua una riga dell’immagine. Quando si elabora l’immagine sintetica tale scelta è significativa nel caso in cui l’immagine sia affetta da rumore mentre ha scarsa importanza nell’altro caso. Nel caso di immagine reale, la scelta delle riga ha comunque influenza sia perché non è possibile prescindere dal rumore sia perché nell’acquisizione reale sono presenti ulteriori fattori di variabilità quali ad esempio il movimento del satellite e l’ottica non ideale. Quest’ultima può dare luogo a fenomeni non modellabili attraverso la sola psf. Scelta di una sezione del rettangolo Individuazione del profilo del rect Derivata analitica Individuazione edge Campionamento derivata Modellizzazione edge FFT Fig. 6.34: Schema a blocchi della procedura di stima dell’MTF. 116 Stima MTF Fig. 6.35: Proiezione dei punti dell’edge sulla sezione esaminata (riga considerata). Una volta scelta la sezione (riga) del rettangolo, il secondo operativo dello schema riportato in Fig. 6.34 individua con risoluzione sub-pixel il profilo del rect stesso. Abbiamo già affermato che ciò è possibile perché esiste un angolo non nullo ( in questo caso pari a 8º) tra l’impulso e la direzione across track. In Fig. 6.22 è visualizzato graficamente l’idea che sta alla base di ciò. L’oggetto azzurro è il rettangolo. La retta passante per il punto A è la sezione scelta dal primo blocco di elaborazione. La distanza è l’ampiezza del rettangolo. L’angolo che questo forma con la direzione across track è appunto di 8º. Osservando ciascuna area della sequenza verticale di quadrati rossi si osserva che, partendo dal basso, la percentuale di area occupata dal rettangolo cresce progressivamente finché per il quadrato verde tutta l’area del quadrato è completamente occupata dal rettangolo. Il numero di quadrati rossi è pari a 1 Eq. 6-27 dove è l’angolo di rotazione. E’ immediato verificare che x=7,1153 e quindi il numero di quadrati rossi è 7. Tale valore è proprio la frequenza di sub-campionamento. In quest’analisi non si è tenuto però conto che la psf è più ampia di un pixel e pertanto si avranno più colonne giustapposte di quadrati rossi. Una volta individuata la sezione del rect con risoluzione sub-pixel, il terzo blocco isola i profili dei due distinti edge. In Fig. 6.22 sono riportati sia il profilo del rect che quello dei due edge distinti. Coerentemente con il modello di rumore adottato si riscontra visibilmente più rumore sui livelli alti di segnale. 117 (a) (c) (b) Fig. 6.36: Profilo del rect e dei due edge distinti che lo compongono. Il successivo blocco modella analiticamente il profilo di ciascun edge. Per ottenere in forma analitica ciascuno dei due profili è necessario adottare un modello parametrico ed eseguire un fitting sui dati discreti. I modelli adottati in questa fase progettuale sono stati due entrambi a quattro parametri: il primo derivato dalla funzione di Fermi ed il secondo dall’erf. Il modello basato sulla funzione di Fermi ha la seguente formula: Eq. 6-28 1 dove a, b, c, d sono i parametri attraverso i quali ottenere il fitting. Leggermente più complesso il caso dell’erf in quanto quest’ultima è definita in forma chiusa attraverso un integrale. Per semplificare il calcolo del fitting utilizziamo quindi una sua forma approssimata basata sulla seguente formula: 1 1 Eq. 6-29 Poiché tale formula è valida solo per 0 ed approssima la erf con un errore massimo di 5 · 10 . I valori dei coefficienti sono i seguenti: a1 = 0.278393, a2 = 0.230389, a3 = 0.000972 e a4 = 0.078108. 118 Dalla precedente approssimazione della erf è possibile ricavare il modello da adottare nel nostro contesto: 1 2 1 1 2 1 | | Eq. 6-30 Dove z vale: Eq. 6-31 Osservando le due equazioni precedenti si constata che anche questa volta il modello adottato è a quattro parametri: a, b, c, d. Una volta definito il modello, il fitting viene calcolato attraverso una minimizzazione non lineare ai minimi quadrati utilizzando algoritmo di minimizzazione Levenberg-Marquardt. In Fig. 6.25 sono riportati l’andamento dei due modelli per entrambi gli edge. La Fig. 6.25 non evidenzia alcuna differenza tra le due differenti modellizzazioni. Per tale ragione nella Fig. 6.38 sono confrontate direttamente le due modellizzazioni. Anche in questa seconda rappresentazione, però, si riscontrano differenze assolutamente minime. (a) (b) (c) (d) Fig. 6.37:Modellizzazione di ciascun edge: (a) e (b) utilizzando il modello derivato della funzione erf; (c) e (d) utilizzando quello ricavato dalla funzione di Fermi . 119 (b) (a) Fig. 6.38:Confronto tra le due modellizzazioni: (a) edge sinistro (b) edge destro. (a) (b) (c) (d) Fig. 6.39:MTF stimate: (a) edge sinistro modellato con la funzione erf; (b) edge destro modellato con la funzione erf; (c) edge sinistro modellato con la funzione di Fermi; (d) edge destro modellato con la funzione di Fermi. 120 (b) (a) Fig. 6.40:Confronto tra le due modellizzazioni in assenza di rumore : (a) edge sinistro (b)edge destro. (a) (b) (c) (d) Fig. 6.41: (a) edge sinistro modellato con la funzione erf; (b) edge destro modellato con la funzione erf; (c) edge sinistro modellato con la funzione di Fermi; (d) edge destro modellato con la funzione di Fermi. Una volta ottenuta l’equazione analitica dell’edge, attraverso le ulteriori operazioni matematiche riportate nello schema di Fig. 6.34, è possibile effettuare la stima dell’MTF. 121 La Fig. 6.39 riporta gli andamenti delle MTF misurate e di quella modellata utilizzata durante il filtraggio. Osservando i risultati riportati in Fig. 6.39, non è immediato stabilire quale modellizzazione dell’edge sinistro sia più efficace. Al contrario, osservando i risultati relativi all’edge destro risulta immediato constatare che la modellizzazione basata sulla funzione erf dà prestazioni migliori. Tale discrepanza è legata alla presenza del rumore, unico fattore di aleatorietà tra i due edge. Osservando la Fig. 6.41, dove è stata compiuta la stessa analisi con gli stesse impostazioni ma sull’immagine sintetica priva di rumore, si constata, infatti, come a parità di modello adottato non vi sia praticamente differenza tra i risultati ottenuti elaborando i due differenti edge. Inoltre, confrontando i risultati ottenuti dalle due modellizzazioni si riscontra una chiara maggiore efficacia di quella basata sulla funzione erf. Questa significativa differenza è ottenuta a partire da modellizzazioni dell’edge che apparentemente sono ancora pressoché uguali (Fig. 6.40). Questo fatto ci mostra chiaramente quanto sia un fattore critico la scelta del modello. 6.5.1.2.2 POSSIBILI APPROFONDIMENTI In questa fase di studio è stato sintetizzato un impulso dalle caratteristiche opportune; dopo aver definito lo schema di elaborazione e i modelli adottati sono state compiute le prime stime di MTF. I risultati ottenuti sono stati ampiamente incoraggianti. Pur tuttavia rimangono ancora punti su cui può essere significativo approfondire lo studio: Non sono state approfondite le problematiche relative alla lunghezza del filtro adottato. L’analisi qui presentata analizza una sola sezione del rettangolo alla volta: è certamente uno sviluppo futuro significativo uno studio per valutare la robustezza del metodo quando più sezioni concorrono contemporaneamente alla stima dell’MTF. La valutazione dell’efficacia della metodologia su dati reali non è ancora stata affrontata. 6.5.1.3 IMPULSO: REALIZZAZIONE DELL’IMMAGINE SINTETICA Nella sezione precedente è stata descritta la metodologia di stima dell’MTF di un sistema elettro-ottico basata sull’elaborazione un edge con un forte contrasto. Detto edge forma con la direzione across track un angolo dell’ordine di circa 8º, quindi relativamente piccolo. L’adozione di un edge lievemente inclinato permette di risolvere sub-pixel la psf del sistema. Nel report precedente è stata anche introdotta una seconda metodologia di stima basata non sull’elaborazione di un edge ma sul processing di un singolo impulso spaziale (in realtà un funzione rettangolare adeguatamente stretta). In questo report tale metodologia è analizzata e sperimentata in dettaglio. Anche in questo caso la procedura di stima è messa a punto su una serie di immagini sintetiche e nei paragrafi successivi tale stima è ampiamente descritta. Poiché il singolo impulso spaziale oggetto dell’elaborazione ha nel campo di vista del satellite la disposizione riportata in Fig. 6.32, è necessario innanzitutto realizzare un’immagine dalle caratteristiche analoghe. 122 Fig. 6.42: Schema geometrico dell’impulso La procedura realizza, dunque, un’immagine che contiene un solo rettangolo opportunamente inclinato rispetto alla direzione across track. La procedura accettando in ingresso un set di parametri può realizzare un rettangolo sufficientemente stretto rispetto al passo di campionamento tale da poterlo considerare una valida approssimazione dell’impulso. Poiché l’altezza del rettangolo non è un parametro critico, essa è impostato ad un valore fisso. L’altezza, infatti, determina solo il numero delle occasioni in cui è possibile effettuare la stima: più è alto, più sono disponibili sezioni da cui impostare la stima. Qualora non espressamente indicato tutte le sperimentazioni sono state condotte fissando ad 8º l’angolo di rotazione rispetto alla direzione across track. La forma del filtro passa basso è stata modellata sull’ipotetica psf del sistema elettro-ottico La successiva operazione di downsampling, con fattore impostato fisso a 4, permette ottenere l’immagine aliasata sulla quale effettuare la sperimentazione. Qualora non espressamente indicato, Il filtro utilizzato è di forma gaussiana separabile e simmetrico. Tale gaussiana ha un valore di 0.3 alla frequenza di Nyquist ( F=0.125 in frequenze normalizzate). All’immagine aliasata così ottenuta è possibile aggiungere un rumore dipendente dal segnale secondo la seguente formula: v(i, j ) f (i, j ) u (i, j ) w(i, j ) Eq. 6-32 In tale formula gli indici i , j si riferiscono rispettivamente alle righe e alle colonne, f (i, j ) è il campione ideale privo di rumore, u(i, j) è un processo aleatorio indipendente da f e w, stazionario spazialmente, autocorrelato con media zero e varianza u2 e w(i, j ) è un processo aleatorio indipendente da f e u , stazionario spazialmente, autocorrelato, con media zero e varianza w2 . 123 I parametri utilizzati hanno fissato che la componente dipendente dal segnale f (i, j ) u(i, j ) sui valori dell’impulso stesso avesse una varianza 4 volte maggiore di quella della componente indipendente. In Fig. 6.33 sono riportati l’impulso originale (Fig. 6.33.a), la versione ricampionata con la psf avente una MTF gaussiana di 0.3 alla frequenza di Nyquist (Fig. 6.33.b) e anche l’MTF della psf adottata (Fig. 6.33.c). 6.5.1.3.1 PROCEDURA SPAZIALE DI STIMA DELLA MTF DASATA SULL’IMPULSO L’idea sulla quale si base questa stima dell’MTF è di ricavare il suo andamento come rapporto tra l’uscita misurata e l’ingresso dato. Nel dominio di Fourier, infatti, è valida la seguente relazione: Eq. 6-33 dove Y(F) è la trasformata di Fourier dell’uscita (l’immagine acquisita), X(F) è la trasformata di Fourier dell’ingresso ovvero della scena acquisita o dell’immagine sintetica generata e H(F) è la trasformata di Fourier del sistema il cui modulo è proprio l’MTF da stimare. (b) (c) (a) Fig. 6.43: (a) Immagine sintetica originale; (b) immagine sintetica ricampionata con aggiunta di rumore additivo moltiplicativo; (c) MTF della psf dell’ipotetico sistema elettro-ottico 124 Dall’Eq. 6.2 è facilmente ricavabile la seguente relazione: | | | | | | Eq. 6-34 che permette di ottenere la stima dell’MTF come rapporto tra i moduli della trasformata di Fourier dell’uscita e dell’ingresso. Ecco la ragione di porre un ingresso di forma nota e semplice qual è un rettangolo stretto rispetto alla frequenza di campionamento. Osservando l’Eq. 6.3 si evince che la principale difficoltà è quella di ricavare una stima corretta della funzione |Y(F)|. Descriviamo adesso in dettaglio la procedura di stima il cui schema a blocchi è riportato in Fig. 6.34. Scelta di una sezione del rettangolo Individuazione del profilo Modellizzazione profilo Campionamento profilo FFT Stima MTF Modellazione rect FFT Fig. 6.44: Schema a blocchi della procedura di stima dell’MTF. Il primo blocco operativo compie un’operazione molto semplice: seziona il rettangolo ovvero individua una specifica riga dell’immagine. Se l’immagine sintetica è priva di rumore la scelta di una specifica riga è un fattore ininfluente se è affetta da rumore si determina una specifica occasione di stima. Nel caso di immagine reale, la scelta delle riga influenza sempre la stima. L’immagine reale, infatti, è sempre affetta da rumore e, inoltre, l’acquisizione reale presenta ulteriori fattori di variabilità dovuti ad esempio al movimento del satellite e all’ottica non ideale. Quest’ultima può dare luogo a fenomeni non modellabili attraverso la sola psf. Una volta scelta la sezione (riga) del rettangolo, il secondo operativo individua con risoluzione sub-pixel il profilo. Abbiamo già affermato che ciò è possibile perché esiste un angolo non nullo ( in questo caso pari a 8º) tra l’impulso spaziale e la direzione across track. Dopo aver individuato la sezione del rect con risoluzione sub-pixel, si modella matematicamente il profilo stesso. Avendo ricavato il modello matematico è possibile avere campioni equi spaziati ai quali applicare l’algoritmo FFT. Dal rapporto tra i coefficienti di questa FFT e quelli della FFT del rect in ingresso si ottengono i coefficienti della FFT dell’MTF che sono la stima dell’MTT stessa. In Fig. 6.45 è riportato il profilo ottenuto in due distinti casi: il primo quando l’ampiezza del rect in ingresso è pari al passo di campionamento del sistema elettro-ottico simulato il secondo nel caso in cui il rect si ampio 3 volte la frequenza di campionamento. Osservando la figura, risulta evidente come nel primo caso il profilo ricavato si avvicini alla risposta impulsiva del sistema mentre nel secondo la maggiore distanza tra i due edge determina un andamento diverso. Coerentemente con il modello di rumore adottato si riscontra una maggiore variabilità sui livelli alti di segnale. 125 (b) (a) Fig. 6.45: Profilo per differenti ampiezze del rect: (a) ampiezza 4 (b) ampiezza 12. Da quanto già esposto è evidente come il blocco di elaborazione maggiormente critico sia quello che modella il profilo misurato. Durante la messa a punto della procedura di stima dell’MTF basata su di un singolo edge, sono stati discussi due distinti modelli per il singolo profilo: il primo ricavato dalla funzione di Fermi e il secondo basato su di una approssimazione polinomiale dell’erf. Nel caso della stima dell’MTF utilizzando l’edge è stato dimostrato che il modello basato sull’erf fornisce sia in presenza che in assenza di rumore una stima maggiormente accurata. Basandosi su questa evidenza sperimentale già acquisita, si è proceduto a sviluppare in questa seconda procedura di stima un solo modello basato sulla funzione erf. Chiaramente la scelta di una specifica funzione analitica come base matematica per il modello delimita il campo di applicabilità della procedura complessiva così fissata: in altre parole la procedura così definita è applicabile solo se l’MTF ha forma gaussiana. Purtuttavia questa è una limitazione accettabile perché in assenza di informazioni più specifiche sull’MTF lo si suppone gaussiano con valore noto alla frequenza di Nyquist. Qualora siano disponibili informazioni più specifiche è sufficiente adottare una diversa modellazione analitica, maggiormente appropriata. Come già detto il modello adottato nella procedura di stima qui descritta si basa sull’erf e si fonda su una semplice considerazione. Immaginiamo di decomporre il rect in ingresso nella somma di due differenti edge (Fig. 6.46). Ponendo in ingresso al sistema ciascun singolo edge si ottiene una riposta che per quanto dimostrato nel precedente report è possibile modellare analiticamente basandosi sull’erf. Sfruttando la linearità del sistema la risposta del sistema al rect di ingresso è data dalla somma delle due risposte precedentemente calcolate che sono entrambe erf-modellabili. Pertanto è sensato modellare il profilo attraverso una combinazione di modelli basati entrambi sull’erf. 126 (b) (a) (c) Fig. 6.46: (a)edge sinistro (b) edge destro (c) rect Come nel caso dell’edge anziché modellare utilizzare direttamente la funzione erf che è data in forma chiusa attraverso un integrale, si utilizza una sua forma approssimata basata sulla seguente formula: 1 Eq. 6-35 1 0 ed approssima l’erf con un errore massimo di Tale formula è però valida solo per 5 · 10 . I valori dei coefficienti sono i seguenti: a1 = 0.278393, a2 = 0.230389, a3 = 0.000972 e a4 = 0.078108. Definiamo adesso le due funzioni analitiche modellanti: La prima 1 2 1 1 2 1 | | Eq. 6-36 Dove z vale: Eq. 6-37 E la seconda 1 2 1 1 2 Dove z vale: 127 1 | | Eq. 6-38 Eq. 6-39 Infine la funzione analitica che modella il nostro profilo è Eq. 6-40 Il modello adottato è quindi a 8 parametri (a1, a2, b1, b2, c1, c2, d1, d2 ). Una volta definito il modello, il fitting viene calcolato attraverso una minimizzazione non lineare ai minimi quadrati utilizzando algoritmo di minimizzazione Levenberg-Marquardt. In Fig. 6.26 sono riportati l’andamento dei quattro modellizzazioni differenti. In tutti i casi la modellizzazione adottata fornisce prestazioni ampiamente soddisfacenti. (a) (b) (c) (d) Fig. 6.47: Modellizzazione di quattro impulsi differenti : (a) senza rumore e lunghezza 1 (b) senza rumore e lunghezza 3 (c) con rumore e lunghezza 1 (d) con rumore e lunghezza 3. 6.5.1.3.2 RISULTATI OTTENUTI Una volta ottenuta l’equazione analitica del profilo, si giunge alla stima dell’MTF continuando ad elaborare i dati secondo lo schema riportato in Fig. 6.34. Tali operazioni non presentano difficoltà teoriche ma comportano solo l’attenta considerazione dei problemi computazionali connessi ai differenti passi di campionamento coinvolti. 128 In Fig. 6.25 e Fig. 6.39 sono riportati i risultati ottenuti. La Fig. 6.25 descrive i risultati ottenuti elaborando immagini prive di rumore mentre la Fig. 6.39 riporta quelli ottenuti in presenza di rumore. Entrambe le figure mostrano risultati ampiamente convincenti. E’ di particolare rilevanza l’efficacia della stima quando si considera anche il rumore. Questo fatto è possibile perché il contributo di rumore è quasi interamente filtrato dalla modellizzazione adottata ( Fig. 6.26). Tale modellizzazione agisce dunque anche come un filtro di denoising. Osservando inoltre anche i differenti risultati ottenuti nel solo caso di assenza di rumore (Fig. 6.25) si nota come la stima sia efficace sia quando il rettangolo è lungo 1 sia quando è lungo 3. In entrambi i casi, nei tratti nei quali non sono presenti discontinuità, si ha la quasi coincidenza tra l’uscita modellata e quella misurata. Tali discontinuità, dipendendo dalla larghezza dell’impulso in ingresso, si collocano a valori differenti di frequenza normalizzata. Essendo particolarmente interessati al valore di MTF alla frequenza di Nyquist, la scelta di un rettangolo ampio 2 è da evitarsi in quanto il punto di discontinuità verrebbe proprio a trovarsi a quel valore di frequenza normalizzata (Fig. 6.41-b) . All’aumentare dell’ampiezza del rettangolo aumentano i punti di discontinuità rendendo la stima impossibile (Fig. 6.41-d). E’ importante sottolineare il fatto che quando si aumenta l’ampiezza del rettangolo i due edge non concorrono più a formare un impulso ma danno luogo risposte indipendenti a ciascuna delle quali è possibile applicare la metodologia presentata nel precedente report. Poiché si utilizza un rettangolo leggermente inclinato rispetto alla direzione along track per ottenere una risoluzione sub-pixel è necessario studiare la robustezza del metodo quando la psf elettro-ottica non è simmetrica. Si riportano i risultati ottenuti in un caso particolarmente critico: un MTF across track pari a 0.1 un MTF along track 0.3 e con aggiunto il rumore (Fig. 6.40). Anche in questo caso si ottengono risultati ampiamente soddisfacenti. (a) (b) 129 (d) (c) Fig. 6.48: Stima in assenza di rumore. (a) Confronto tra l’uscita misurata e quella modellata quando lunghezza impulso 1 (b) Confronto MTF misurata ed MTF modellata quando lunghezza impulso 1 (c) Confronto tra l’uscita misurata e quella modellata quando lunghezza impulso 3 (d) Confronto MTF misurata ed MTF modellata quando lunghezza impulso 3. (a) (b) (c) (d) Fig. 6.49: Stima in presenza di rumore. (a) Confronto tra l’uscita misurata e quella modellata quando lunghezza impulso 1 (b) Confronto MTF misurata ed MTF modellata quando lunghezza impulso 1 (c) Confronto tra l’uscita misurata e quella modellata quando lunghezza impulso 3 (d) Confronto MTF misurata ed MTF modellata quando lunghezza impulso 3. 130 (a) (b) (c) (d) Fig. 6.50: Stima in presenza di rumore. (a) Confronto tra l’uscita misurata e quella modellata quando lunghezza impulso 2 (b) Confronto MTF misurata ed MTF modellata quando lunghezza impulso 2 (c) Confronto tra l’uscita misurata e quella modellata quando lunghezza impulso 8 (d) Confronto MTF misurata ed MTF modellata quando lunghezza impulso 8. (b) (a) Fig. 6.51: Stima in presenza di rumore. (a) Confronto tra l’uscita misurata e quella modellata quando lunghezza impulso 3 (b) Confronto MTF misurata ed MTF modellata quando lunghezza impulso 3 131 6.5.1.3.3 CONCLUSIONI I risultati presentati dimostrano che entrambe le metodologie stimano efficacemente l‘MTF del sistema alla frequenza di Nyquist. Le due metodologie differiscono però per quanto riguarda l’efficacia nella stima complessiva della curva MTF. L’approccio basato sull’impulso, infatti, fornisce una curva che intrinsecamente presenta delle discontinuità legate agli zeri presenti nella trasformata di Fourier dell’ingresso. Tali discontinuità fanno discostare la curva stimata da quella modellata in tutto un intorno della discontinuità stessa rendendo in tali tratti la stima non efficace. Al contrario la metodologia basata sull’edge produce una stima efficace su tutto il range di frequenze normalizzate di interesse. Questa differenza prestazionale è persistente in tutti gli specifici casi di applicazione. Nel caso di stima basata sull’impulso è possibile modellare ulteriormente l’MTF ottenuta ricavando così il corretto andamento anche nei tratti di discontinuità. Ancora una volta, però, sarebbe necessario ipotizzare un modello per l’MTF stessa. Questo ulteriore possibilità di elaborazione non viene sviluppata in questo contesto in quanto comporterebbe la risoluzione di problemi matematici completamente scostati dalla fisica e geometria di acquisizione. Stando così la comparazione sull’efficacia delle due metodologie, un decisivo criterio di scelta per la loro rispettiva adozione è la presenza nell’immagine considerata di impulsi oppure di edge distinti. 6.5.1.4 STIMA MEDIANTE DATI MULTIRISOLUZIONE Per quanto riguarda la caratterizzazione spaziale e spettrale dei dati si sono integrate le conoscenze del gruppo con un'analisi dei metodi e dei risultati presentati in letteratura, focalizzando l'attività sulla stima della MTF di sistema in sensori ad alta risoluzione spaziale per i quali esiste una casistica relativamente ampia. Si è verificato che esiste una certa discrepanza sui risultati riportati dai vari ricercatori che sembrano ignorare gli effetti di aliasing prodotto in acquisizione e che non considerano esplicitamente gli effetti legati all'angolo di elevazione del sensore al momento dell'acquisizione. Si è valutato preliminarmente la possibilità di stimare la MTF avendo a disposizione un’immagine multispettrale e una pancromatica a più alta risoluzione della stessa scena secondo lo schema riportato in Fig. 6.52. La MTF viene modellata attraverso una funzione Gaussiana costruita imponendo il valore di cut-off alla frequenza di Nyquist. Si applica la MTF all'immagine pancromatica e si decima di un fattore 4 per riportarsi alla scala dell'immagine multispettrale generando quindi un'immagine pancromatica aliasata. Si esegue quindi una misura di similitudine fra ciascuna banda dell'immagine multispettrale originale e l'immagine pan aliasata. La misura viene ripetuta al variare del valore di cut-off alla frequenza di Nyquist. Per ogni banda, il valore di cut-off alla frequenza di Nyquist che massimizza la misura di similitutine identifica la MTF di detta banda. Il metodo, concettualmente semplice, ha il pregio di compensare l'aliasing presente nell'immagine multispettrale e che altererebbe la misura se ignorato. 132 Fig. 6.52: Stima dell' MTF. L'effetto di aliasing è simulato filtrando e decimando l'immagine Pan. Viene quindi misurata la similitudine con le bande multispettrali. Alcuni risultati preliminari su sensori IKONOS e QuickBird sono stati ritenuti incoraggianti. E' allo studio un approccio alternativo originale che utilizza gli algoritmi di fusione per stimare l'MTF. I dati analizzati si riferiscono ad una immagine IKONOS dell'area di Tolosa. La fig. 7.22 riporta l'andamento della correlazione fra MS e pancromatico aliasato al variare del valore di cut-off alla frequenza di Nyquist. Il massimo identifica il valore di cut-off (e quindi la MTF) che rende più simile ciascuna banda MS al pancromatico aliasato. Tale MTF è presumibilmente la più simile a quella che ha generato l'immagine MS al momento dell'acquisizione. I valori trovati per i cut-off alla frequenza di Nyquist sono plausibili anche se presumibilmente sovrastimati. Il proseguo dell'analisi verificherà la procedura controllando in particolare il tipo di elaborazione di cui è stata oggetto l'immagine IKONOS. Infatti per l'applicazione di tale metodo le immagini MS e Pan non devono aver subito alterazioni (ad es. correzioni geometriche) che possano distorcere il contenuto spaziale delle immagini. Il metodo verrà quindi messo a confronto con altri metodi di misura e verificato per altri tipo di sensore. 133 Fig. 6.53: Andamento della correlazione fra MS e PAN al variare del valore di cut-off alla frequenza di Nyquist. I valori dei massimi sono 0.315 per la banda del blu, 0.36 per il verde, 0,325 per il rosso e 0.45 per l'infrarosso. 134 6.6 PRODOTTO “FUSIONE IMMAGINI IPERSPETTRALI” Durante le riunioni di avanzamento del progetto è stato posto il problema di valutare se dal punto di vista della fusione delle immagini iperspettrali con l'immagine pancromatica sia più conveniente avere a disposizione un'immagine pancromatica a banda larga o a banda stretta. A tale scopo, si è precedentemete simulato la fusione di immagini iperspettrali con due pancromatici simulati con banda spettrale diversa. In seguito, per fornire soluzioni più avanzate rispetto a quelle già descritte in letteratura, abbiamo condotto una studio con finalità prevalentemente conoscitive e di indagine sul pansharpening iperspettrale. Lo studio si è articolato in due distinte parti entrambe sperimentate utilizzando i dati prodotti dal sensore SIM-GA sviluppato da Selex ES. Essendo stato progressivamente migliorato, attualmente lo strumento si presenta dotato anche di una camera pancromatica. Le sue caratteristiche principali sono riportate in Tab. 6-5. Da detta tabella si evince che le risoluzioni dei tre sensori sono in rapporto di circa 3. In ogni caso, per questa sperimentazione, i rapporti tra i differenti intervalli spaziali di campionamenti sono stati posti proprio uguale a 3 attraverso le necessarie operazioni di resampling. Il pansharpening, come lo stesso nome dice, aumenta la risoluzione spaziale di una sequenza multi/iperspettrale utilizzando l’informazione contenuta in un’unica banda, il pancromatico appunto. La particolare configurazione dello strumento SIM-GA consente però anche un’impostazione diversa e innovativa. Focalizzandosi sulle caratteristiche dei sensori SWIR e VNIR, è possibile iniziare a pensare in termini di hyper-sharpening. Con questa nuova espressione vogliamo indicare la metodologia che consente di innalzare la risoluzione spaziale di una sequenza multi/iper spettrale attraverso l’utilizzo di un’ulteriore sequenza multi o iperspettrale. In questo specifico caso si può compiere un’operazione di hyper-sharpening sulla sequenza SWIR utilizzando come sorgente delle informazioni spaziali la sequenza VNIR, ottenendo come risultato finale una sequenza SWIR fusa a 0.5 m. Il fatto che le due sequenze coprano range spettrali diversi richiede però una specifica messa a punto. L’approccio tradizionale, al contrario, riduce alla risoluzione spaziale di 0.5 m il pancromatico acquisito e successivamente applica le metodologie già note. L’approccio hyper-sharpening, per ora applicato unicamente al caso concreto appena descritto, è, o vuole essere, anche una prospettiva di sviluppo per successivi strumenti. Riteniamo infatti, che sia di stimolo chiedersi quali vantaggi recherebbe l’aver disponibile sequenze multi/iperspettrali a differenti risoluzioni spaziali così da poter effettuare una fusione hyper-sharpening. In altre parole può essere una prospettiva concreta di sviluppo quella di sostituire al pancromatico un’ulteriore sequenza multi/iperspettrale? E quanto la cardinalità di questa sequenza inciderebbe sul risultato finale? Per iniziare a valutare ciò abbiamo condotto anche una sperimentazione utilizzando la sola sequenza VNIR prodotta dal sensore SIM-GA. Tab. 6-5: Sintesi delle principali caratteristiche del sensore SIM-GA 135 6.6.1 DESCRIZIONE 6.6.1.1 Fusione di immagini iperspettrali con due pancromatici simulati con banda spettrale diversa L'attività si è sviluppata a partire dalle evidenze scientifiche già acquisite per approfondirne ulteriormente le problematiche e le potenzialità.1 2 Il pansharpening comprende una famiglia di metodologie volte a migliorare la risoluzione spaziale di una sequenza iperspettrale (multispettrale) utilizzando l’alta risoluzione spaziale del pancromatico associato. Lo studio ha innanzitutto valutato l’opportunità di continuare ad utilizzare sequenze acquisite dai sensori Hyperion-ALI, ovvero se confermare le scelte compiute nei due riferimenti citati. Analizzando le sequenze precedentemente utilizzate, è però emerso che le immagini acquisite dai due sensori presentavano pronunciati e aleatori disallineamenti geometrici locali che influivano sulla variabilità dei risultati. Per evitare che l'interpretazione deii risultati risentisse di questo fatto si è deciso di utilizzare in questa sperimentazione solo dei dati simulati che sono stati ricavati a partire da una sequenza del sensore Hyperion (le cui caratteristiche sono riportate in Fig. 6.54-a) eseguendo un down sampling alla risoluzione 180 m e sintetizzando alla risoluzione originale (30 m) due pancromatici, il primo a banda larga ed il secondo a banda stretta. Hyperion Tipo Push-broom Campo di vista 7,5 km 3 Risoluzione spaziale 0m Numero di bande 220 Intervallo spettrale da 0,4µm a 2,5 µm Risoluzione spettrale 10 nm SNR > 100 Quantizzazione 12 bits (a) (b) (c) Fig. 6.54: (a) Caratteristiche sensore Hyperion; (b) lunghezza d’onda delle bande VNIR, Red, Green, Blue. (c) forme con cui sono pesati i contributi alle varie lunghezze d’onda in relazione al pancromatico del satellite WorldView-2 Le forme con le quali sono stati pesati i contributi alle varie lunghezze d’onda sono riportati nella Fig. 6.54-b e Fig. 6.54-c. La Fig. 6.54-b mostra inoltre le lunghezze d’onda delle bande VNIR, Red, Green e Blue che sono successivamente utilizzate per il confronto visivo. La Fig. 6.54-c riporta anche le risposte spettrali del pancromatico e del multispettrale ad otto bande del sensore da satellite WolrdView-2 lanciato in orbita nel 2009. Volutamente, le forme di sintesi seguono parzialmente quella del pancromatico di WorldView-2. Con tale dataset a disposizione è stato dunque possibile sperimentare le differenti metodologie di pansharpening iperspettrale con fattore 6 tra le due risoluzioni. 1 S. Baronti, B. Aiazzi, L. Alparone, A. Garzelli, M. Selva “Hyperspectral image fusion” Proc. ESA Hyperspectral Workshop 2010, from CHRIS/Proba to PRISMA & EnMAP and beyond, ESA ESRIN, Frascati, Rome, Italy, 17-19 Mar. 2010, ESA Special Publication SP-683, May 2010. 2 Garzelli, L. Capobianco, L. Alparone, B. Aiazzi, S. Baronti, M. Selva “Hyperspectral pansharpening based on modulation of pixel spectra” Proc. WHISPERS 2010, 2nd Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing, Reykjavik, Iceland, 14-16 Jun. 2010. 136 Per ciascun pancromatico sintetizzato sono state applicate due distinte metodologie di pansharpening: una appartenente alla famiglia MRA (Multi Resolution Analysis) e l’altra alla famiglia CS (Component Substitution). Le due famiglie di metodi, basandosi sui due differenti schemi di sintesi adottabili, sono rappresentative della maggior parte dei metodi di pansharpening. I due algoritmi scelti e sviluppati da IFAC-CNR hanno sempre dato ottimi risultati nelle prove comparative riportate in letteratura. Essendo possibile che i risultati della metodologia CS avessero anche una dipendenza legata al numero di bande della sequenza iperspettrale elaborata, è stata anche sperimentata una sotto sequenza composta da 62 bande nel range di frequenze visibile - vicino infrarosso. La disponibilità della sequenza originale ha permesso di compiere sia la valutazione visiva sia quella quantitativa. Come parametro quantitativo è stato adottato l’RMSE (Root Mean Square Error) calcolato fra ciascuna banda fusa e la banda originale corrispondente. In Fig. 6.56 sono riportati i risultati così ottenuti. Fig. 6.56-a sono riportati i risultati relativi alla sequenza ridotta (range di frequenze visibile-vicino infrarosso) e in Fig. 6.56-b quelli relativi all’intera sequenza. Per spiegare le due figure è necessario dare alcuni riferimenti. Innanzitutto, la linea verticale marrone chiaro separa le lunghezze d’onda acquisite dal primo spettrometro da quelle acquisite dal secondo. La sequenza Hyperion, infatti, non è acquisita da una solo spettrometro ma bensì da due. I rettangoli celeste e blu presenti in alto a sinistra rappresentano graficamente l’estensione spettrale dei due pancromatici utilizzati: quello blu si riferisce al pancromatico stretto mentre quello azzurro al pancromatico largo. Ciascun grafico riporta cinque andamenti distinti: i risultati ottenuti dalle quattro sperimentazioni e quelli ottenuti calcolando RMSE tra la sequenza originale a 30 m e la relativa sequenza alla risoluzione 180 m espansa alla scala 30 m. Quest’ultimo caso corrisponde all’assenza di qualunque operazione di pansharpening. Osservando le due figure sono però visibili solo tre curve e non cinque. La ragione di ciò è nel fatto che, per ciascun pancromatico sperimentato la metodologia MRA e quella CS forniscono quasi esattamente gli stessi risultati. Per tale ragione la curva blu si sovrappone perfettamente a quella marrone e la curva rosa a quella azzurra. Questo fatto era già stato ampiamente riscontrato nel caso di pansharpening multispettrale ma non era da ritenersi scontato nel caso iperspettrale. Tra i fattori che lo hanno determinato sono da includersi l’attenta esclusione delle bande nulle e di quelle rumorose che sono presenti sia ai margini della sequenza sia nella zona di transizione tra i due spettrometri. Comparando la Fig. 6.56-a con la Fig. 6.56-b si nota che gli andamenti sono rispettivamente uguali nel range di frequenze in cui il confronto è possibile. (a) (b) Fig. 6.55: RMSE con le tecniche di pansharpening iperspettrale: (a) sottoinsieme di bande, (b) di tutta la sequenza. Dunque la differenza nella composizione delle due sequenze non influisce sui risultati ottenuti. La ragione di ciò è che le bande che sono presenti solo nella sequenza completa non contribuiscono alla sintesi di nessuno dei due pancromatici. Per tale ragione, possiamo soffermarsi sulla sola Fig. 6.55-b. Come era logico attendersi tutti i risultati ottenuti sono migliori di quelli ottenuti in assenza di pansharpening (etichetta Exp). Dallo studio 137 comparativo degli andamenti emerge un altro fatto importante. In corrispondenza della fine del pancromatico stretto, la sequenza fusa a partire proprio dal pancromatico stretto presenta un forte aumento dell’errore tanto da portarsi sopra a quella ottenuta utilizzando il pancromatico largo. Infatti il contributo delle bande SWIR alla sintesi del pancromatico stesso è poco significativo; per tale ragione l’errore misurato nel range del vicino infrarosso non può che aumentare rispetto a quello ottenuto utilizzando il pancromatico largo. Parallelamente, però, l’uso del pancromatico largo, sintetizzato utilizzando un range spettrale più ampio, determina anche l’errore più elevato nel visibile. Tutto questo ha un preciso riscontro visivo (Fig. 6.56). Nella Fig. 6.56-a sono riportati i risultati ottenuti montando, in accordo con la Fig. 6.54-b, le bande di interesse in modalità RGB. Coerentemente con gli andamenti della Fig. 6.55-b, l’operazione di pansharpening col pancromatico stretto fornisce risultati nettamente migliori. Al contrario, montando le opportune bande in modalità falso colore (Fig. 6.56-b) si riscontra una migliore fedeltà nell’immagine prodotta col pancromatico largo coerentemente col fatto che la banda dell’infrarosso utilizzata si trova proprio al margine delle frequenze incluse nel calcolo del pancromatico largo. Riassumendo, questo studio sul pansharpening iperspettrale presenta aspetti innovativi nella formulazione in quanto ha utilizzato dati simulati. La sperimentazioni compiute hanno trattato in maniera appropriata le tipologie di pansharpening allo stadio dell’arte. Le evidenze sperimentali numeriche hanno riscontrato alcuni fatti già noti (pansharpening multispettrale) quali la quasi coincidenza di risultati tra MRA e CS un netto divario prestazionale tra ciascun metodo pansharpening e il caso dell’espansa. Le sperimentazioni condotte hanno messo per la prima volta in evidenza, attraverso sia un’analisi quantitativa che qualitativa, le implicazioni sui risultati ottenibili in dipendenza dall’utilizzo di un pancromatico a banda più o meno larga. (a) (b) Fig. 6.56: Confronto visivo tra i risultati del pansharpening iperspettrale. (a) Modalità RGB(b) Modalità Falso Colore. L'analisi prodotta alla risoluzione di 30-180m sarà più efficacemente riproposta sui dati simulati di PRISMA alla risoluzione 5-30m. 6.6.1.2 Hyper-sharpening SWIR-VNIR Lo scopo di questa sperimentazione è di valutare l’efficacia dell’approccio hypersharpening nell’ottenere una sequenza SWIR alla risoluzione spaziale di 0.5 m, partendo dalla sequenza SWIR a 1.5 m e utilizzando come sorgente dell’informazione spaziale il VNIR a 0.5 m. Questo innovativo approccio è inoltre confrontato con quello tradizionale implementato impiegando sia il pancromatico realmente disponibile sia altri sintetizzati a partire dalla 138 medesima sequenza VNIR. In questo modo è possibile, tra l’altro, valutare l’effetto di ulteriori fattori, quali, ad esempio, l’MTF, sulle prestazioni di ciascuno dei due approcci. Per poter applicare l’approccio hyper-sharpening è necessario prima di tutto definire come utilizzare le 512 bande VNIR. Il criterio scelto consiste nell’adottare, per ciascuna banda dello SWIR, come pancromatico la banda VNIR avente il valore dell’indice di correlazione più elevato. Tali indici di correlazione sono calcolati alla risoluzione spaziale di 1.5 m. In Fig. 6.57(a) è riportata la matrice di correlazione tra lo SWIR e il VNIR. I punti neri indicano, per ciascuna banda SWIR, la banda VNIR avente la correlazione massima. L’approccio tradizionale, come già detto, è stato declinato in differenti varianti a seconda del pancromatico utilizzato. Oltre al pancromatico reale ridotto alla risoluzione di 1.5, ne sono stati utilizzati altri 3 sintetici, la cui la cui risposta spettrale è riportata in Fig. 6.63(b). Il pancromatico etichettato “Simulated-Original-Pan” ha la risposta spettrale simile a quella dello strumento montato su SIM-GA. Gli altri due, invece, sono da considerarsi l’uno a banda larga (“Wide-Pan”) e l’altro a banda stretta (“Narrow-Pan”). La risposta spettrale di NarrowPan esclude le lunghezze d’onda più lunghe del VNIR mentre Wide-Pan le include. Osservando la Fig. 6.57 (b), si nota che le lunghezze d’onda più lunghe del VNIR sono però quelle più correlate con la prima parte dello spettro SWIR. Questo fatto condiziona fortemente i risultati ottenibili con i due differenti pancromatici. Gli approcci ora descritti sono stati implementati utilizzando due differenti metodologie di pansharpening; la prima è basata sulla piramide laplaciana generalizzata (GLP) e la seconda è una versione adattiva (GSA) del metodo Gram-Schmidt. Questi due metodi sono state scelti perché sono le più efficaci tecniche delle due famiglie nelle quali possono essere raggruppati gli algoritmi di pansharpening. La prima famiglia, quella di cui fa parte il GLP, ricava il dettaglio come differenza tra il pancromatico e una sua versione filtrata, la seconda, alla quale appartiene il GSA, come differenza tra il pancromatico e una immagine ricavata a partire dal multispettrale espanso. Dato che non è ovviamente disponibile una sequenza SWIR a risoluzione 0.5 m con cui confrontare ciascun risultato della fusione, tutte le sequenze vengono ridotte spazialmente di un ulteriore fattore 3 in modo da poter utilizzare la sequenza originale SWIR come riferimento. In questo modo disponiamo di due insiemi di elaborazioni: il primo a scala piena (da 1.5 m a 0.5 m) che viene valutato attraverso un confronto visivo tra le varie immagini prodotte, il secondo (da 4.5 m a 1.5 m) per il quale è possibile adottare la valutazione quantitativa. Riportiamo e discutiamo prima i risultati numerici ovvero quelli ottenuti applicando la fusione tra 4.5 m e 1.5 m. In Fig. 6.58 (a) sono riportati i valori di correlazione tra ciascuna banda SWIR e il pancromatico adottato, mentre in Fig. 6.58 (b) vengono visualizzati i valori di RMSE ottenuti dai differenti approcci di fusione. Tali valori sono normalizzati per la media di ciascuna banda. 139 Un importante riscontro a quanto sinora ipotizzato emerge osservando che, per ciascuna banda, il valore di correlazione più alto lo ottiene proprio l’approccio hyper-sharpening. Per questa stessa ragione ottiene anche i migliori risultati di fusione. Un’ulteriore considerazione importante emerge comparando i risultati ottenuti da Wide-Pan e Narrow-Pan. Per come sono costruite le risposte spettrali di questi due pancromatici non deve sorprendere il fatto che per lunghezze d’onda più corte le migliori prestazioni siano raggiunte da Wide-Pan mentre, al contrario, per le lunghezze d’onda più lunghe, sia migliore Narrow-Pan. Gli indici di qualità globali (SAM ed ERGAS) riportati in Tab. 6-6 confermano che il migliore approccio è quello hyper-sharpening. Le ultime due colonne, inoltre, dimostrano quanto l’approccio adattivo migliori la metodologia Gram-Schmidt implementata in ENVI-IDL. (a) (b) Fig. 6.57: Matrice di correlazione SWIR – VNIR (a) Risposte spettrali dei vari pancromatici sintetici utilizzati (b); (a) (b) Fig. 6.58: Valori di correlazione tra ciascuna banda SWIR e il pancromatico adottato (a); RMSE normalizzato per la media di ciascuna banda SWIR (b); Tab. 6-6: Distorsione spettrale (SAM) e radiometrica (ERGAS) tra le sequenze fuse e il riferimento a 1.5 m. 140 Analizziamo adesso i risultati a piena scala così come riportati in Fig. 6.59 e Fig. 6.60. Le immagini RGB sono ottenute scegliendo le seguenti lunghezze d’onda: 1071.75 nm per il canale del rosso, 1647.60 nm for il canale del verde e 2191.54 nm per il canale del blu. In queste figure l’etichetta “Original Pan” indica il pancromatico originale ridotto alla scala di 0.5 m. Dove non espressamente indicato, tutte le immagini fuse sono state ottenute applicando il metodo GLP. Un prima importante osservazione riguarda la Fig. 6.60 (a) dove è riportato il pancromatico utilizzato nell’approccio hyper-sharpening. Coerentemente con quanto già esposto, tale pancromatico non è un’immagine monocromatica ma bensì a colori; si sta infatti utilizzando una differente banda VNIR per ciascuna banda SWIR. I suoi colori, inoltre, sono in buon accordo con l’immagine SWIR espansa rappresenta in Fig. 6.59Error! Reference source not found.(a). Andiamo ora ad analizzare i risultati della fusione. Una prima considerazione scaturisce osservando la Fig. 6.60 Error! Reference source not found.(b) e la Fig. 6.60 (h). Nella prima figura è visualizzata l’immagine fusa utilizzando l’approccio hyper-sharpening, nella seconda quella utilizzando il pancromatico originale. Si riscontra che la seconda è assai più contrastata della prima, fatto che potrebbe far concludere che l’approccio hyper-sharpening non sia la soluzione più efficace a piena risoluzione. Confrontando, però, la Fig. 6.60 (g) e la Fig. 6.59 (b) e nelle quali sono riportati rispettivamente il pancromatico originale e quello sintetico ricavato con una risposta spettrale simile e a quella dello strumento reale, è evidente che il livello di dettaglio del pancromatico originale è maggiore di quello presente nell’immagine sintetizzata. Expanded (a) Simulated Original Pan GS-ENVI Original Pan (b) (c) Fig. 6.59: Immagine SWIR espansa (a); Pan simulato sulle caratteristiche spettrali di quello originale (b); GS-ENVI utilizzando il pancromatico originale (c). 141 Selected Band Pansharpened Selected Band (a) (b) Narrow Pan Pansharpened Narrow Pan (c) (d) Wide Pan Pansharpened Wide Pan (e) (f) Original Pan Pansharpened Original Pan (g) (h) Fig. 6.60: Dettagli di ciascun pancromatico adottato e relativa immagine fusa. 142 Poiché la risposta spettrale è, come già detto, molto simile, tale differenza non può che dipendere dalle caratteristiche di MTF del sensore VNIR. Poiché il pancromatico originale viene ridotto alla risoluzione 0.5 m attraverso un filtro polinomiale dispari a 23 coefficienti, filtro quest’ultimo che può essere considerato una valida approssimazione di quello ideale, l’MTF del sensore VNIR deve avere un valore a Nyquist assai basso tale da giustificare appunto la minore presenza di alte frequenze spaziali nel pancromatico sintetizzato. Quindi possiamo concludere che l’immagine fusa dall’approccio hyper-sharpening è meno contrastata non per intrinseca debolezza dell’approccio stesso ma per effetto di una causa indipendente ad esso esterna. Senza questo inconveniente sarebbe anche risultata più evidente la maggiore fedeltà spettrale conseguita dall’approccio hyper-sharpening. Se si confronta l’approccio hyper-sharpening con quello tradizionale implementato utilizzando i due pancromatici sintetici Wide-Pan e Narrow-Pan, effettuando quindi una comparazione tra risultati su cui l’influenza dell’MTF dello spettrometro è la stessa, si evidenzia che l’approccio hyper-sharpening produce l’immagine più contrastata. Inoltre, Wide-Pan è più contrastata di Narrow-Pan. Anche per la piena scala, il metodo Gram-Schmidt implementato in ENVI-IDL fornisce prestazioni non soddisfacenti (Fig. 6.59 (c)). Pur avendo l’immagine un livello di dettaglio valido, presenta colori alterati. L’asfalto, infatti, risulta più chiaro e alcuni tetti virano verso il verde. Anche il confronto tra gli spettri riportato in Fig. 6.61 conferma questo risultato. Da notare inoltre che l’approccio hyper-sharpening è indistinguibile dall’originale. Asfalto Tetto (a) (b) Fig. 6.61: Comparazione di spettri tra differenti metodi di fusione e l’originale 143 6.6.1.3 Hyper-sharpening simulato VNIR Questa simulazione di hyper-sharpening nel solo range spettrale VNIR ha l’obbiettivo di fornire una prima valutazione dei vantaggi che un tale approccio potrebbe comportare. In questo contesto l’approccio hyper-sharpening ha alla base la semplice ipotesi che la fusione darà risultati tanto migliori tanto più ciascuna banda rappresentativa del pancromatico avrà un range spettrale comparabile con quella di cui si vuole aumentare la risoluzione spaziale. In altre parole è corretto supporre che all’aumentare del range spettrale, diminuendo la correlazione con la banda da fondere, diminuisca anche l’efficacia dell’operazione di fusione stessa. Essendo questa una semplice ipotesi, è stata necessaria la sua verifica attraverso un’apposita sperimentazione. Sono state dunque generate differenti sequenze da utilizzare come sorgente dell’alta risoluzione spaziale nel processo di hyper-sharpening. Ogni sequenza è caratterizzata da un diverso numero di bande. Il range spettrale coperto da ciascuna sequenza è sempre lo stesso (l’intero VNIR) ma all’aumentare del numero di bande diminuisce il range spettrale che ogni banda copre. Sono stati evitati sovrapposizioni di range spettrali. Per le caratteristiche appena enunciate, la sequenza costituita da un’unica banda sarà da considerarsi effettivamente un pancromatico avente l’intero VNIR come range spettrale. Quando la sequenza è costituita da due sole bande ciascuna banda ha un range spettrale pari alla metà del VNIR; per quella con quattro bande ciascuna di essa sarà ¼ del range spettrale del VNIR e così via fino al caso di avere come banda pancromatica la stessa banda da fondere seppure con risoluzione spaziale diversa. Per avere a disposizione il riferimento, le differenti fusioni sono state tutte effettuate tra la risoluzione di 3 m e 0.5 m. Si è adottato un fattore di scala 6 per simulare in questo aspetto le caratteristiche dello strumento PRISMA. Tutte le sperimentazioni compiute sono state portate avanti utilizzando il metodo GLP. In Fig. 6.62 sono visualizzati i risultati ottenuti. Ciascuna etichetta presente nella Fig. 6.62 indica il numero di bande presenti nella sequenza utilizzata come sorgente per l’alta risoluzione spaziale. L’ipotesi formulata è confermata dalle evidenze sperimentali. Il maggiore errore si ha quando si utilizza una sola banda. Già con due bande si ha una consistente riduzione dell’errore. L’entità di tale riduzione si smorza all’aumentare delle bande giungendo a zero quando vi è la coincidenza tra la banda da fondere e quella facente le veci del pancromatico (512 bande “pancromatiche”). Le discontinuità presenti nell’andamento dell’errore sono dovute al fatto che i range spettrali coperti dalle varie bande “pancromatiche” sono disgiunti. Tali discontinuità si presentano infatti in corrispondenza del cambio di range spettrale. Questo studio apre già interessanti spunti di discussione sulla mediazione progettuale che si può compiere tra le difficoltà realizzative legate all’aumento delle bande “pancromatiche”, mole dei dati da trasmettere e aumento dell’efficacia del pansharpening a questo punto mutato in hyper-sharpening. Di particolare rilievo è la riduzione dell’errore quando si aumenta il numero delle bande da una a quattro, nel passaggio cioè da un pancromatico ad una sequenza multispettrale consueta. Proprio l’essere già ampiamente conosciuta e realizzata ne dovrebbe favorire l’adozione anche in questo contesto. 144 Fig. 6.62: RMSE normalizzato applicando l’hyper-sharpening con sequenze dalle differenti caratteristiche spettrali usate come “pancromatico”. 145 6.7 PRODOTTO “RIDUZIONE DELLA DIMENSIONALITÀ” Con "riduzione della dimensionalità" può essere considerato come il processo di estrazione di particolari feature dai dati iperspettrali. Questocomporta in taluni casi l’analisi e l’elaborazione su base statistica dell’intera scena. Il processing dell’intera scena e quindi di un volume di dati spesso considerevole, deve tenere in considerazione due caratteristiche generali del dato iperspettrale. Ogni banda della sequenza è correlata con quelle contigue spettralmente e per tale ragione il suo contenuto informativo non è la semplice variabilità non legata al rumore ma una sua frazione a volte assai piccola. L’altra caratteristica è la presenza del rumore. Quest’ultima determina una variabilità dipendente dalle caratteristiche dell’apparato di ripresa utilizzato che altera quella legata alle proprietà fisiche della scena osservata. Com’è facile intuire detta variabilità influisce negativamente sul processo di estrazione delle feature ed è pertanto auspicabile che sia correttamente misurata e i suoi effetti per quanto possibile minimizzati. Nel paragrafo che segue si intende mostrare come una corretta impostazione sul modello del rumore possa portare a dei vantaggi significativi nelle procedure di estrazione di feature e possa prevenire in taluni casi anche degli errori. 6.7.1 DESCRIZIONE La metodologia MNF (Maximum Noise Fraction) è una precedura tipicamente adottata per ridurre la dimensionalità dei dati. In estrema sintesi, questa procedura esegue una stima della matrice del rumore e due successive trasformazioni PCA in modo tale che nel dominio trasformato le componenti MNF siano ordinate per SNR decrescenti. Anti-trasformando una prima parte della sequenza, scegliendo cioè le componenti fino ad un fissato valore di SNR, si può ottenere una sequenza iperspettrale con tutta l’informazione legata alla scena ripresa e poca variabilità legata al rumore. La procedura MNF è implementata in ENVI/IDL. L’efficacia della procedura consiste nell’ordinare le bande per SNR decrescenti, ed è legata però alla corretta stima della matrice di covarianza del rumore. La sperimentazione che abbiamo condotto ne ha verificato l’efficacia in presenza di un rumore additivo-moltiplicativo dipendente dal segnale. La Fig. 6.63 riassume efficacemente una parte della sperimentazione condotta. La sequenza iperspettrale di test è stata acquisita dal sensore Hyper-SIMGA di Selex Galileo. Nel caso a) è stata applicata la procedura MNF all’intera sequenza, sono state selezionate cinque componenti, anti trasformate e misurato l'RMSE tra le bande così ottenute e la sequenza originale. Nel caso b) l’MNF è stata applicata fornendo in ingresso anche la distribuzione del rumore, quest’ultima individuata traendo vantaggio dalla procedura di stima già menzionata. Tranne questa specificità la catena di elaborazione è analoga al caso a). Confrontando i due andamenti emerge chiaramente un RMSE nettamente maggiore nel caso a). Tale andamento ha inoltre lo stesso profilo della radianza media. Il caso b) ha invece un andamento notevolmente più basso e piatto. Si deduce che nel caso a) siano state escluse dalla ricostruzione anche componenti di segnale significative in quanto considerate erroneamente rumore. La stima di rumore, infatti,è un’operazione complessa che presenta aspetti assai critici sia nella definizione del modello sia nell’individuazione delle zone omogenee sulle quali effettuare la stima. Desta una certa perplessità il fatto che nulla di tutto ciò emerge nella documentazione della procedura implementata in ENVI/IDL. Oltretutto la spiegazione scientifica di detta implementazione è in articolo di veramente difficile reperimento. In sintesi l’attività fin qui svolta ha posto l’accento sulle criticità dell’uso della MNF dell’implementazione ENVI/IDL ponendo al contempo le basi per un loro superamento fatto che consentirà un miglioramento 146 delle prestazioni di differenti metodologie per l’estrazione di feature già utilizzate in contesti applicativi. Fig. 6.63: RMSE ottenuto dalla ricostruzione dell’intera sequenza a partire da 5 componenti MNF: (a) Stima rumore in MNFe (b) stima del rumore con l’algoritmo parzialmente sviluppato in questo progetto. 147 6.8 PRODOTTO “VALUTAZIONE DELLE POTENZIALITA’ APPLICATIVE PER I PROCESSI AMBIENTALI” 6.8.1 OBIETTIVI ATTIVITA’ L’obiettivo generale dell’attività del WP 600 è finalizzato alla la caratterizzazione e valutazione delle potenzialità applicative delle immagini iperspettrali acquisite da sensori aerosatellitari, ai fini di evidenziarne sia vantaggi e limiti, che gli aspetti innovativi e/o complementari rispetto all’impiego dei sensori multispettrali tradizionali a banda larga. Tra tutte le possibili tematiche ambientali, si è preferito rivolgere l’attenzione ai fenomeni ed ai processi inerenti i rischi, data la loro sempre crescente attualità di interesse sociale; in particolare l’attività si è rivolta allo studio delle aree vegetate percorse da incendio ed alla valutazione dello stato di umidità superficiale. Infatti, se da un lato il fenomeno degli incendi boschivi e più in generale delle aree vegetate interessate da incendio rappresenta uno tra i fenomeni naturali di maggior interesse a causa dell’impatto che essi hanno sia a piccola e media scala sugli ecosistemi naturali che sul clima a mesoscala, dall’altro lato, l’umidità del suolo, anche se valutata in superficie, rappresenta una tra le più importanti variabili ambientali che interagisce nell’ambito della maggior parte dei fenomeni e processi naturali, tra i quali anche i fenomeni franosi. L’attività di studio e di sperimentazione, pur partendo dalla stessa base informativa rappresentata dal dato iperspettrale, è dunque suddivisa in due linee rivolte alle due suddette tematiche. Alcune considerazioni preliminari relative all’impostazione metodologica ed alla caratterizzazione del dato sono però comuni ai due argomenti, ed essendo preliminari allo studio delle applicazioni, vengono esposte inizialmente in una parte comune alle due linee. Successivamente, vengono esposte separatamente le considerazioni e le prove sperimentali relative allo studio, la sperimentazione e la messa a punto di metodologie volte rispettivamente al monitoraggio delle aree interessate da incendi naturali ed alla stima dello stato di umidità superficiale, entrambe basate sull’impiego di dati da sensori aereospaziali iper- e multi-spettrali. 6.8.2 APPROCCIO METODOLOGICO Lo studio delle potenzialità del telerilevamento applicato a determinati fenomeni ambientali, se da un lato non può prescindere dall’analisi dei principi fisici sui quali tali fenomeni si basano e dalla conoscenza degli eventuali modelli sviluppati, dall’altra non può fare a meno di disporre di adeguate informazioni, in termini di dati ancillari e soprattutto di misure di riferimento accurate e validate, da impiegare come elementi di correlazione (es. verità a terra) per la messa a punto dei metodi di stima e di monitoraggio. Spesso, nel settore della ricerca relativo allo sviluppo delle tecniche applicative di telerilevamento, l’elemento che più spesso è carente è proprio la disponibilità di “dati e misure di verità” da potere utilizzare per interpretare e calibrare l’informazione delle misure aerosatellitari. Poiché nell’ambito di questo progetto di ricerca non è stata prevista la programmazione e lo svolgimento di adeguate campagne al suolo relativamente alla misura e/o verifica delle svariate variabili biofisiche e geofisiche ambientali direttamente coinvolte nelle tematiche di studio, per valutare l’informazione iperspettrale si è dovuto procedere adottando un approccio metodologico “multi-sensore”. 148 Come “informazione di riferimento” sono state infatti impiegate immagini multispettrali acquisite da differenti sensori multispettrali a banda larga, quali ALI e TM/ETM+, che hanno caratteristiche di risoluzione spaziale, intervallo spettrale, nonché situazione geometrica di acquisizione, congruenti o per lo meno facilmente relazionabili con le caratteristiche delle immagini iperspettrali disponibili, acquisite dal sensore Hyperion. Da un lato, le immagini multispettrali consentono di confrontare l’informazione ottenibile da sensori a larga banda con quella veicolata dal dato iperspettrale a banda stretta, rendendo possibile la valutazione dei vantaggi e degli svantaggi o la complementarietà di questi ultimi; dall’altro, lo studio e lo sviluppo di metodi iperspettrali di stima dell’informazione potranno essere basati sul confronto con i risultati ottenuti da analoghi criteri ed algoritmi conosciuti e sperimentati in letteratura, basati su sensori a larga banda. In conclusione, il risultato ottenuto dall’analisi e l’elaborazione delle immagini multispettrali a banda larga unitamente alle informazioni ancillari disponibili intende rappresentare il “dato di riferimento” di partenza, rispetto al quale viene valutata la validità e l’innovatività dell’informazione iperspettrale a banda stretta relativamente alle tematiche ambientali prescelte. Di seguito, viene descritta l’area di studio selezionata per la sperimentazione e vengono presentate le immagini multi-sensore acquisite unitamente ai relativi dati ancillari. Successivamente, prima di affrontare separatamente le due tematiche di studio, viene analizzata e verificata sia analiticamente che statisticamente la coerenza dell’informazione iperspettrale a banda stretta con quella multispettrale a banda larga. Questa parte dell’attività rappresenta una necessaria conseguenza dell’approccio multi-sensore che, utilizzando in modo sinergico e confrontando l’informazione derivata da immagini acquisite da sensori differenti, necessita indiscutibilmente, come presupposto di partenza, della intercalibrazione dei dati, sia dal punto di vista spaziale che dal punto di vista radiometrico e spettrale. Tale obiettivo è stato perseguito tramite la valutazione della coerenza statistica e spaziale di immagini a banda larga simulate ottenute dall’insieme di immagini a banda stretta (Hyperion) contenute nell’intervallo spettrale della banda larga originale (ALI). 6.8.3 Criteri di scelta dell’area test, acquisizione e preelaborazione dei dati Durante le fasi iniziali del progetto, sono state reperite immagini del sensore iperspettrale Hyperion, scelto in conseguenza delle similarità con il sensore Prisma, ai fini dello studio, la caratterizzazione e la generazione di immagini simulate del sensore relativo alla missione OPTIMA. Le immagini acquisite coprono due zone: la prima comprende parte di Firenze e la zona di Sesto Fiorentino e si estende fino ad una porzione del Mugello; la seconda area è situata nella zona di San Rossore (Pisa). Pur essendo disponibili per ambedue le zone di studio, sia immagini iperspettrali Hyperion e multispettrali ALI, che un insieme di dati ausiliari fra cui un modello digitale del terreno a 10 m, la cartografia CTR a scala 1:10000, ed infine una copertura ortofotografica Terraitaly 2007 con una risoluzione spaziale di 0,5 m al suolo, tali dati non si sono rivelati utili per gli studi applicativi. In particolare, le coperture ALI/Hyperiopn relative alla zona di Firenze/Mugello sono state acquisite il 19 dicembre 2002 in pieno periodo invernale la prima, e nella stagione estiva del 2007 (30 luglio), la seconda. Analogamente, anche la copertura relativa alla zona di San Rossore è stata acquisita, su richiesta, in pieno periodo estivo il 10 agosto dell’anno 2012. Le acquisizioni invernali, quali l’immagine del 19 dicembre 2002 sono generalmente poco adatte per studi sulle aree interessate da incendio, non solo per la particolare fase fenologica della stagione, ma soprattutto in conseguenza della distanza temporale dalla stagione degli incendi, notoriamente concentrati nella stagione estiva. Parimenti, le due immagini acquisite durante la stagione estiva, non solo si riferiscono a due situazioni ambientali distanti nel 149 tempo circa dieci anni e quindi difficilmente confrontabili, ma inoltre l’acquisizione di una singola immagine in pieno periodo estivo, quindi tendenzialmente siccitoso, non consente uno studio sulla stima ed il monitoraggio dello stato di umidità superficiale, che richiede la disponibilità di una sequenza multitemporale di acquisizioni ravvicinate nel tempo. In effetti, una attenta analisi delle scene estive sia di Firenze/Mugello che di San Rossore, ha permesso di accertare la mancanza totale di aree interessate da incendio nella stretta strisca di circa 7 km acquisita dal sensore Hyperion, come ovviamente anche nella scena acquisita nel periodo invernale. Analogamente, i periodi estivi 2010 e 2012 corrispondenti all’acquisizione dei dati si sono rivelati essere caratterizzati da scarse precipitazioni, od addirittura da siccità nel 2012. Di conseguenza, la scarsa o totale assenza di precipitazioni durante il periodo, rende poco adatto il dato anche per lo studio sull’umidità del suolo, a meno di potere disporre di una copertura multi-temporale della stessa zona. In conseguenza di ciò, ai fini dello svolgimento dell’attività di studio sulle aree percorse da incendio e la valutazione dello stato di umidità superficiale da immagini ottiche iperspettrali/multispettrali, è stato necessario ricercare una copertura multi-temporale e multisensore (multispettrale ed iperspettrale), che presentasse caratteristiche di omogeneità spaziale, spettrale e temporale (contemporaneità di acquisizione), in quanto la scelta del dato da utilizzare e della zona da investigare rivestono un’importanza basilare in un contesto di studio applicativo. Oltre alla attenzione per le caratteristiche spaziali e spettrali ed alla effettiva disponibilità del dato, altro elemento critico considerato nella scelta è stato la disponibilità di dati ancillari, relativi a informazioni e misure al suolo il più possibile accurate, validate ed affidabili, da poter impiegare come riferimento e confronto per lo sviluppo e la messa a punto di procedure operative di stima e monitoraggio. Un apprccio multi-sensore, basato sulla scelta dei sensori Hyperion, ALI ed ETM+, ha permesso di soddisfare le suddette esigenze di omogeneità di risoluzione spaziale (30 m) dei dati, di contemporaneità delle acquisizioni in wusnto la piattaforma Landsat-7 con a bordo il sensore ETM+ segue sulla stessa orbita a poche decine di secondi la piattaforma EO-1 con i sensori Hyperion ed ALI, e di copertura spettrale corrispondente. Le immagini acquisite risultano quindi influenzate dalla stessa geometria di acquisizione e dagli stessi effetti atmosferici. Data la limitata copertura di circa 7,5 per 100 km delle scene acquisite dal sensore Hyperion rispetto a quelle di ALI (circa 35x86 km) e del sensore ETM+ (circa 185x185 km) ed inoltre a causa della non completa inclusione della scena di Hyperion nel corrispondente frame di ALI, l’intersezione effettiva tra le scene acquisite contemporaneamente dai tre sensori risulta abbastanza limitata, come risulta dalla Fig. 6.64 che mostra la corrispondenza di sovrapposizione spaziale dei tre sensori. Fig. 6.64 Corrispondenza spaziale delle scene acquisite dai sensori Hyperion, ALI ed ETM+ 150 Per tale ragione, è stato necessario effettuare una ricerca approfondita su tutti i passaggi disponibili in Internet sul sito USGS americano, relativamente ad una ampia casistica di possibili aree di studio. In seguito ad una accurata analisi interpretativa volta a verificare sia la qualità delle immagini sia la presenza dei fenomeni di interesse, le scene ALI/Hyperion più adatte per la sperimentazione si sono rivelate essere quelle relative alla zona di Capalbio (43°45’34’’N, 10°30’25’’E), acquisite rispettivamente il 12 luglio 2002 ed il 14 settembre 2002. Per la stessa area e lo stesso periodo sono inoltre state acquisite anche le corrispondenti immagini ETM+, in modo da potere disporre di un insieme di dati adatti alla sperimentazione (Tab. 6-7), in funzione sia delle caratteristiche delle immagini, sia della presenza dei fenomeni di interesse. DATA SENSORI 12 luglio 2002 HYPERION, ALI, ETM+ 14 settembre 2002 HYPERION, ALI, ETM+ 30 settembre 2002 ETM+ Tab. 6-7 immagini disponibili per l’area di studio di Capalbio la scelta è caduta su questo insieme di dati in quanto l’analisi visiva ed interpretativa, oltre ad verificare la qualità del dato, ha accertato la presenza di due aree estremamente interessanti. La prima è un area classificata dalla mappa tematica dell’AIB, il servizio antincendi boschivo regionale della Toscana, come affetta da un incendio avvenuto lo 08/07/2002. Nella figura Fig.6.49 viene riportato il dettaglio di tale area estratto da due dati ETM+ acquisiti rispettivamente il 12/07/2002 e il 14/09/2002 a) 12/07/2002 b) 14/09/2002 Fig. 6.65 Particolare della zona classificata come incendiata (immagini in falso colore RGB=543). A) Dato ETM+ relativo al 12/07/2002; B) Dato ETM+ acquisito sulla stessa area il 14/09/2002. Purtroppo, a causa dello incompleta sovrapposizione fra le acquisizioni dei tre sensori Hyperion, ALI ed ETM+, tale area non è presente nella immagine acquisita da ALI, ma in compenso nelle stesse tre immagini è contemporaneamente presente una seconda area di estremo interesse; tale area è una piccola area vegetata che pur non essendo riportata come incendiata nella mappa AIB (che non è per sua natura esaustiva) lo è manifestamente dal punto di vista dell’analisi visiva (Fig. 6.66). 151 Fig. 6.66 Particolare dell’area interessata da incendio estratta dalle scene ETM+, ALI ed Hyperion acquisite il 12 luglio 2002. La combinazione spettrale è stata scelta per evidenziare l’impatto del fenomeno sulla copertura vegetale. Queste due aree rappresentano un caso di studio concreto relativamente all’impatto ed all’evoluzione temporale che gli incendi hanno sulla copertura vegetale, e costituiscono di conseguenza un dato basilare per lo svolgimento dell‘analisi sperimentale e la caratterizzazione di tale fenomeno mediante immagini iperspettrali e multitemporali. La Fig. 6.67 mostra invece (a scala differente) le scene acquisite il 12 luglio 2012 dai tre sensori, mentre la Fig. 6.68 evidenzia la sovrapposizione spaziale delle immagini ETM+, ALI ed Hyperion in seguito alla fase di correzione e geocodifica del dato. Il riquadro sovrapposto sulll’immagine ETM+ indica l’area di studio scelta per la sperimentazione (zona di Capalbio), che è comune alle acquisizioni dei tre sensori in tutte le date selezionate e comprende il particolare dell’area incendiata di Fig. 6.66. , mentre l’area incendiata di fig. 6.49 si colloca leggermente a ovest dell’altra zona. La Fig. 6.69 mostra invece la non completa sovrapposizione delle due acquisizioni effettuate da Hyperion il 12 luglio ed il 14 settembre 2002 durante due passaggi sulla stessa orbita e come, di conseguenza, lo studio basato sull’impiego di immagini multitemporali sia ulteriormente limitato spazialmente a circa la metà dell’ampiezza della strisciata Hyperion. 152 (a) (b) (c) Fig. 6.67 Immagini acquisite il 12/07/2002 sulla zona di Capalbio. (a) ETM+ (RGB=3,2,1); (b) Hyperion (RGB=27,17,10); (c) ALI (RGB=4,3,2). (Scala spaziale differente). Fig. 6.68 Immagini ETM+, ALI e Hyperion acquisite il 12/07/2002, georiferite e sovrapposte alla stessa scala. Il riquadro raffigura l’area di studio selezionata per la sperimentazione, relativa alla zona di Capalbio. 153 14/09/2002 12/07/2002 Fig. 6.69 Parziale sovrapposizione delle strisciate acquisite da Hyperion rispettivamente il 12/07/2002ed il 14/09/2002 durante due passaggi sulla stessa orbita. Se da un lato la disponibilità di una sequenza multitemporale di immagini di telerilevamento acquisite durante e dopo la stagione estiva riveste una importanza basilare per lo studio delle aree interessate da incendio, dall’altro consente di sviluppare e validare possibili metodi per la stima dell’umidità superificiale, purché durante il periodo si siano verificati eventi meteorologici di piovosità tali da determinare variazioni dello stato di umidità del suolo durante il perido di tempo considerato. La Fig. 6.70 mostra l’andamento delle precipitazioni medie giornaliere nella zona di Capalbio misurato dalle stazioni meteorologiche di Scansano, Pomonte, Roccalbegna e Ponte Tura nel periodo dal 1 luglio al 30 settembre 2002, comprendente quindi i passaggi satellitari avvenuti i giorni 12/07/2002, 14/09/2002 e 30/092002, evidenziati in giallo. I giorni evidenziati in verde si riferiscono al periodo di tempo antecedente ciascuna acquisizione, che si ritiene significativo per la stima dell’umidità. Infine, la Fig. 6.71 mostra l’andamento della precipitazione cumulata, e quindi la quantità media di acqua disponibile nel terreno nei giorni precedenti ciascun passaggio. Dalle curve si evidenzia come l’evoluzione temporale della quantità di acqua nel terreno sia differente per i tre periodi antecedenti i passaggi satellitari, determinando quindi situazioni di umidità differente per le diverse acquisizioni. L’andamento pluviometrico del periodo, conferma quindi la validità dell’insieme multitemporale di dati anche per lo studio per la stima dell’umidità superficiale mediante telerilevamento. 154 0 01‐lug 02‐lug 03‐lug 04‐lug 05‐lug 06‐lug 07‐lug 08‐lug 09‐lug 10‐lug 11‐lug 12‐lug 13‐lug 14‐lug 15‐lug 16‐lug 17‐lug 18‐lug 19‐lug 20‐lug 21‐lug 22‐lug 23‐lug 24‐lug 25‐lug 26‐lug 27‐lug 28‐lug 29‐lug 30‐lug 31‐lug 01‐ago 02‐ago 03‐ago 04‐ago 05‐ago 06‐ago 07‐ago 08‐ago 09‐ago 10‐ago 11‐ago 12‐ago 13‐ago 14‐ago 15‐ago 16‐ago 17‐ago 18‐ago 19‐ago 20‐ago 21‐ago 22‐ago 23‐ago 24‐ago 25‐ago 26‐ago 27‐ago 28‐ago 29‐ago 30‐ago 31‐ago 01‐set 02‐set 03‐set 04‐set 05‐set 06‐set 07‐set 08‐set 09‐set 10‐set 11‐set 12‐set 13‐set 14‐set 15‐set 16‐set 17‐set 18‐set 19‐set 20‐set 21‐set 22‐set 23‐set 24‐set 25‐set 26‐set 27‐set 28‐set 29‐set 30‐set Precipitazione media giornaliera (mm) 80 70 60 50 40 30 20 10 scansano pomonte roccalbegna ponte_tura Fig. 6.70 Precipitazione media giornaliera nella zona dell’area di studio, misurata dalle stazione meteorologiche di Scansano, Pomonte, Roccalbegna e Ponte Tura nel periodo dal 1 luglio al 30 settembre 2002, comprendentele acqisizioni satellitari (giallo.) 180 140 120 100 80 60 40 20 1 2 3 Precipitazione cumulata (mm) 160 12 lug 14‐set 30‐set 0 4 5 6 7 8 9 10 Giorni precedenti al passaggio del satellite Fig. 6.71 Precipitazione cumulata relativa all’area di studio nei giorni precedenti le acquisizioni satellitari del 12 luglio, 14 settembre e 30 settembre 2002. Le immagini relative all’area di studio selezionata sono state successivamente sottoposte ad un adeguata preelaborazione, comprendente le seguenti fasi: Estrazione e riorganizzazione della sequenza spettrale di bande Hyperion utili, eliminando le duplicazioni tra i due sensori VNIR e SWIR e alcune bande che sono in partenza caratterizzate da dati non validi, passando quindi dalle 242 bande di acquisizione ad una sequenza spettrale di 196 bande, della stessa larghezza e equidistanziate in frequenza Correzione atmosferica Georiferimento e proiezione in formato UTM WGS84. Ortonormalizzaione delle immagini mediante DEM ; in assenza di dati ausiliari relativi aideterminati parametri di acquisizione, è stato necessario ricavare gli RPC (Rational Polinomial Coefficient) che definiscono il modello di correzione attraverso l’individuazione di un adeguato numero di punti di controllo GCP (Ground Control Point). I risultati hanno sempre evidenziato una accuratezza inferiore ad 1 pixel. Geocodifica e coregistrazione tra le immagini acquisite da sensori differenti ed in date differenti, in modo tale da ottenere una sovrapposizione con errore inferiore ad 1 pixel. Calibrazione radiometrica (watt·m-2·sr –1·-1 ). Selezione e ritaglio della finestra di studio relativamente ad una intersezione spaziale comune ai tre sensori (Hyperion, ALI, ETM+). La finestra di studio selezionata copre una esensione di circa 15,6 per 20,4 km (520680 pixels), comprendente una porzione utile di strisciata Hyperion con una estensione trasversale all’orbita di circa 2,7 km. 6.8.4 COERENZA RADIOMETRICA TRA IL DATO HYPERION ed ALI L’analisi comparata delle potenzialità informative di un dato iperspettrale a banda stretta rispetto a un dato multispettrale che acquisisce con bande più larghe nella stessa regione spettralemediante un approccio multi-sensore, parte dal presupposto che i dati siano intercalibrati, ovvero sia possibile ottenere la stessa informazione dai dati acquisiti da sensori differenti nello stesso momento e nelle stesse condizioni di rilevamento. L’obiettivo della prima fase della sperimentazione è stato quindi quello di validare tale presupposto, generando a partire dalle immagini iperspettrali Hyperion a banda stretta delle immagini simulate a banda larga, con caratteristiche spettrali corrispondenti alle immagini a banda larga del sensore ALI, per poi confrontare il dato multi-spettrale originario con quello simulato a partire dal dato iper-spettrale. La sperimentazione è stata effettuata utilizzando le immagini acquisite dai sensori Hyperion ed ALI, escludendo per il momento il dato ETM+. Si è preferito inizialmente impiegare il dato ALI invece del dato ETM+ in quanto, a differenza di quest’ ultimo, ALI acquisisce in contemporanea dalla stessa piattaforma satellitare di Hyperion. Questo permette di eliminare alcune variabili, quali la precisione di georeferenziazione e le condizioni atmosferiche, che potrebbero introdurre discrepanze fra dato simulato e dato originario non ascrivibili alla diversa origine spettrale del dato. 6.8.4.1Generazione di immagini ALI simulate a banda larga da immagini Hyperion a banda stretta La simulazione di un dato acquisito da un sensore multispettrale a partire dal dato acquisito da un sensore iperspettrale può essere fatta a più livelli di precisione. Se trascuriamo gli errori ed il rumore introdotto dai sensori, che saranno ovviamente diversi, possiamo seguire le seguenti considerazioni: detta R la radianza al generico sensore multi- o iper-spettrale, la densità spettrale di radianza RiM misurata (in W·m-2·sr–1·-1) nella banda i dal sensore multispettrale sarà pari a: 1 R M M i i M i iM MTF R d M i = 1 ; NM Eq. 6-41 iM dove iM e iM sono gli estremi inferiore e superiore della banda i , N M il numero delle bande multispettrali ed MTF M l’MTF del sensore multispettrale. Analogamente, con notazione simile, per le N iH bande iperspettrali che cadono all’interno della i-esima banda multispettrale si potrà scrivere: 1 RiH, j H H i , j i , j iH, j MTF H H R d i = 1 ; NM j= 1; N iH Eq. 6-42 i , j dove la coppia i,j indica la generica j-esima banda iper-spettrale compresa nella generica banda multi-spettrale i-esima. Volendo sintetizzare la i-esima banda multispettrale, sarebbe necessario ricostruire il segnale R nell’intervallo [ iM ; iM ] a partire dai valori RiH, j delle bande iperspettrali ivi comprese ( j= 1; N iH ). Una approssimazione potrebbe essere fatta assumendo, per ipotesi, il valore dell’MTF iperspettrale costante all’interno delle singole bande iperspettrali HP1) MTF H MTFi ,Hj iH, j ; iH, j Quiesta ipotesi è ragionevole in quanto configura la situazione ottimale a cui si mira in fase del progetto dei sensori: 157 in questo caso l’eq 2.2 diventa: iH, j 1 RiH, j H H MTFi H, jH R d i , j i , j H i = 1 ; NM j= 1; N iH Eq. 6-43 i, j da cui: RiH, j iH, j iH, j H MTF i , jH iH, j R d i = 1 ; NM j= 1; N iH Eq. 6-44 iH, j Introducendo come seconda ipotesi semplificativa il valore dell’MTF multi-spettrale costante all’interno delle singole bande multispettrali (Hp. ragionevole per le stesse motivazioni addotte per l’HP1): iM ; iM MTF M MTFi M HP2) la eq 2.3 diventa MTF M RiM M iM i i iM R d i = 1 ; NM Eq. 6-45 M i Se le N iH bande iper-spettrali sono contigue e coprono tutta la i-esima banda multispettrale possiamo scrivere: iM H N iH i , j j 1 H i, j R d R d HP3) iM i = 1 ; NM Eq. 6-46 Sostituendo la 2-6 nella 2-5 avremo: RiM MTF M M iM i i H N iH i , j R d i = 1 ; NM H j= 1; N iH Eq. 6-47 j 1 i, j Sostituendo ora la 2-4 nella 2-7 si otterrà: M i R MTFi M M M i i N iH RiH, j iH, j iH, j j 1 H MTFi , jH i = 1 ; NM j= 1; N iH Eq. 6-48 Se inoltre assumiamo come quarta ipotesi la costanza dell’ MTF H di tutte le bande iperspettrali conenute nella stessa banda multispettrale: HP4) MTFi ,Hj MTFi H iH, j ; iH, j avremo: 158 i = 1 ; NM j= 1; N iH Eq. 6-49 M i R N iH R MTFi M 1 M M H MTFi i i j 1 H H i, j i, j iH, j i = 1 ; NM Eq. 6-50 La 2-10, sotto le opportune ipotesi HP1, HP2, HP3 e HP4 ci permette di ricavare il valore del dato multispettrale a partire dal dato iper-spettrale. Nel nostro caso, essendo costanti le larghezze delle bande iperspettrali, si potrà scrivere: j 1; N iH H i, j iH, j Hi i = 1 ; NM Eq. 6-51 e in forza della HP3: iM N Hj M i M i i = 1 ; NM Eq. 6-52 Sostituendo dunque nella 2-12, si otterrà: M i R MTFi M Hi MTFi H iM iM N iH R j 1 H i, j MTFi M 1 MTFi H N Hj N iH R j 1 H i, j i = 1 ; NM Eq. 6-53 Dunque il valore di densità di radianza della generica banda multi-spettrale i è proporzionale alla media dei valori delle densità di radianza delle N iH bande iper-spettrali contenute nel suo intervallo spettrale. E’ possibile osservare come le Hp. precedentemente fatte siano ragionevoli e valgano sicuramente in prima approssimazione; purtroppo un discostamento dal caso ideale prospettato è in pratica sempre presente, e risulta molto difficile valutare quanto un pur piccolo scostamento possa influire sulla qualità del dato simulato. Anche per questo è possibile osservare come in letteratura il tema della simulazione di un dato multispettrale a partire da un dato iperspettrale sia stato molto trattato e come siano state proposte varie soluzioni, tra loro più o meno complesse e basate su conoscenze più o meno approfondite dei sensori in questione. Visto il carattere prettamente applicativo di questo contesto e la presenza nel database di dati multispettrali da poter usare come riferimento, sono state analizzate e comparate fra loro tre tecniche di simulazione caratterizzate da differenti livelli di complessità, in modo da analizzare la qualità del dato simulato prodotto. In particolare per la simulazione di una banda multispettrale sono state confrontate le seguenti procedure (livello di complessità crescente): a) Semplice media delle bande iperspettrali che cadono (tutte o in percentuale maggiore del 50%) all’interno della banda multispettrale da simulare. In particolare questa procedura è affine a quella descritta in Eq. 6-49, con la sola differenza di un fattore proporzionale; tale costante però è costante nel tempo e nello spazio, per cui può essere ricavata una volta per tutte attraverso una intercalibrazione di un dato multispettrale simulato con un dato multispettrale originale relativo. b) Media pesata delle bande iperspettrali che cadono (tutte o anche solo in parte) all’interno della banda multispettrale da simulare, dove il peso tiene conto della percentuale di banda iperspettrale che cade nella banda multispettrale). Anche in questo caso una successiva intercalibrazione potrebbe migliorare la qualità del dato simulato. 159 c) Simulazione con utilizzo dell’MTF Il confronto fra i dati simulati con le tre diverse tecniche ha permesso di evidenziare come le discrepanze esistenti fra i dati prodotti siano molto basse e comparabili con quelle esistenti fra il dato iperspettrale e quello multispettrale originale (ove esistente); da ciò ne consegue che, da un punto di vista applicativo, l’adozione di un metodo piuttosto che di un altro non influisce significativamente sui risultati applicativi. Nel nostro particolare caso, per le immagini è stata adottata la strategia c) mentre per gli spettri di riferimento si è adottata la strategia b) in quanto in quest’ultimo caso l’MTF non era disponibile. 6.8.4.2Valutazione statistica delle bande ALI simulate Il confronto tra immagini ALI simulate ottenute dal dato Hyperion mediante l’eq. 2.13 e le immagini ALI originali ha permesso di verificare la validità delle ipotesi HP1, HP2 ed HP4 ed inoltre di ricavare una stima del valore del fattore di bias . Le bande ALI simulate sono state generate sulla base dello schema di Tab. 6-8 che mostra la corrispondenza spettrale tra bande originali ALI e quelle iperspettrali Hyperion. 160 196 bands 426.8 1 437.0 2 447.2 3 457.3 4 467.5 5 477.7 6 487.9 7 498.0 8 508.2 9 518.4 10 528.6 11 538.7 12 548.9 13 559.1 14 569.3 15 579.4 16 589.6 17 599.8 18 … … 630.3 21 640.5 22 650.7 23 660.8 24 671.0 25 681.2 26 691.4 27 … … 772.8 35 783.0 36 793.1 37 803.3 38 … … 844.0 42 854.2 43 864.4 44 874.5 45 884.7 46 894.9 47 … … 1,205.1 78 1,215.2 79 1,225.2 80 1,235.3 81 1,245.4 82 1,255.5 83 1,265.6 84 1,275.7 85 1,285.8 86 1,295.9 87 … … 1 433 453 450 … 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 … 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 2 515 522 3 … 605 … 630 4 … 690 … 775 5 … 805 … 845 6 … 895 … 1200 7 … 1300 … … 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 … 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 λ … 1,548.0 1,558.1 1,568.2 1,578.3 1,588.4 1,598.5 1,608.6 1,618.7 1,628.8 1,638.8 1,648.9 1,659.0 1,669.1 1,679.2 1,689.3 1,699.4 1,709.5 1,719.6 1,729.7 1,739.7 1,749.8 … 2,082.8 2,092.8 2,102.9 2,113.0 2,123.1 2,133.2 2,143.3 2,153.3 2,163.4 2,173.5 2,183.6 2,193.7 2,203.8 2,213.9 2,224.0 2,234.1 2,244.2 2,254.2 2,264.3 2,274.4 2,284.5 2,294.6 2,304.7 2,314.8 2,324.9 2,335.0 2,345.1 ALI band# Layer λ band# Hyperion ALI band# Layer band# Hyperion 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 … 28 29 30 31 32 33 34 … 42 43 44 45 … 49 50 51 52 53 54 … 106 107 108 109 110 111 112 113 114 115 … λ … λ … 1550 8 … 1750 … 2080 9 2350 Tab. 6-8 Corrispondenza tra le bande multispettrali del sensore ALI e quelle iperspettrali di Hyperion La congruenza delle bande ALI simulate con quelle originali è stata valutata sulla base della similarità dei parametri statistici, della correlazione, del valore di RMSE ed infine della distribuzione delle radianze. 161 ALI 1/07/2012 BANDA 1 2 3 4 5 6 7 8 9 MEDIA 64.006 58.760 51.877 44.486 87.618 79.519 37.610 14.031 2.698 MIN 55.28 45.351 30.384 -1.3 25.847 -0.65 -1.3 -0.6 -0.21 MAX 111.62 123.31 118.02 120.31 153.13 131.38 61.141 29.559 7.984 MEDIANA 63.222 57.32 49.791 41.928 86.135 78.26 37.238 13.537 2.607 MODA STD 58.426 47.686 36.421 20.076 81.349 74.649 37.726 10.121 1.358 5.312 9.179 13.509 20.346 11.694 10.628 5.119 4.118 1.159 Tab. 6-9 Parametri statistici bande dato Ali 12/07/2002 La Tab. 6-9mostra i valori dei parametri statistici di Media, Minimo, Massimo, Mediana e Deviazione Standard relativi all’immagine ALI originale del 12/07/2013, mentre corrispondenti valori dell’immagine simulata sono riportati nella Tabella 2.4. ALI simulato da Hyperion 1/07/2012 BANDA 1 2 3 4 5 6 7 8 9 MEDIA 58.245 55.584 52.978 46.275 86.742 78.824 36.777 13.932 2.756 MIN 43.95 40.397 30.806 17.096 30.65 22.158 10.175 4.762 0.6287 MAX 102.34 115.34 119.05 123.63 153.52 131.79 60.751 28.73 7.782 MEDIANA 57.565 54.516 50.688 43.947 85.755 77.734 36.546 13.467 2.645 MODA 51.968 45.055 37.202 20.766 83.356 75.675 37.02 9.988 1.307 STD 5.820 9.165 14.141 20.988 11.686 10.579 5.194 4.166 1.216 Tab. 6-10 Parametri statistici bande dato Ali 12/07/2002 Confrontando Tab. 6-9 e Tab. 6-10 si può notare come i valori dei parametri spaziaòi dell’immagine ALI simulata siano molto simili a quelli dell’immagine originale di riferimento. Per facilitare il confronto, in Tab. 6-11 è riportato il valore dell’errore relativo. per tutti i parametri di ciascuna banda spettrale. 162 Errore relativo percentuale fra i parametri statistici dei dati Ali e ALI simulato Banda 1 2 3 4 5 6 7 8 9 MEDIA -1.619 -0.974 0.381 0.788 -0.169 -0.496 -0.450 -0.538 -0.020 MIN -23.943 -25.88 -31.591 -6677.5 -36.178 -17190 -3554.7 -4002 -2898.1 MAX MEDIANA 9.244 21.455 49.142 97.156 53.04 70.923 184.25 64.097 222.09 -0.090 -0.015 -0.054 -8.698 -0.282 -63.931 -5.617 -15.318 -9.486 MODA STD -0.090 -0.015 -0.054 -8.698 -0.282 -63.931 -5.617 -15.318 -9.486 3.731 2.588 2.725 15.096 1.621 65.947 12.792 32.970 24.430 Tab. 6-11 Parametri statistici bande dato Ali 12/07/2002 Anche la misura della correlazione e dell’RMSE riportati in Tab. 6-12evidenziano l’elevata congruenza o similarità delle bande simulate con quelle originali. Banda R2 RMSE 0,940 6,094 1 0,970 3,880 2 0,971 3,559 3 0,975 4,986 4 0,961 3,388 5 0,957 3,195 6 0,964 1,620 7 0,967 1,066 8 0,971 0,298 9 Tab. 6-12 Confronto bande dei dati Ali e ALI simulato con Hyperion (12/07/2002) Sono stati calcolati sia il valore di correlazione che lo scarto quadratico medio RMSE, in quanto quest’ultimo considera la differenza esistente fra i valori dei pixel, mentre la misura di correlazione non è sensibile ad un eventuale fattore di guadagno esistente fra i due dati. Gli istogrammi relativi alle bande simulate sono messi a confronto con le corrispondenti bande originali in Fig. 6.72. 163 ALI vs. ALI simuated Band 1 simulated ALI vs. ALI simuated Band 2 simulated Band 1 3000 Number of pixels Number of pixels 3000 2500 2000 1500 1000 500 0 2500 2000 1500 1000 500 0 0 25 50 75 100 125 150 175 0 radiance [ W / m2 sr micron ] Band 3 simulated Band 3 Number of pixels Number of pixels 2000 1500 1000 500 0 50 75 100 125 125 150 175 150 Band 4 2000 1500 1000 500 0 0 175 25 50 75 100 125 150 175 2 radiance [ W / m sr micron ] ALI vs. ALI simuated ALI vs. ALI simuated Band 6 simulated Band 5 Band 6 3000 Number of pixels 3000 Number of pixels 100 3000 2500 radiance [ W / m2 sr micron ] Band 5 simulated 75 Band 4 simulated 2500 25 50 ALI vs. ALI simuated 3000 0 25 radiance [ W / m2 sr micron ] ALI vs. ALI simuated 2500 2000 1500 1000 500 0 0 25 50 75 100 125 150 2500 2000 1500 1000 500 0 175 0 2 2500 Number of pixels 3000 2000 1500 1000 500 0 50 75 100 125 100 125 Band 8 simulated 2500 25 75 150 175 ALI vs. ALI simuated Band 7 3000 0 50 radiance [ W / m sr micron ] ALI vs. ALI simuated Band 7 simulated 25 2 radiance [ W / m sr micron ] Number of pixels Band 2 150 Band 8 2000 1500 1000 500 0 175 0 2 radiance [ W / m sr micron ] 25 50 75 100 125 150 175 radiance [ W / m2 sr micron ] ALI vs. ALI simuated Band 9 simulated Band 9 Number of pixels 3000 2500 2000 1500 1000 500 0 0 5 10 15 20 25 2 radiance [ W / m sr micron ] Fig. 6.72 Istogrammi delle 9 bande ALI originali (blue) messe a confronto con gli istogrammi delle corrispondenti bande simulate (rosso). Dall’analisi dei dati elaborati si può concludere che la differenza fra le bande ALI originali e quelle simulate è molto piccola. Da notare la differente forma degli istogrammi delle prime due bande, con la presenza di un picco verso i valori bassi. Vista la somiglianza fra dato 164 originale e dato simulato, per eliminare un possibile influsso residuo dovuto a differenti geometrie e tempi di acquisizione, il confronto iper- multi-spettrale è stato effettuato in prima istanza utilizzando come dato multispettrale il dato ALI simulato. 6.8.5 CARATTERIZZAZIONE STATISTICA DELLE IMMAGINI HYPERION Layer Il dato iperspettrale Hyperion è stato inizialmente caratterizzato da un punto di vista generico considerando la scena acquisita il 12/07/2010 sulla zona di Capalbio. I valori di media, mediana, moda e standard deviation sono stati calcolati per ogni banda e sono riportati in Tab. 6-13. Nella tabella sono stati anche riportati i valori medi ottenuti facendo la media dei suddetti parametri relativi alle bande iperspettrali contenute nelle singole bande multispettrali di ALI. Per completezza, le prime colonne contengono i valori degli estremi intervalli spettrali sia delle bande iperspettrali che nultispettrali. λ ALI λ 196 bands 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 21 22 23 24 25 26 27 35 36 37 38 42 43 44 45 46 426.8 437.0 447.2 457.3 467.5 477.7 487.9 498.0 508.2 518.4 528.6 538.7 548.9 559.1 569.3 579.4 589.6 599.8 630.3 640.5 650.7 660.8 671.0 681.2 691.4 772.8 783.0 793.1 803.3 844.0 854.2 864.4 874.5 884.7 MEAN HYP 1 433 453 450 2 515 522 3 605 630 4 690 775 5 805 845 6 59.047 57.443 56.375 57.096 57.440 59.577 54.495 53.993 54.176 51.580 54.294 54.663 55.167 55.254 52.905 51.173 50.842 49.560 50.897 48.945 47.224 44.937 46.835 46.462 43.382 89.054 89.831 85.091 82.992 82.483 83.158 82.783 81.380 78.272 MS 58.245 55.592 52.982 46.955 86.742 78.824 MEDIAN HYP 58.211 56.492 55.303 55.994 56.067 58.078 53.278 52.417 52.566 49.897 52.421 52.741 52.992 53.244 50.843 48.819 48.614 47.235 45.052 45.301 44.661 42.513 44.438 43.663 40.781 87.514 88.556 83.967 81.633 81.357 82.266 81.870 80.616 77.226 MS 57.352 54.200 50.864 43.773 85.418 77.891 MODE HYP 53.063 51.246 49.610 49.111 47.993 48.478 43.260 41.748 40.832 38.557 40.615 41.439 52.992 40.408 37.439 33.306 31.946 28.891 28.618 26.567 21.845 19.839 19.694 18.785 17.813 83.138 85.438 81.635 78.798 78.058 79.523 79.687 76.373 76.724 MS 52.155 44.949 38.380 21.880 82.252 75.523 STD HYP 5.884 5.993 6.220 7.165 8.048 9.301 9.576 10.506 11.394 11.334 11.879 12.061 12.651 13.485 14.213 15.357 16.554 17.069 18.633 18.898 20.756 20.628 22.530 22.963 21.011 12.034 12.121 11.458 11.167 11.090 11.181 11.153 10.947 10.519 47 894.9 895 64.868 64.013 62.774 8.692 78 1,205.1 1200 33.340 33.005 33.222 4.962 79 1,215.2 36.615 36.330 36.330 5.214 80 1,225.2 39.431 38.995 39.508 5.534 81 1,235.3 40.959 40.738 40.471 82 1,245.4 83 1,255.5 84 85 40.499 7 36.777 40.305 36.493 40.566 5.708 37.108 37.347 5.172 1,265.6 32.746 32.571 32.571 4.504 1,275.7 36.345 36.037 36.499 5.069 86 1,285.8 37.106 36.835 37.310 5.281 87 1,295.9 33.405 33.005 32.571 4.884 165 9.193 14.159 20.774 11.695 10.597 5.785 36.640 37.327 1300 MS 5.939 5.211 Layer λ ALI λ 196 bands 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 1,548.0 1,558.1 1,568.2 1,578.3 1,588.4 1,598.5 1,608.6 1,618.7 1,628.8 1,638.8 1,648.9 1,659.0 1,669.1 1,679.2 1,689.3 1,699.4 1,709.5 1,719.6 1,729.7 1,739.7 1,749.8 2,082.8 2,092.8 2,102.9 2,113.0 2,123.1 2,133.2 2,143.3 2,153.3 2,163.4 2,173.5 2,183.6 2,193.7 2,203.8 2,213.9 2,224.0 2,234.1 2,244.2 2,254.2 2,264.3 2,274.4 2,284.5 2,294.6 2,304.7 2,314.8 2,324.9 2,335.0 2,345.1 MEAN HYP 1550 8 1750 2080 9 2350 15.996 16.024 14.908 14.736 15.439 15.012 15.108 16.083 16.223 15.418 15.528 15.106 14.649 14.264 13.636 12.925 12.072 11.138 10.194 9.423 8.997 3.314 3.449 3.486 3.481 3.545 3.706 3.646 3.405 3.244 3.271 3.061 2.991 3.008 3.189 3.085 2.926 2.722 2.498 2.284 2.211 2.086 1.861 1.927 1.685 1.640 1.475 1.218 MS 13.947 2.756 MEDIAN HYP 15.447 15.562 14.442 14.231 14.934 14.572 14.654 15.504 15.645 14.865 14.708 14.443 14.063 13.783 13.279 12.462 11.663 10.787 9.870 9.106 8.660 3.183 3.276 3.335 3.331 3.392 3.540 3.510 3.278 3.173 3.208 2.979 2.933 2.944 3.101 2.978 2.821 2.604 2.385 2.174 2.104 1.998 1.787 1.858 1.611 1.558 1.399 1.169 MS 13.461 2.653 MODE HYP 10.704 10.774 10.675 10.460 11.011 10.929 10.869 11.499 11.637 11.397 11.360 11.194 10.898 10.422 9.824 9.524 8.771 7.911 7.193 6.460 5.972 1.440 1.398 1.487 1.625 1.736 1.812 1.636 1.603 1.569 1.604 1.473 1.498 1.574 1.645 1.536 1.533 1.361 1.248 1.087 0.987 0.975 0.861 0.860 0.806 0.759 0.709 0.600 MS 9.975 1.312 STD HYP 5.363 5.189 4.671 4.549 4.662 4.481 4.439 4.670 4.667 4.403 4.350 4.298 4.164 4.077 3.949 3.757 3.585 3.401 3.154 2.949 2.876 1.580 1.623 1.630 1.610 1.612 1.678 1.629 1.502 1.410 1.404 1.297 1.251 1.233 1.307 1.300 1.243 1.156 1.073 0.978 0.965 0.949 0.863 0.897 0.788 0.771 0.707 0.591 MS 4.174 1.224 Tab. 6-13 Parametri statistici del dato Hyperion (Capalbio, 12/07/2010). Da un confronto fra i valori della Tab. 6-13 e i valori della Tab. 6-9, in cui sono riportati gli stessi parametri statistici relativi però al dato ALI, si può osservare che i valori di radianza sono congruenti, per cui le considerazioni fatte per i metodi multispettrali potranno essere ragionevolmente considerate anche per una loro applicazione al dato iperspettrale, con particolare riferimento ai metodi a soglia che potranno essere utilizzati senza introdurre bias o gain di intercalibrazione. 166 6.8.6 POTENZIALITA’ AGGIUNTIVE DEL DATO IPERSPETTRALE Il dato iperspettrale è caratterizzato da un numero di bande significativamente maggiore del dato multispettrale. Parte di esse si colloca esternamente agli intervalli spettrali delle bande multispettrali, mentre altre si trovano posizionate all’interno delle bande multispettrali stesse, fornendo quindi una informazione con risoluzione spettrale superiore. Anche se in fase di progettazione il posizionamento delle bande del sensore ALI, è stato stabilito in modo tale da comprendere gli intervalli spettrali più significativi ai fini dello studio dei fenomeni ambientali in generale, ciò nonostante, le bande iperspettrali esterne agli intervalli corrispondenti alle bande multispettrali forniscono indubbiamente una informazione ulteriore, rispetto al multispettrale. Per quanto riguarda le bande iperspettrali che cadono all’interno delle bande multi-spettrali, la situazione è più complessa. La disponibilità di più misure fornite dalle bande iperspettrali collocate all’interno dell’intervallo relativo ad una singola misura multispettrale fornisce in generale un maggior contenuto di informazione, ma l’apporto aggiuntivo dei campioni iperspettrali può variare significativamente in funzione delle caratteristiche del fenomeno. L’elevato numero di bande acquisite per ogni pixel dai sensori iperspettrali, può portare a considerare l’operazione di acquisizione come un campionamento dello spettro del singolo pixel, per la quale può essere considerata la teoria del campionamento di Shannon. Dal punto di vista teorico, all’aumentare del numero di bande ne deriva una diminuzione dell’ ”aliasing spettrale” [a] che affligge il segnale acquisito; la qualità del segnale acquisito non dipende però solo dalla quantità di aliasing introdotto, ma anche dal precedente prefiltraggio sia spettrale che spaziale. Un filtraggio passa-basso preliminare riduce infatti la quantità di aliasing introdotto, ma il segnale acquisito perde comunque di qualità a causa dell’effeto di “sfocamento” introdotto dal filtro. Se Trascuriamo l’aspetto spaziale e consideriamo quello spettrale, la larghezza spettrale nominale delle bande è, come avviene usualmente per questo tipo di sensori, pari alla distanza fra i centri banda, e questo configura un’operazione di pre-filtraggio spettrale che viene spesso considerata come un compromesso ottimale. Dunque la qualità del campionamento, secondo Shannon dipenderà dal segnale campionato, e cioè dalla trasformata di Fourier dello spettro, che chiameremo metaspettro. Se il massimo valore del metaspettro è superiore a metà della frequenza di campionamento in frequenza, il metaspettro sarà filtrato durante l’integrazione sulla finestra iper-spettrale. Se è inferiore, allora avremo una situazione di sovracampionamento, e l’informazione aggiuntiva veicolata dall’iper-spettrale tenderà a diminuire al diminuire del massimo valore del metaspettro, per arrivare a zero nel caso che tale massimo sia inferiore a metà del passo di campionamento della banda multispettrale, cioè a metà della larghezza della banda larga. Da un punto di teorico si può quindi affermare che il valore di informazione aggiuntivo fornito dal dato iper-spettrale diminuisce al crescere della correlazione fra le bande iperspettrali comprese nella singola banda multi-spettrale. Dunque più le singole bande iperspettrali sono scorrelate , maggiore è l’informazione contenuta in esse. Una prima caratterizzazione delle potenzialità aggiuntive del dato iperspettrale rispetto a quella del dato multispettrale può quindi essere fatta considerando la varianza del dato iperspettrale all’interno delle singole bande multispettrali. Le Tab. 6-14 e Tab. 6-22 mostrano la correlazione esistente fra le singole bande iperspettrali di Hyperion contenute in ciascuna banda multispettrale ALI. Minore è la correlazione, maggiore sarà la quantità di informazione aggiuntiva veicolata dal dato iperspettrale rispetto al dato multispettrale. 167 Banda ALI 1 Bande 8 hyperion 8 9 1.000 0.940 9 0.940 1.000 Tab. 6-14 Correlazione bande Hyperion contenute nella banda 1 di ALI Banda ALI 2 Bande hyperion 10 11 12 13 14 15 16 17 10 1.000 0.986 0.986 0.984 0.982 0.981 0.980 0.980 11 0.986 1.000 0.993 0.992 0.991 0.990 0.989 0.989 12 13 0.986 0.993 1.000 0.995 0.995 0.995 0.994 0.994 14 0.984 0.992 0.995 1.000 0.997 0.997 0.996 0.996 0.982 0.991 0.995 0.997 1.000 0.998 0.998 0.997 15 0.981 0.990 0.995 0.997 0.998 1.000 0.998 0.998 16 0.980 0.989 0.994 0.996 0.998 0.998 1.000 0.999 17 0.980 0.989 0.994 0.996 0.997 0.998 0.999 1.000 Tab. 6-15 Correlazione bande Hyperion contenute nella banda 2 di ALI Banda ALI 3 Bande hyperion 18 19 20 21 22 23 24 25 18 1.000 0.999 0.998 0.997 0.997 0.996 0.995 0.994 19 0.999 1.000 0.999 0.999 0.998 0.997 0.995 0.994 20 0.998 0.999 1.000 0.999 0.999 0.997 0.995 0.994 21 0.997 0.999 0.999 1.000 0.999 0.998 0.997 0.995 22 0.997 0.998 0.999 0.999 1.000 0.999 0.998 0.997 23 0.996 0.997 0.997 0.998 0.999 1.000 0.999 0.999 24 0.995 0.995 0.995 0.997 0.998 0.999 1.000 0.999 25 0.994 0.994 0.994 0.995 0.997 0.999 0.999 1.000 Tab. 6-16 Correlazione bande Hyperion contenute nella banda 3 di ALI Banda ALI 4 Band e hyperion 28 29 30 31 32 33 34 28 29 30 31 32 33 34 1.000 1.000 0.999 0.999 0.998 0.998 0.997 1.000 1.000 1.000 0.999 0.999 0.998 0.998 0.999 1.000 1.000 1.000 0.999 0.999 0.999 0.999 0.999 1.000 1.000 1.000 1.000 0.999 0.998 0.999 0.999 1.000 1.000 1.000 1.000 0.998 0.998 0.999 1.000 1.000 1.000 1.000 0.997 0.998 0.999 0.999 1.000 1.000 1.000 Tab. 6-17 Correlazione bande Hyperion contenute nella banda 4 di ALI 168 Banda ALI 5 Band e hyperion 36 37 38 39 35 36 37 38 1.000 0.999 0.998 0.997 0.999 1.000 0.999 0.998 0.998 0.999 1.000 0.999 0.997 0.998 0.999 1.000 Tab. 6-18 Correlazione bande Hyperion contenute nella banda 5 di ALI Banda ALI 6 Band e hyperion 49 50 51 52 53 54 49 50 51 52 53 54 1.000 0.998 0.998 0.997 0.995 0.991 0.998 1.000 0.998 0.997 0.996 0.992 0.998 0.998 1.000 0.998 0.997 0.993 0.997 0.997 0.998 1.000 0.997 0.994 0.995 0.996 0.997 0.997 1.000 0.995 0.991 0.992 0.993 0.994 0.995 1.000 Tab. 6-19 Correlazione bande Hyperion contenute nella banda 6 di ALI Banda ALI 7 Band e hyperion 106 107 108 109 110 111 112 113 114 115 106 107 108 109 110 111 112 113 114 115 1.000 0.993 0.992 0.992 0.991 0.991 0.991 0.990 0.990 0.988 0.993 1.000 0.996 0.991 0.991 0.992 0.992 0.990 0.990 0.987 0.992 0.996 1.000 0.994 0.994 0.994 0.993 0.993 0.992 0.989 0.992 0.991 0.994 1.000 0.997 0.995 0.994 0.994 0.993 0.990 0.991 0.991 0.994 0.997 1.000 0.996 0.994 0.995 0.994 0.989 0.991 0.992 0.994 0.995 0.996 1.000 0.997 0.995 0.994 0.990 0.991 0.992 0.993 0.994 0.994 0.997 1.000 0.995 0.994 0.991 0.990 0.990 0.993 0.994 0.995 0.995 0.995 1.000 0.997 0.991 0.990 0.990 0.992 0.993 0.994 0.994 0.994 0.997 1.000 0.993 0.988 0.987 0.989 0.990 0.989 0.990 0.991 0.991 0.993 1.000 Tab. 6-20 Correlazione bande Hyperion contenute nella banda 7 di ALI 169 Banda ALI 8 Bande hyperion 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 140 1.000 0.997 0.997 0.997 0.996 0.996 0.995 0.994 0.993 0.992 0.992 0.992 0.992 0.993 0.994 0.995 0.995 0.995 0.995 0.996 0.995 141 0.997 1.000 0.999 0.997 0.997 0.997 0.996 0.995 0.994 0.993 0.993 0.993 0.993 0.995 0.995 0.995 0.996 0.996 0.996 0.996 0.995 142 0.997 0.999 1.000 0.997 0.997 0.997 0.996 0.995 0.994 0.994 0.994 0.993 0.993 0.995 0.996 0.996 0.996 0.996 0.996 0.996 0.996 143 0.997 0.997 0.997 1.000 0.999 0.997 0.996 0.996 0.995 0.995 0.995 0.994 0.995 0.996 0.996 0.997 0.996 0.996 0.996 0.997 0.996 144 0.996 0.997 0.997 0.999 1.000 0.997 0.997 0.996 0.996 0.995 0.995 0.995 0.995 0.996 0.996 0.997 0.997 0.997 0.996 0.997 0.996 145 0.996 0.997 0.997 0.997 0.997 1.000 0.999 0.997 0.996 0.996 0.996 0.996 0.996 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.996 146 0.995 0.996 0.996 0.996 0.997 0.999 1.000 0.997 0.996 0.996 0.996 0.997 0.997 0.997 0.997 0.997 0.997 0.996 0.996 0.996 0.996 147 0.994 0.995 0.995 0.996 0.996 0.997 0.997 1.000 0.999 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.996 0.996 0.996 0.995 148 0.993 0.994 0.994 0.995 0.996 0.996 0.996 0.999 1.000 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.996 0.996 0.995 0.996 0.995 149 0.992 0.993 0.994 0.995 0.995 0.996 0.996 0.997 0.997 1.000 0.999 0.997 0.997 0.997 0.997 0.997 0.996 0.995 0.995 0.995 0.994 150 0.992 0.993 0.994 0.995 0.995 0.996 0.996 0.997 0.997 0.999 1.000 0.997 0.997 0.997 0.997 0.997 0.996 0.995 0.995 0.995 0.994 151 0.992 0.993 0.993 0.994 0.995 0.996 0.997 0.997 0.997 0.997 0.997 1.000 0.999 0.997 0.996 0.997 0.996 0.995 0.995 0.995 0.994 152 0.992 0.993 0.993 0.995 0.995 0.996 0.997 0.997 0.997 0.997 0.997 0.999 1.000 0.997 0.996 0.997 0.996 0.996 0.995 0.996 0.995 153 0.993 0.995 0.995 0.996 0.996 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.997 1.000 0.999 0.998 0.997 0.997 0.996 0.997 0.996 154 0.994 0.995 0.996 0.996 0.996 0.997 0.997 0.997 0.997 0.997 0.997 0.996 0.996 0.999 1.000 0.998 0.997 0.997 0.997 0.997 0.996 155 0.995 0.995 0.996 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.998 0.998 1.000 0.999 0.998 0.997 0.998 0.997 156 0.995 0.996 0.996 0.996 0.997 0.997 0.997 0.997 0.996 0.996 0.996 0.996 0.996 0.997 0.997 0.999 1.000 0.998 0.998 0.998 0.997 157 0.995 0.996 0.996 0.996 0.997 0.997 0.996 0.996 0.996 0.995 0.995 0.995 0.996 0.997 0.997 0.998 0.998 1.000 0.999 0.998 0.998 158 0.995 0.996 0.996 0.996 0.996 0.997 0.996 0.996 0.995 0.995 0.995 0.995 0.995 0.996 0.997 0.997 0.998 0.999 1.000 0.998 0.997 159 0.996 0.996 0.996 0.997 0.997 0.997 0.996 0.996 0.996 0.995 0.995 0.995 0.996 0.997 0.997 0.998 0.998 0.998 0.998 1.000 0.999 160 0.995 0.995 0.996 0.996 0.996 0.996 0.996 0.995 0.995 0.994 0.994 0.994 0.995 0.996 0.996 0.997 0.997 0.998 0.997 0.999 1.000 Tab. 6-21 Correlazione bande Hyperion contenute nella banda 8 di ALI Banda ALI 9 Bande hyperion 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 193 1.000 0.999 0.992 0.991 0.993 0.993 0.993 0.991 0.991 0.989 0.986 0.983 0.981 0.982 0.984 0.986 0.991 0.992 0.992 0.991 0.990 0.988 0.990 0.987 0.981 0.970 0.972 194 0.999 1.000 0.992 0.991 0.992 0.992 0.992 0.991 0.991 0.989 0.985 0.982 0.980 0.981 0.983 0.986 0.990 0.991 0.991 0.991 0.990 0.987 0.990 0.987 0.981 0.970 0.972 195 0.992 0.992 1.000 0.999 0.993 0.993 0.992 0.991 0.990 0.988 0.986 0.983 0.981 0.982 0.984 0.986 0.991 0.992 0.992 0.991 0.990 0.988 0.990 0.987 0.981 0.969 0.973 196 0.991 0.991 0.999 1.000 0.993 0.992 0.992 0.990 0.990 0.988 0.986 0.983 0.981 0.982 0.984 0.986 0.991 0.992 0.991 0.991 0.990 0.988 0.990 0.987 0.980 0.969 0.972 197 0.993 0.992 0.993 0.993 1.000 0.999 0.993 0.992 0.991 0.989 0.987 0.984 0.981 0.983 0.985 0.987 0.991 0.992 0.992 0.991 0.991 0.988 0.990 0.987 0.981 0.969 0.972 198 0.993 0.992 0.993 0.992 0.999 1.000 0.993 0.992 0.992 0.990 0.988 0.985 0.983 0.984 0.986 0.988 0.992 0.992 0.992 0.991 0.990 0.988 0.990 0.986 0.980 0.969 0.972 199 0.993 0.992 0.992 0.992 0.993 0.993 1.000 0.998 0.993 0.991 0.989 0.987 0.985 0.986 0.988 0.990 0.993 0.992 0.992 0.991 0.991 0.989 0.990 0.987 0.981 0.970 0.973 200 0.991 0.991 0.991 0.990 0.992 0.992 0.998 1.000 0.993 0.991 0.990 0.988 0.986 0.987 0.989 0.990 0.992 0.992 0.990 0.989 0.990 0.988 0.989 0.986 0.980 0.969 0.972 201 0.991 0.991 0.990 0.990 0.991 0.992 0.993 0.993 1.000 0.998 0.992 0.990 0.989 0.990 0.990 0.991 0.994 0.993 0.990 0.989 0.991 0.988 0.989 0.985 0.980 0.969 0.972 202 0.989 0.989 0.988 0.988 0.989 0.990 0.991 0.991 0.998 1.000 0.993 0.991 0.991 0.991 0.991 0.991 0.993 0.991 0.989 0.987 0.989 0.986 0.987 0.983 0.979 0.968 0.971 203 0.986 0.985 0.986 0.986 0.987 0.988 0.989 0.990 0.992 0.993 1.000 0.998 0.992 0.992 0.992 0.992 0.992 0.989 0.987 0.986 0.985 0.982 0.985 0.982 0.976 0.966 0.969 204 0.983 0.982 0.983 0.983 0.984 0.985 0.987 0.988 0.990 0.991 0.998 1.000 0.992 0.992 0.992 0.991 0.990 0.987 0.985 0.983 0.982 0.979 0.982 0.979 0.974 0.964 0.967 205 0.981 0.980 0.981 0.981 0.981 0.983 0.985 0.986 0.989 0.991 0.992 0.992 1.000 0.999 0.993 0.991 0.990 0.986 0.983 0.981 0.981 0.979 0.980 0.977 0.973 0.962 0.966 206 0.982 0.981 0.982 0.982 0.983 0.984 0.986 0.987 0.990 0.991 0.992 0.992 0.999 1.000 0.994 0.992 0.991 0.987 0.984 0.982 0.982 0.980 0.981 0.978 0.974 0.963 0.967 207 0.984 0.983 0.984 0.984 0.985 0.986 0.988 0.989 0.990 0.991 0.992 0.992 0.993 0.994 1.000 0.998 0.991 0.988 0.986 0.984 0.984 0.982 0.985 0.981 0.974 0.964 0.968 208 0.986 0.986 0.986 0.986 0.987 0.988 0.990 0.990 0.991 0.991 0.992 0.991 0.991 0.992 0.998 1.000 0.992 0.989 0.988 0.987 0.987 0.984 0.987 0.984 0.976 0.965 0.970 209 0.991 0.990 0.991 0.991 0.991 0.992 0.993 0.992 0.994 0.993 0.992 0.990 0.990 0.991 0.991 0.992 1.000 0.998 0.992 0.991 0.991 0.989 0.990 0.987 0.982 0.971 0.974 210 0.992 0.991 0.992 0.992 0.992 0.992 0.992 0.992 0.993 0.991 0.989 0.987 0.986 0.987 0.988 0.989 0.998 1.000 0.993 0.991 0.992 0.989 0.991 0.987 0.983 0.972 0.974 211 0.992 0.991 0.992 0.991 0.992 0.992 0.992 0.990 0.990 0.989 0.987 0.985 0.983 0.984 0.986 0.988 0.992 0.993 1.000 0.998 0.990 0.987 0.991 0.987 0.982 0.971 0.974 212 0.991 0.991 0.991 0.991 0.991 0.991 0.991 0.989 0.989 0.987 0.986 0.983 0.981 0.982 0.984 0.987 0.991 0.991 0.998 1.000 0.989 0.986 0.990 0.987 0.982 0.970 0.974 213 0.990 0.990 0.990 0.990 0.991 0.990 0.991 0.990 0.991 0.989 0.985 0.982 0.981 0.982 0.984 0.987 0.991 0.992 0.990 0.989 1.000 0.998 0.989 0.986 0.982 0.971 0.973 214 0.988 0.987 0.988 0.988 0.988 0.988 0.989 0.988 0.988 0.986 0.982 0.979 0.979 0.980 0.982 0.984 0.989 0.989 0.987 0.986 0.998 1.000 0.987 0.983 0.980 0.969 0.971 215 0.990 0.990 0.990 0.990 0.990 0.990 0.990 0.989 0.989 0.987 0.985 0.982 0.980 0.981 0.985 0.987 0.990 0.991 0.991 0.990 0.989 0.987 1.000 0.997 0.979 0.968 0.973 216 0.987 0.987 0.987 0.987 0.987 0.986 0.987 0.986 0.985 0.983 0.982 0.979 0.977 0.978 0.981 0.984 0.987 0.987 0.987 0.987 0.986 0.983 0.997 1.000 0.976 0.963 0.970 217 0.981 0.981 0.981 0.980 0.981 0.980 0.981 0.980 0.980 0.979 0.976 0.974 0.973 0.974 0.974 0.976 0.982 0.983 0.982 0.982 0.982 0.980 0.979 0.976 1.000 0.994 0.964 218 0.970 0.970 0.969 0.969 0.969 0.969 0.970 0.969 0.969 0.968 0.966 0.964 0.962 0.963 0.964 0.965 0.971 0.972 0.971 0.970 0.971 0.969 0.968 0.963 0.994 1.000 0.954 219 0.972 0.972 0.973 0.972 0.972 0.972 0.973 0.972 0.972 0.971 0.969 0.967 0.966 0.967 0.968 0.970 0.974 0.974 0.974 0.974 0.973 0.971 0.973 0.970 0.964 0.954 1.000 Tab. 6-22 Correlazione bande Hyperion contenute nella banda 9 di ALI 171 Si può notare come la correlazione sia molto alta all’interno di ogni banda multispetttrale. A titolo di confronto in Tab. 6-23 sono riportati i valori di correlazione tra le 9 bande multispettrali del dato ALI simulato. Bande ALI Bande hyperion 1 2 3 4 5 6 7 8 9 1 1.000 0.972 0.961 0.941 -0.052 -0.024 0.533 0.884 0.918 2 0.972 1.000 0.995 0.982 -0.040 -0.003 0.578 0.922 0.944 0.961 0.995 1.000 0.990 -0.005 0.031 0.607 0.932 0.949 3 4 0.941 0.982 0.990 1.000 -0.039 0.013 0.626 0.947 0.950 -0.052 -0.040 -0.005 -0.039 1.000 0.984 0.608 0.046 -0.069 5 -0.024 -0.003 0.031 0.013 0.984 1.000 0.690 0.112 -0.027 6 7 0.533 0.578 0.607 0.626 0.608 0.690 1.000 0.751 0.609 0.884 0.922 0.932 0.947 0.046 0.112 0.751 1.000 0.973 8 9 0.918 0.944 0.949 0.950 -0.069 -0.027 0.609 0.973 1.000 Tab. 6-23 Correlazione bande multispettrali Ali Si nota come la maggior parte delle bande siano fra loro poco correlate, la qual cosa sta ad indicare la validità degli intervalli spettrali scelti per le bande di ALI in fase di progettazione. Per quantificare la variabiltà spettrale delle bande strette interne ad una singola banda larga del multispettrale, per ciascuna banda multispettrale è stata inoltre generata una immagine contenente il valore di varianza della radianza al variare della lunghezza d’onda all’interno della banda multispettrale. Di tale immagine sono state poi ricavati i parametri statistici, Media Spaziale (cioè la media spaziale della varianza spettrale) , La Mediana spaziale, la Moda spaziale e infine la varianza temporale delle varianze spaziali. I valori di queste grandezze sono riportati in Tab. 6-24, insieme con media spaziale e la Standard deviation (sempre spaziale) delle bande multispettrali da usarsi come riferimento. ALI 1 2 3 4 5 6 7 8 9 λ 433 453 450 515 522 605 630 690 775 805 845 895 1200 1300 1550 1750 2080 2350 Spatial Spatial Spatial Spatial MEDIAN MMODE MEAN of SD of of of Spectral Spectral Spectral Spectral SD SD SD SD Spatial MEAN Spatial SD 58.25 5.94 1.5 1.3 0.03 1.07 55.59 9.19 3.12 2.95 2.18 0.91 52.98 14.16 2.73 2.54 1.08 1.4 46.28 21 2.11 2.09 2.3 0.51 89.44 12.08 3.27 3.22 3.37 0.6 78.82 10.6 7.08 6.96 6.7 1.06 36.78 5.21 2.98 2.97 2.97 0.42 15.05 4.48 2.28 2.2 1.7 0.64 0.762 0.73 0.36 0.33 Tab. 6-24 Statistiche nel dominio dello spazio della Standard Deviation spettrale all’interno delle singole bande ALI. Si può notare come, anche in questo caso, la varianza del segnale nel dominio dello spettro all’interno delle singole bande sia limitata. 6.8.6.1RISOLUZIONE SPETTRALE VS. RISOLUZIONE SPAZIALE Come detto in precedenza, l’aumento del numero di bande comporta una diminuzione di ”aliasing spettrale” che degrada lo spettro acquisito. La qualità del segnale acquisito non dipende però solo dalla quantità di aliasing introdotto, ma anche dal filtraggio spaziale iniziale, nel senso che.l segnale acquisito è relativo alla media effettuata sul segnale proveniente da tutto il pixel a terra, e questo origina una serie di problemi connessi con la presenza dei cosiddetti “pixel misti”. Tralasciando l’aspetto teorico e considerando il tutto da un punto di vista pratico, è importante osservare che la presenza di numerose bande può permettere di discriminare nello spettro di un pixel la presenza o no di una certa riga di assorbimento, cosa utile in quanto una determinata banda di assorbimento è spesso legata alla presenza di una molecola specifica, caratteristica di un certa realtà ambientale (tipo di suolo, tipo di vegetazione etc). La rilevazione della presenza od assenza di detta banda nel segnale relativo ad un pixel presuppone però una presenza omogenea del target o comunque adeguata all’interno del pixel medesimo. Infatti, nel caso di pixel misti la firma spettrale di un particolare taget corre il rischio di essere mascherata dalla operazione di media spaziale connessa con l’acquisizione. Un’analisi delle potenzialità spettrali di un sensore iperspettrale non può quindi prescindere da considerazioni anche sulla sua risoluzione spaziale, con particolare riferimento all’aspetto della omogeneità dei pixel, ed è quindi intimamente legata anche al particolare ambito applicativo ed alle esigenze dell’utente finale. 173 6.8.7 WP 620 ANALISI DI AREE INTERESSATE DA INCENDI L’attività del WP 620 è volta all’analisi delle potenzialità delle immagini iperspettrali, in particolare del sensore PRISMA, ai fini dello studio e del monitoraggio delle aree vegetate interessate da incendi. 6.8.7.1APPROCCIO METODOLOGICO La conoscenza o caratterizzazione delle aree interessate da incendio ed il monitoraggio dell’impatto ambientale e della evoluzione degli ecosistemi naturali che ne deriva, può essere logicamente suddiviso in più fasi di attività relative ai vari aspetti conoscitivi e operativi. 1. Allarme: individuazione dell’incendio (detection - early warning) 2. Monitoraggio in tempo-reale durante la fase di emergenza: individuazione della linea di fuoco, misura di parametri necessari per l’utilizzazione di modelli di propagazione dell’incendio, ecc. 3. Individuazione della presenza di punti appartenenti ad aree incendiate successivamente alla stagione estiva, per la generazione di mappe di localizzazione delle aree percorse da incendio. 4. Identificazione o perimetrazione accurata delle aree interessate da incendio per la generazione periodica di mappe di inventario. 5. Caratterizzazione e stima della severità del danno per gli incendi più significativi in termini di estensione e importanza della zona, ai fini della produzione di mappe di impatto ambientale. 6. Monitoraggio periodico dell’evoluzione temporale degli ecosistemi naturali interessati da incendio e delle variazioni ambientali, sia naturali sia in seguito ad interventi di ripristino. Allo stato attuale, la fase 1) di allarme e 2) di monitoraggio in tempo reale nelle fasi di insorgenza e di sviluppo degli incendi, non appare trarre molto vantaggio dall’impiego di dati satellitari geostazionari e/o polari sia multi- che iper-spettrali, a causa delle insufficienti caratteristiche di ripetitività di acquisizione unitamente alla bassa capacità di coprire vaste estensioni di territorio con le risoluzioni spaziali adatte alla individuazione del fenomeno. Le attività 3-6, volte alla individuazione, conoscenza, controllo e gestione della aree interessate da incendio, possono invece trarre notevoli benefici dall’informazione veicolata da immagini acquisite da satellite. Molti studi relativi all’utilizzo del telerilevamento multispettrale applicato al problema delle aree incendiate, hanno portato allo sviluppo e la validazione di numerose tecniche ed algoritmi. Alcune procedure hanno addirittura superato la fase sperimentale e vengono da tempo impiegate a livello operativo per il monitoraggio di vaste estensioni di territorio boschivo, in particolare nelle regioni del Nord America e del Canada. La letteratura è invece più scarsa per quanto riguarda l’utilizzo di dati iper-spettrali. Questo può essere imputabile allo sviluppo relativamente recente delle tecnologie di telerilevamento iperspettrale ed anche al fatto che gli studi sui dati multispettrali hanno già portato a conclusioni significative e per molti scopi applicativi considerate già adeguate per determinati obiettivi. La valutazione delle potenzialità del dato di telerilevamento iperspettrale, anche in confronto al dato multispettrale, nel contesto della conoscenza e del monitoraggio delle aree interessate da incendio, a tutt’oggi non appare molto approfondito in letteratura e rimane dunque una questione ancora aperta. Peraltro, sebbene sia evidente che le immagini di telerilevamento iperspettrale contengano una informazione superiore al multispettrale, ciò non ne definisce a priori la sua utilità nel contesto delle problematiche inerenti gli incendi naturali, 174 ed il suo valore potenziale aggiunto non è immediatamente quantificabile, a causa delle caratteristiche particolari, tipiche del fenomeno degli incendi. Allo stato attuale delle cose, infatti, risulta difficile definire un generico parametro dell’immagine che sia rappresentativo di una misura di qualità nello specifico settore dell’analisi delle aree incendiate. 6.8.7.2Caso di studio Una analisi visiva interpretativa delle immagini multitemporali acquisite dai sensori ALI, Hyperion ed ETM+ il 12 luglio, il 14 settembre ed il 30 settemrbe 2002, ha chiaramente evidenziato nella zona di Capalbio in Toscana, selezionata come area test, la presenza di un’area interessata da un incendio avvenuto in data antecedente al 12 luglio (Fig. 6.73 a), corrispondente al primo passaggio satellitare della sequenza multitemporale. Questo deriva non solo dalla presenza, all’interno di una zona fortemente vegetata dell’immagine multispettrale del 12/07, di un’area la cui firma spettrale si differenzia dal contesto ed è caratteristica della risposta della cenere e del materiale ligneo carbonizzato, ma anche dall’evoluzione temporale delle caratteristiche spettrali della stessa area nelle successive immagini del 14 e del 30 settembre, acquisita quest’ultima solo dal sensore ETM+ (Fig. 6.73) a) 12/07/2002 b) 14/09/2002 c) 30/09/2002 Fig. 6.73 Particolare dell’area di studio relativo ad una zona interessata da incendio indicata dal crocifilo (immagini ETM+ in falso colore RGB=543). Mentre nella zona indicata dal crocifilo nella Fig. 6.73a si evidenzia la discontinuità spettrale tra copertura vegetale ed area incendiata, la scena acquisita due mesi dopo (Fig. 6.73b) indica chiaramente come ci sia stata una forte ricrescita della copertura vegetale (colore verde) che, in maniera naturale, tende a decrescere con l’inizio della stagione autunnale Fig. 6.73c. Questo evento di incendio rappresenta quindi il caso di studio su cui è stato basato lo sviluppo della sperimentazione. In particolare, mediante un’analisi comparata dell’informazione iperspettrale con le corrispondenti immagini multispettrali, si intende caratterizzare la validità delle immagini a banda stretta non solo per quanto riguarda l’identificazione e la perimetrazione accurata dell’area percorsa da incendo, ma anche l’analisi del danno, nonché dell’evoluzione spontanea della copertura vegetale. Purtroppo per tale zona non è disponibile nessuna informazione riguardante la verità a terra, ed in effetti l’area considerata non è nemmeno inserita in un catalogo delle zone interessate da incendi redatto annualmente dalla organizzazione operativa regionale toscana AntIncendi Boschivi (AIB). Per ovviare a questa lacuna è stata presa in considerazione anche una seconda area, sempre presente nello stesso dato Hyperion ed ETM+ ma fuori dalla zona acquisita dal sensore ALI, in cui è presente un’area che viene riportata come incendiata nel 175 catalogo AIB precedentemente citato; la presenza della cartografia tematica AIB ci permette di datare l’incendio al 08/07/2002, data molto prossima al primo dato disponibile, risalente al 12/07/2002; purtroppo nessuna informazione viene fornita riguardo ad una valutazione in-situ della fire severity. Questa seconda area di studio è mostrata in Fig. 6.57; in particolare, nell’immagine a) viene mostrata l’immagine ETM+ acquisita il 12/07/2002, mentre in c) viene mostrata l’immagine ETM+ acquista dopo circa due mesi, il 14/09/2002. L’immagine b) riporta invece il dato ETM+ simulato a partire dal dato iperspettrale Hyperion acquisito sempre il 12/07/2002. L’immagine conferma qualitativamente quello che è stato quantitativamente osservato, e quanto riportato in letteratura, e cioè che dato originale e dato simulato sono molto simili con la permanenza di un errore residuo. Parimenti è evidente una ricrescita delle aree vegetate nei due mesi dopo l’incendio. a) b) c) Fig. 6.74 Particolare della seconda area di studio relativo ad una zona classificata come incendiata (immagini in falso colore RGB=543). A) Dato ETM+ relativo al 12/07/2002; b) dato ETM+ simulato a partire dal dato Hyperion acquisito sulla stessa sempre il 12/07/2002 a distanza di pochi secondi e con la stessa geometria di acquisizione; c) Dato ETM+ acquisito sulla stessa area il 14/09/2002. 176 Perimetrazione delle aree interessate da incendio La perimetrazione delle aree interessate da incendi è una attività di primaria importanza per la valutazione dell’impatto ambientale e per le politiche di gestione del territorio, ed in Italia essa risponde anche ai dettami di una apposita legge che impone ai Comuni la realizzazione di una mappa delle aree incendiate. Purtroppo, per vari motivi, tale richiesta è spesso trascurata dai comuni ed, ove realizzata, è perfezionata con tecniche di perimetrazione in-situ che si rivelano costose e dotate di una accuratezza che risulta variare dipendentemente dal contesto ambientale e dall’operatore. La perimetrazione di aree percorse da incendi a partire da dati telerilevati da piattaforma satellitare è dunque è una tematica di notevole interesse applicativo. Il riconoscimento di un’area interessata da incendio mediante l’impiego di immagini di telerilevamento comporta, da un lato, la necessità di controllare il territorio di interesse in tutta la sua estensione, al fine di individuare la presenza dell’area dove si è verificato l’incendio sulla base di determinate caratteristiche spettrali; dall’altro, la necessità di poter analizzare ed individuare l’area interessata con elevata accuratezza, compatibile con le caratteristiche di risoluzione del sensore impiegato. Quindi, mentre la fase di rivelazione della presenza di un’area incendiata può essere condotta con metodi ed algoritmi meno precisi, l’analisi che vuole portare alla perimetrazione in dettaglio dell’area di interesse, necessita di metodi più raffinati. L’approccio metodologico che è stato scelto per l’analisi e lo studio delle potenzialità del dato iperspettrale nel contesto della perimetrazione delle aree interessate da incendi è basato su una serie di step successivi. La prima fase è volta ad eseguire una analisi statistica della discriminabilità del fenomeno (presenza di aree percorse da incendio) mediante l’utilizzo di singole bande del dato multispettrale. Tale valutazione è stata fatta considerando il dato simulato ALI, in modo da evitare il più possibile problemi di intercalibrazione e permettere una più facile comparazione con eventuali risultati provevienti dalle bande strette di Hyperion. Scopo primario di questa attività è quello di controllare la coerenza fra il dato ALI simulato ed il dato ETM+, in modo da permettere l’eventuale utilizzo o adattamento per i dati ALI di metodi e conclusioni sviluppate sulla base dell’impiego del dato TM/ETM+ . A tale scopo, sul dato ALI simulato è stato individuato un sottoinsieme spaziale formato da tre classi omogenee di punti, composte rispettivamente da pixel relativi a suolo nudo, pixel relativi a suolo vegetato e pixel relativi ad aree percorse da incendio. La valutazione della discriminabilità fra le tre classi all’interno di una singola banda multispettrale è stata fatta in maniera quantitativa ricorrendo ad un semplice algoritmo a soglia e valutando quantitativamente le prestazioni in termini di errore di commissione ed omissione. Tale attività è stata poi estesa alla valutazione delle prestazioni offerte da un indice normalizzato, quale il Normalized Burn Ratio (NBR) applicato ad una coppia di bande multispettrali del dato ALI simulato. 6.8.7.2.1 SELEZIONE DELLE AREE CAMPIONE VEGETATO, SUOLO BRUCIATO DELLE CLASSI SUOLO NUDO, SUOLO Basandosi su una ispezione visiva sono state individuate delle aree di riferimento di tre tipi, e cioè composte in maggior parte da pixels rispettivamente appartenenti alle tre classi: vegetato, suolo nudo e aree incendiate. Per quanto riguarda le aree incendiate è stata utilizzata la popolazione dei pixel appartenenti al caso di studio descritto, che interessa un’area di circa 3,2 ettari (Fig. 6.75) 177 Fig. 6.75 Delimitazione dell’area interessata da incendio. Per ciascuna delle classi suolo nudo e vegetato, sono state selezionate quattro aree come riferimento della tipologia, in base alla caratteristica di omogeneità ( Fig. 6.76 e Fig. 6.77) e appartenenza, anche se risulta evidente come ciascuna area non sia composta esclusivamente da pixel riconducibili alla classe di riferimento. Tale scelta rappresenta un compromesso tra purezza e estensione dell’area di riferimento, in modo da potere disporre di un numero di pixel statisticamente sufficiente per ciascuna classe. Questo si è reso necessario a causa delle caratteristiche della copertura, notevolmente frammentata nelle diverse classi e con un elevato livello di aree miste. Fig. 6.76 Aree campione di riferimento della classe “vegetato”. 178 Fig. 6.77 Aree campione di riferimento della classe “suolo nudo”. In aggiunta alle classi precedentemente citate, sono stati presi in considerazione anche una serie di spettri di riflettanza acquisiti in laboratorio; in particolare si è fatto riferimento agli spettri usati in letteratura da Chuvieco per la valutazione della fire severity a partire da dati satellitari. Sono stati quindi aggiunti 5 spettri campione, gentilmente forniti da Chuvieco con una risoluzione spettrale di 10 nm e relativi alle classi “green leaf”, “Brown leaf”, “Soil”, “Light_Charcoal” e “Dark_Charcoal”. Per esigenze di analisi e confronto con le immagini del data set iperspettrale i suddetti spettri sono stati ricampionati sulle frequenze centrali delle bande del dato hyperion, per mezzo di una semplice interpolazione lineare fra i due valori relativi ai centri banda spettralmente più vicini. 6.8.7.2.2 DISCRIMINABILITÀ DELLE AREE MULTISPETTRALE A BANDA LARGA INCENDIATE MEDIANTE L’INFORMAZIONE La valutazione della discriminabilità delle aree interessate da incendio nelle immagini a banda larga simulate del sensore multispettrale ALI è stata inizialmente basata sull’analisi delle distribuzioni di radianza di ciascuna banda, generando tre istogrammi distinti per ciascuna banda spettrale, relativi alle tre classi considerate nelleFig. 6.75, Fig. 6.76, e Fig. 6.77. In funzione della posizione reciproca degli istogrammi, è stata poi effettuata una discriminazione ricorrendo ad un classico algoritmo a soglia e valutando in maniera quantitativa le potenzialità della banda in termini di errori di omissione e commissione. Per completezza di studio, la valutazione è stata fatta in maniera separata per la discriminabilità fra aree bruciate e aree vegetate e quella fra aree bruciate ed aree con suolo nudo. Questo perché in alcune bande l’istogramma delle aree incendiate si colloca dalla stessa parte rispetto all’istogramma delle altre due classi di vegetato e suolo nudo, mentre in altre assume una posizione intermedia. Per queste ultime è dunque necessario fare una discriminazione basata su due differenti soglie, mentre per le prime bande è possibile utilizzare una sola soglia per effettuare entrambe le discriminazioni. In quest’ultimo caso, si possono diversificare con una sola soglia due macroclassi, quella delle aree incendiate e quella delle aree non incendiate 179 (dove quest’ultima è composta dall’unione delle due classi relative al vegetato ed al suolo nudo). La fig. 5 mostra le distribuzioni di radianza delle singole bande del dato ALI simulato, relative alle tre classi considerate. Mentre gli istogrammi delle bande 1 e 7 risultano sovrapposti, le distribuzioni di radianza delle altre banda coprono differenti intervalli di radianza spettrale per la maggioranza dei punti appartenenti alle tre classi incendiato, vegetato e suolo nudo, anche se una parte minore di sovrapposizione è sempre presente. In particolare, la distribuzione della classe incendiato delle bande 2, 3, 4, 8 e 9 (Fig. 6.78), si trova in posizione centrale rispetto alle altre due classi suolo nudo e vegetato che, avendo valori di radianza rispettivamente minori e maggiori rispetto alle aree incendiate, hanno i loro istogrammi posizionati a sinistra ed a destra della classe incendiato. Nelle bande 5 e 6, la classe delle aree interessate da incendio presenta invece una distribuzione di valori di radianza inferiori alle altre due classi, le cui distribuzioni hanno valori di radianza più elevati sovrapposti sullo stesso intervallo. Di conseguenza, i metodi a soglia singola permettono in questo caso di discriminare la classe delle aree incendiate dalle altre due con una elevata accuratezza. Vegetated Areas Bare soil areas Burned Areas Vegetated Areas Burned Areas Bare soil areas 40 35 35 35 30 30 30 25 25 25 20 15 10 5 Number of Pixels 40 Number of Pixels Number of Pixels Burned Areas Histograms classified areas band 3 ALI simulated Histograms classified areas band 2 ALI simulated Histograms classified areas band 1 ALI simulated 40 20 15 0 20 40 60 80 100 120 10 5 0 0 20 40 60 100 120 0 140 B1 B2 Vegetated Areas Bare soil areas Burned Areas Vegetated Areas Burned Areas Bare soil areas 30 25 25 25 Number of Pixels 35 30 Number of Pixels 35 30 15 20 15 10 10 5 5 0 20 40 60 80 100 120 0 140 20 40 B4 60 Burned Areas 100 120 140 B6 Histograms classified areas band 9 ALI simulated Histograms classified areas band 8 ALI simulated Bare soil areas 80 2 B5 Histograms classified areas band 7 ALI simulated Vegetated Areas Bare soil areas Radiance [Watt / m sr micron] 2 Radiance [Watt / m sr micron] Vegetated Areas Burned Areas Bare soil areas 50 30 Vegetated Areas 0 0 150 140 15 5 50 75 100 125 Radiance [Watt / m2 sr micron] 120 20 10 0 100 B3 35 20 80 Histograms classified areas band 6 ALI simulated Histograms classified areas band 5 ALI simulated 40 Burned Areas 60 2 40 25 40 Radiance [Watt / m sr micron] 40 0 20 2 Histograms classified areas band 4 ALI simulated Number of Pixels 80 Radiance [Watt / m sr micron] 2 Radiance [Watt / m sr micron] Burned Areas 15 5 140 Bare soil areas 20 10 0 0 Vegetated Areas Vegetated Areas Bare soil areas 60 45 25 50 40 35 15 10 Number of Pixels 40 Number of Pixels Number of Pixels 20 30 25 20 30 20 15 10 5 10 5 0 0 0 10 20 30 40 2 Radiance [Watt / m sr micron] B7 50 60 70 0 0 5 10 15 20 2 Radiance [Watt / m sr micron] B8 180 25 30 35 0 1 2 3 4 2 Radiance [Watt / m sr micron] B9 5 6 7 Fig. 6.78 Distribuzione di occorrenza della radianza delle bande del sensore ALI, relativamente alle aree campione delle tre classi di vegetato, suolo nudo e aree incendiate. Al contrario, le bande 2,3,4,8 e 9, necessitano di metodi basati su almeno due soglie: la prima, per discriminare le aree bruciate dalle aree vegetate; la seconda per distinguere le aree bruciate dai suoli nudi. In generale, le prestazioni di una tecnica a soglia sono valutate ricorrendo alla stima delle percentuali di falsi positivi (errore di commissione) e di falsi negativi (errore di omissione). In questo caso, i falsi positivi sono i pixel relativi ad aree vegetate e di suolo nudo che vengono classificati erroneamente come incendiati. Viceversa, i falsi negativi si riferiscono ai pixel corrispondenti ad aree incendiate, che vengono erroneamente classificati come vegetati o suolo nudo. La Fig. 6.79 mostra, i grafici dell’errore di commissione e di omissione per le bande 1-4 e 6-9 di ALI in funzione del valore di soglia, che permettono quindi di valutare la capacità di discriminazione di ciascuna banda relativamente alle classi: A) aree incediate-vegetazione, B) aree incendiate-suolo nudo. BANDA 1 Discrimination burned/bare soil threshold band 1 Discrimination burned/vegetated threshold band 1 False positive False negative 120 100 100 Percentage of error Percentage of error False negative 120 80 60 40 False positive 80 60 40 20 20 0 0 0 10 20 30 40 50 60 70 80 90 0 100 10 20 30 40 50 60 70 80 90 100 Threshold value Threshold value BANDA 2 Discrimination burned/bare soil threshold band 2 Discrimination burned/vegetated threshold band 2 False negative False positive 120 100 100 Percentage of error Percentage of error False negative 120 80 60 40 False positive 80 60 40 20 20 0 0 0 10 20 30 40 50 60 70 80 90 0 100 10 20 30 40 50 60 Threshold value Threshold value BANDA 3 181 70 80 90 100 Discrimination burned/vegetated threshold band 3 False negative Discrimination burned/bare soil threshold band 3 False negative False positive 100 Percentage of error 120 100 Percentage of error 120 80 60 40 False positive 80 60 40 20 20 0 0 0 10 20 30 40 50 60 70 80 90 0 100 10 20 30 40 50 60 70 80 90 100 80 90 100 Threshold value Threshold value BANDA 4 Discrimination burned/vegetated threshold band 4 False positive False negative 120 120 100 100 Percentage of error Percentage of error False negative Discrimination burned/bare soil threshold band 4 80 60 40 False positive 80 60 40 20 20 0 0 0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 Threshold value 40 50 60 70 Threshold value BANDA 7 Discrimination burned/vegetated threshold band 7 False negative Discrimination burned/bare soil threshold band 7 False positive False negative 120 120 100 100 Percentage of error Percentage of error False positive 80 60 40 80 60 40 20 20 0 0 0 10 20 30 40 50 60 70 80 90 0 100 10 20 30 Threshold value 40 50 60 70 80 90 100 80 90 100 Threshold value BANDA 8 Discrimination burned/vegetated threshold band 8 False positive False negative 120 120 100 100 Percentage of error Percentage of error False negative Discrimination burned/bare soil threshold band 8 80 60 40 False positive 80 60 40 20 20 0 0 0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 Threshold value Threshold value BANDA 9 182 70 Discrimination burned/bare soil threshold band 9 Discrimination burned/vegetated threshold band 9 False negative False positive 120 100 100 Percentage of error Percentage of error False negative 120 80 60 40 False positive 80 60 40 20 20 0 0 0 1 2 3 4 0 5 1 2 Threshold value 3 4 5 Threshold value A) B) Fig. 6.79 Percentuale di falsi positivi (viola) e falsi negativi (blu) in funzione della soglia per le bande 1-4 e,7-9 del sensore ALI, relativamente alle classi: (A) incendio e vegetato, (B) incendio e suolo nudo. Poiché le distribuzioni di radianza delle bande 5 e 6 relativamente alle aree vegetate ed al suolo nudo hanno ambedue valori inferiori alla distribuzione delle aree percorse da incendio, in Fig. 6.80 vengono riportati anche i grafici relativi alla discriminazione complessiva aree incendiate/non-incendiate in funzione di una singola soglia, dove per aree non-incendiate si intende l’unione degli insiemi di punti di riferimento appartenenti alle classi suolo nudo e vegetato (fig. 6c). Di conseguenza, la classificazione delle aree incendiate basata su queste bande (5 e 6), può essere conseguita mediante metodi a singola soglia. Discrimination burned/vegetated threshold band 5 False negative False positive 120 120 100 100 Percentage of error Percentage of error False negative Discrimination burned/bare soil threshold band 5 80 60 40 False positive 80 60 40 20 20 0 0 0 10 20 30 40 50 60 70 80 90 0 100 10 20 30 40 50 60 Threshold value Threshold value a) b) Discrimination burned/unburned threshold band 5 False negative False positive 120 100 80 BANDA 5 60 40 20 0 0 10 20 30 40 50 60 70 80 90 100 c) 183 70 80 90 100 Discrimination burned/bare soil threshold band 6 Discrimination burned/vegetated threshold band 6 False positive False negative 120 100 100 Percentage of error Percentage of error False negative 120 80 60 40 False positive 80 60 40 20 20 0 0 0 10 20 30 40 50 60 70 80 90 0 100 Threshold value 6 a) 10 20 30 40 50 60 70 80 90 100 Threshold value b) Discrimination burned/unburned threshold band 6 False negative False positive 120 100 BANDA 6 80 60 40 20 0 0 10 20 30 40 50 60 70 80 90 100 c) Fig. 6.80 Percentuale di falsi positivi (viola) e falsi negativi (blu) nella discriminazione con soglia tra le classi: a) incendiato, vegetato, b) incendiato, suolo nudo, c) incendiato, nonincendiato, relativamente alle bandi 5 e 6 del sensore ALI. Osservando gli istogrammi di figura 4 e le curve delle figure 5 e 6 è possibile notare come nelle bande 5 e 6 di ALI, corrispondenti alla banda 4 del sensore ETM+, le zone interessate da incendio presentino una radianza statisticamente più bassa di quella delle aree vegetate e di suolo nudo, utilizzate come riferimento. Questo è confermato dal fatto che per tali bande esistono valori di soglia che permettono di ottenere contemporaneamente bassi valori di errore di commissione e di omissione. (Fig. 6.80). Anche nella banda 9 di ALI (corrispondente alla banda 7 di ETM+) si ha nuovamente una buona separabilità tra zone incendiate e zone vegetate, anche se tale caratteristica non è altrettanto valida nel caso della distinzione tra zone incendiate e suolo nudo. Infatti, la radianza delle aree vegetate è statisticamente maggiore di quella delle aree bruciate. L’analisi delle caratteristiche delle bande ALI, osservate nel caso particolare dell’area di studio di Capalbio, confermano le relazioni spettrali sulle quali sono state sviluppate varie tipologie di metodi volti alla individuazione di aree interessate di incendio, tra i quali l’indice NBR (Normalized Burn Ratio), sviluppato sulle bande NIR e SWIR del sensore TM/ETM+: NBRETM 4 7 4 7 Dove 4 e 7 rappresentano le riflettanze rispettivamente delle bande TM/ETM+ 4 e 7. Dall’analisi statistica delle bande ALI, risulta che lo stesso tipo di indice è teoricamente valido, anche utilizzando i dati ALI. Poiché all’intevallo spettrale della banda 4 TM/ETM+ corrispondono due bande di ALI più strette (5 e 6), le quali hanno caratteristiche simili (fig. 4 184 e fig. 6), è possibile definire due diverse implemetazioni dell’indice NBR, basate sulle bande ALI: 5, 9 NBR ALI 5 9 5 9 6,9 NBR ALI 6 9 6 9 5, 9 6,9 La valutazione dell’efficienza dei due indici NBRALI e NBRALI è stata effettuata sulla base sempre degli errori di commissione e di omissione in funzione della soglia, misurati nell’area di studio. Dalle curve di errore riportate nella Fig. 6.81, si può osservare che l’indice più efficiente 6, 9 risulta essere NBRALI , in quanto le percentuali di errore risultano inferiori, anche se di poco, all’altro indice. Discrimination burned/not burned threshold NBR ALI 110 105 100 95 90 85 80 75 70 P e rc e n ta g eo fe rro r 65 60 False negative NBR 5-9 False positive NBR 5-9 55 False negative NBR 6-9 False positive NBR 6-9 50 45 40 35 30 25 20 15 10 5 0 0.8 0.82 0.84 0.86 0.88 0.9 0.92 0.94 0.96 0.98 1 Thre shold va lue Fig. 6.81 Errori di omissione e commissione relativi all’applicazione dei due 5, 9 6,9 e NBRALI basati sulle bande ALI. indici NBRALI 185 6.8.7.2.3 FIRE ASSESSMENT CON PROCEDURA MESMA La stima della Fire severity è una applicazione molto importante nel campo del telerilevamento, e quindi la valutazione delle prestazioni ottenute in questo settore dal dato iperspettrale è di notevole importanza per misurare le sue potenzialità applicative. Come precedentemente affermato, non disponendo della verità a terra riguardanti la fire severity delle aree di test considerate, si è concentrato l’attenzione su una valutazione relativa, basata cioè sulla comparazione qualitativa delle prestazioni ottenute utilizzando il dato iperspettrale e quello multispettrale. Per questo scopo è stata sviluppata una procedura basata sull’approccio conosciuto in letteratura con l’acronimo MESMA (Multiple Endmember Spectral Mixture Analysis (MESMA), che classifica i pixel dell’immagine analizzata sulla base del confronto dei loro spettri con un set di spettri di riferimento. La procedura messa in atto consta in particolare di più passi, come evidenziato anche in Fig : 6.62 Fig. 6.82 Valutazione della Fire Severity a partire da dati iperspettrrali o multispettrali 186 Pre-processing dei dati di partenza: Il metodo MESMA prevede il confronto fra l’immagine da classificare e degli spettri campione; nel nostro caso come spettri campione sono stati adottati spettri di laboratorio, forniti ovviamente in riflettanza; è stato dunque necessario effettuare una operazione di calibrazione radiometrica delle immagini considerate in modo da lavorare sempre in riflettanza. Tale calibrazione è stata effettuata tenendo conto della geometria e dell’ora di acquisizione, ma senza effettuare una correzione atmosferica; questo perché le acquisizioni considerate sono tutte pressoche contemporanee ed effettuate con cielo terso, per cui l’influsso dell’atmosfera si può considerare piccolo e comunque costante. La valutazione delle prestazioni ottenute nella stima della Fire severity usando un dato iperspettrale in confronto a quelle ottenute in un analogo compito con un dato multispettrale richiederebbe la ovvia presenza di due dati, uno iperspettrale ed uno multispettrale, acquisiti contemporaneamente, con la stessa geometria di acquisizione e con la stessa risoluzione sulla stessa zona. Questa condizione è fondamentale per poter ricondurre le eventuali discrepanze nelle prestazioni applicative alla natura intrinseca del dato, e cioè alla sola differenza nel numero di bande disponibili; la contemporaneità di acquisizione unita alla somiglianza della geometria permettono infatti di escludere una serie di possibili effetti quali quelli dovuti ad un diverso impatto dell’atmosfera, dell’irraggiamento solare e della distorsione del pixel a terra sul dato acquisito. Nella pratica la coppia di dati Hyperion – ALI si è rivelata simile a quella ideale, in quanto i sensori sono montati sulla stessa piattaforma satellitare; purtroppo tale configurazione non permette di escludere uno shift relativo fra i lattici di acquisizione, cosa che può introdurre discrepanze dovute alla presenza di effetti di aliasing diversi, essendo notoriamente l’aliasing un fenomeno shift-dependent; a questo bisogna aggiungere gli eventuali problemi di intercalibrazione radiometrica che possono comparire in fase di preprocessing del dato. Lo stesso problema è stato riscontrato per la coppia Hyperion – ETM+, per la quale si deve tenere in conto anche della differenza di piattaforma di acquisizione, anche se l’acquisizione viene fatta da una orbita analoga a pochi secondi di distanza. L’analisi comparata dei dati Hyperion, ALI ed ETM+ ha confermato il problema, evidenziando, come era lecito attendersi, una differenza non insignificante fra i due dati. Per tale motivo si è deciso di perfezionare il confronto fra il dato iper-spettrale di partenza (Hyperion) ed un dato multispettrale simulato a partire dal dato iper-spettrale, in modo da poter evidenziare solo le differenze dovute al differente numero di bande. Le varie tecniche di simulazione di un dato multi-spettrale a partire da un dato iper-spettrale sono state quindi analizzate e testate, in modo da valutare i vantaggi offerti dai metodi più complessi, come quelli basati sulla conoscenza delle MTF spettrali dei sensori in gioco, rispetto a quelli più semplici, come quelli basati sull’adozione del valore della banda iperspettrale più vicina al centro della banda iperspettrale da simulare, passando per soluzioni intermedie come quelle da noi proposte nel paragrafo, basate cioè su una media spettrale pesata delle bande iperspettrali comprese nella banda multispettrale da simulare. La discrepanza riscontrata fra i metodi si è rivelata nel caso da noi analizzato molto bassa, (ordine dell’ 1%) e quindi si è deciso di adottare indifferentemente due metodi: per la generazione delle immagini multispettrali simulate si è usata la simulazione che tiene conto dell’MTF dei sensori (quello del sensore iperspettrale con cui sono stati acquisiti i dati di partenza e quello del multispettrale da simulare); per gli spettri di riferimento, che sono di laboratorio e non danno informazione sull’MTF con cui sono acquisiti, si è adottata una soluzione più semplice basata su una media dei campioni delle bande iperspettrali contenute nella banda multi-spettrale da simulare, con l’accortezza di pesare in maniera proporzionale le bande iperspettrali che sono solo parzialmente contenute nella banda multispettrale. Dovendo decidere quale tipo di dato multispettrale simulare, si è deciso di simulare un dato di cui si avevano anche immagini disponibili, quindi ALI o ETM+ , e fra questi due è stato 187 scelto ETM+, in quanto rispetto al dato ALI il dato ETM+ gode di una maggiore presenza di lavori applicativi in letteratura. L’immagine ETM+ simulata è stata generata con una procedura relizzata con il Modeler di Imagine, un programma di elaborazioni di immagini telerilevate. Una operazione di verifica fatta fra un dato ETM+ simulato dal dato Hyperion e un dato ETM+ effettivamente acquisito dalla stessa trettoria di Hyperion a distanza di pochi ha permesso di validare ulteriormente la bontà della simulazione, in quanto la differenza riscontrata fra dato ETM simulato e dato ETM effettivo si è rivelata piccola (e comparabile con la differenza fra il dato ETM originale ed il dato ALI acquisito insieme al dato Hyperion ?????). Per quanto riguarda gli spettri di riferimento, partendo da una libreria più estesa si è deciso di adottare un set composto da 6 spettri di laboratorio, riferiti rispettivamente alle classi “Green leaf”, “Brown Leaf”, “Soil”, “Light Charcoal” e “Dark Charcoal”, comunemente usati nei lavori relativi alla stima della Fire Severity. Come precedentemente anticipato, questi spettri sono stati forniti ad una risoluzione spettrale di 10 nm, e quindi è stata preventivamente effettuata una operazione di ricampionamento sulle frequenze centrali delle bande di Hyperion. I nuovi spettri sono stati quindi utilizzati per simulare, con la prcedura di media pesata descritta precedentemente, due equivalenti set multi-spettrali di riferimento, uno definito sulle frequenze delle bande di ALI e uno su quelle di ETM+. Come si può vedere in Fig. 6.67 il risultato ottenuto mostra come i campioni multispettrali simulato siano praticamente sovrapponibili al grafico del dato iperspettrale di partenza, confermando la bontà del metodo adottato. 700.00 Iper_Green‐Leaf Iper_Dark‐Charcoal Multi_Brown‐leaf 600.00 Iper_Brown‐Leaf Iper_Light‐charcoal Multi_Soil Iper_Soil Multi_Green‐leaf Multi_Light‐Charcoal 500.00 400.00 300.00 200.00 100.00 0.00 0.0 500.0 1,000.0 1,500.0 2,000.0 2,500.0 3,000.0 Fig. 6.83 Spettri campione (in riflettanza moltiplicata * 1000). Poiché la generazione degli spettri di riferimento multispettrali è stata fatta ricorrendo ad una simulazione comparabile con quella adottata per generare i dati ALI simulato ed ETM+ simulato, ciascuna immagine multispettrale simulata potrà essere coerentemente comparata con il proprio set di spettri campione. 188 Per escludere possibili problemi legati ad una possibile scarsa intercalibrazione fra dati analizzati e spettri campione di libreria adottati, il set di spettri campione è stato ulteriormente integrato con spettri iperspettrali presi direttamente dall’immagine Hyperion analizzata e scelti come campioni “interni”. In particolare si è scelto di adottare come spettro campione delle zone vegetate la media fra gli spettri dei pixel caratterizzati da un valore dell’indice NDVI superiore a 0,3 , mentre la media degli spettri dei pixel aventi valori di NDVI inferiori a 0,2 è adottata come spettro campione dei suoli nudi. Naturalmente queste due classi adottate sono estremamente popolate, sicuramente non pure ed anche non molto omogenee; i pixel scelti per rappresentare la vegetazione infatti vanno da pixel completamente vegetati a pixel con solo una frazione di terreno coperta dalla vegetazione, mentre la classe dei suoli nudi risulterà contaminata anche dai pixel delle aree bruciate; a questo bisogna poi aggiungere la presenza dei pixel delle aree urbane, che contamineranno le due classi. Nonostante ciò, le aree urbanizzate e quelle incendiate sono numericamente esigue, e quindi poco significative dal punto di vista della media. Pertanto la scelta fatta è stata ritenuta accettabile per una prima fase dell’analisi. In Fig. 6.68 sono riportati gli spettri campione “interni” relativi al suolo vegetato insieme al relativo spettro di riferimento di laboratorio. L’osservazione dei grafici permette di evidenziare un andamento relativamente coerente fra gli spettri acquisiti dall’immagine e quelli di laboratorio, anche se lo spettro di laboratorio presenta un andamento molto più dolce, tendenzialmente più alto e privo di bande di assorbimento evidenti in quanto non afflitto dagli effetti dell’atmosfera. Discorso analogo per la figura 6,69, nella quale si riportano gli sepettri di campione “interni” e quelli di laboratorio per le arre vegetate. Da notare come gli spettri di laboratorio sono due, uno relativo alla vegetazione “chiara” e uno a quella “più scura”, mentre dal punto di vista del training set è presente un unico spettro. 700.00 600.00 Reflectance 500.00 400.00 300.00 200.00 100.00 0.00 400.0 900.0 1,400.0 1,900.0 2,400.0 nm Green leaf Brown leaf Vegetation training set Fig. 6.84 Spettri di riferimento “interni” e di libreria relativi al suolo vegetato. 189 500.00 Reflectance 400.00 300.00 200.00 100.00 0.00 400.0 900.0 1,400.0 1,900.0 2,400.0 nm Soil Soil training set Fig. 6.85 Spettri di riferimento “interni” e di libreria relativi al suolo nudo. Partendo dal set di spettri di riferimento (di libreria e “interni”), il metodo implementato permette di incrementare il suddetto set con altri spettri di riferimento, sia di libreria che presi dai pixel dell’immagine da analizzare. Una volta definito il set di partenza, è possibile poi selezionare un sottoinsieme di questi spettri da usare effettivamente per l’analisi dell’immagine considerata; gli spettri di questo sottoinsieme vanno a costituire gli “endmembers” del metodo proposto. Naturalmente, ad ogni set di end-members scelto dall’utente nel campo iperspettrale, il metodo proposto fa corrispondere un set analogo nel campo multispettrale; ad ogni end-member iperspettrale infatti viene associato un end-member multispettrale ottenuto simulando quest’ultimo a partire dal primo. Questi end-members (sia quelli iperspettrali che quelli multispettrali) vengono combinati linearmente fra di loro per generare un nuovo set di spettri rappresentativi di varie classi di pixel misti, che va a costituire una look-up-table (LUT). Ogni spettro di questa look-up-table è dunque generato da una diversa combinazione lineare degli end-members pesati secondo un numero finito di combinazioni predefinite. Tali combinazioni sono ottenute facendo variare in maniera discreta e omogenea i pesi, con il vincolo che la somma dei pesi risulti unitaria; il numero possibile di pesi da adottare (e quindi il passo fra i pesi) viene specificato dall’utente. Questo vuol dire che se viene scelto un numero di pesi pari a 5, i pesi adottati saranno 0.00; 0.25; 0.5; 0.75; 1.00 , mentre se viene scelto un numero pari a 3, i pesi saranno solo 0.00; 0.50; 1.00 . Naturalmente all’aumentare del numero di pesi, aumentano anche le possibili combinazioni, così come se viene aumentato il numero degli end-members A titolo di esempio in tabella 6.23 sono riportate le 6 combinazioni adottate nel caso di 3 end-member con numero di pesi pari a 3 Combinazione # 1 2 3 4 End‐member 1 1.00 0.50 0.00 0.50 End‐member 2 0.00 0.50 1.00 0.00 190 End‐member 3 0.00 0.00 0.00 0.50 5 6 0.00 0.00 0.50 0.00 0.50 1.00 Tab. 6.23 Combinazione di pesi per tre end-members e tre possibili livelli di peso. Ognuna delle combinazioni di peso originerà uno spettro rappresentativo di una certa classe mista. La combinazione n. 4 della tabella 6.23, e cioè [0.50; 0.00; 0.50] sarà ad esempio rappresentativa di un pixel misto con composizione data da un 50% ascrivibile all’endmember 1 e da un altro 50% ascrivibile all’end-members 3, con assenza totale nella composizione dell’end-members 2; la combinazione 3 sarà viceversa da ascrivere a un pixel “puro” riferibile completamente all’end-member 2. La procedura implementata permette quindi, una volta definita la lista degli end-members e il set opportuno di pesi, di generare il set di spettri rappresentativi (LUT) delle classi di pixel misti sia nel campo iperspettrale che in quello multispettrale simulato; le stesse combinazioni lineari generate per gli end-members iperspettrali sono realizzate infatti anche per il set di end-members multispettrali, generando due look-up-table coerenti fra loro, una iperspettrale e una multispettrale. Una volta ricavate le due look-up-table, la procedura realizza la classificazione dell’immagine iperspettrale analizzata. Per ogni pixel di tale immagine, lo spettro iperspettrale viene confrontato con gli spettri della relativa look-up-table, trovando fra questi ultimo lo spettro più vicino dal punto di vista della distanza RMSE. In questo modo viene quindi stimato il mix di end-members che risulta più affine allo spettro del pixel analizzato. Questa stima viene ripetuta per ogni pixel, generando una immagine (immagine classificata) che ha le stesse dimensioni spaziali dell’immagine analizzata ma un numero di bande pari al numero degli end-members, che riassume i risultati della classificazione. Per ogni pixel di questa immagine infatti il valore dell’n-esima banda rappresenta la percentuale dell’n-esimo end-members presente nella combinazione stimata come più probabile. La stessa opera di classificazione viene effettuata anche nel campo multispettrale, comparando dato multispettrale simulato e look-up-table multispettrale, e generando una immagine analoga a quella generata nel campo iperspettrale. In Fig. 6.69 sono riportate le immagini classificate iperspettrali (a) e multispettrali (b), insieme con l’immagine ETM originaria (R=4, G=3, B=2) . Le due classificazioni riportate sono state effettuate ricorrendo a tre soli end-members, costituiti dagli spettri campione di laboratorio riferiti a “Green leaf”, “Soil” e “Dark Charcoal”, adottando un numero di pesi pari a 5. Da questa configurazione è risultata una look-up-table composta da 15 combinazioni, riportate in tab. 6-24 Combinazione # 1 2 3 4 5 6 7 8 9 Green leafs Soil 1.00 0.75 0.50 0.25 0.00 0.75 0.50 0.25 0.00 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 191 Dark charcoil 0.00 0.00 0.00 0.00 0.00 0.25 0.25 0.25 0.25 10 11 12 13 14 15 0.50 0.25 0.00 0.25 0.00 0.00 0.00 0.25 0.50 0.00 0.25 0.00 0.50 0.50 0.50 0.75 0.75 1.00 Tab. 6.24 Combinazione di pesi per tre end-members e 5 possibili livelli di peso. L’immagine classificata risultante è stata visualizzata assegnando il canale verde alla percentuale dello spettro “Green leafs”, quello rosso alla percentuale dello spettro “Soil” e quello Blu allo spettro “Dark charcoil”. Ad una prima analisi qualitativa è possibile vedere come la classificazione fatta con il dato iperspettrale sembri offrire risultati più ragionevoli. Solo tale classificazione infatti assegna la classe pura di 100% Dark charcoil al centro della zona classificata come bruciata dall’AIB ed evidentemente tale nella immagine ETM, così come assegna la classe pura 100% green leafs alla zona in alto a dx, manifestamente vegetata nell’immagine ETM in veri colori. Anche la presenza di una zona con 75% di Dark charcoil al contorno di quella classificata come 100% Dark Charcoil fa pensare ad una ragionevole presenza di pixel misti (terreno bruciato, terreno vegetato non bruciato) sul contorno dell’area bruciata, cosa che non si verifica invece nella classificazione multispettrale. Anche le aree con colore prevalentemente marrone, cioè con prevalenza di classificazione come suolo nudo coincidono con il centro di aree che appaiono proprio come prive di vegetazione nell’immagine ETM+; la ridotta dimensione di tale aree giustifica la mancata attribuzione di una classe pura al 100% come suolo nudo, in quanto i pixel considerati possono ragionevolmente essere affetti da “contaminazioni” di aree vegetate sui bordi. La classificazione iperspettrale appare quindi in prima analisi molto promettente, e la qualità dei risultati ottenuti ricorrendo a spettri di laboratorio mostra anche una buona robustezza spaziale del metodo. La classificazione multispettrale presenta invece un andamento che evidenzia molto meno gli aspetti ragionevoli precedentemente descritti per la classificazione iperspettrale, e stima una presenza non nulla di Dark charcoil anche in aree (in alto a dx e basso asinistra) fuori dall’area incendiata ed apparentemente vegetate. Rimane comunque da spigare la alta percentuale di Dark charcoil assegnata anche dalla classificazione iperspettrale alla zona in basso a sn. 192 (a) (b) (c) Fig. 6.86 Stima della Fire severity a) Effettuata con il dato iperspettrale b) effettuata con il dato multispettrale c) Immagine ETM originale (RBG = 5,4,3) Se la verità a terra fosse presente, la bontà della classificazione riportata da queste due immagini potrebbe essere valutata direttamente in maniera quantitativa, evidenziando eventuali discrepanze e vantaggi del dato iperspettrale, anche al variare della sensibilità della classificazione, intesa nel senso di combinazioni ragionevolmente discriminabili (cioè di numero di pesi adottabili) senza incorrere in eccessivi errori di classificazioni. In assenza di verità a terra, come avviene sfortunatamente nel nostro caso, il confronto fra le classificazioni può essere fatto in prima istanza solo in termini qualitativi, confrontando fra loro la ragionevolezza degli eventuali pattern evidenziati dal punto di vista della classificazione. Allo stato delle cose una analisi di questo tipo, al variare del numero degli end-members e del numero di pesi usati è ancora in corso. A prescindere da una classificazione di immagini iperspettrali reali, e cioè effettivamente acquisite, è in programma in futuro anche una valutazione prettamente teorica fatta su una immagine iperspettrale simulata; tale immagine verrà realizzata generando i pixel con 193 combinazioni diverse e note degli end-members, realizzate però con un numero di pesi superiore a quello che verrà adottato nella fase successiva di classificazione. Questo permetterà di analizzare in maniera più quantitativa le prestazioni in termini di sensibilità e robustezza, e di effettuare quindi un confronto fra le potenzialità riscontrate nel campo iperspettralerispetto a quelle del campo multispettrale. 194 6.8.8 WP 610 – VALUTAZIONE DELLO STATO DI UMIDITA’ SUPERFICIALE 6.8.8.1 PREMESSA La stima dell’umidità del suolo, inteso come misura del contenuto d’acqua per unità di volume, e soprattutto la capacità di monitoraggio periodico, ha da sempre rappresentato una informazione di primaria importanza per una molteplicità di settori applicativi inerenti il controllo e lo sfruttamento del territorio (es: agricoltura, pascoli, rischio idrogeologico, rischio di incendi, ecc.). Nel corso degli anni, una ampia gamma di studi e sperimentazioni hanno portato alla realizzazione di tecnologie e la messa a punto di metodi semplici ed accurati volti alla misura dell’umidità del suolo mediante strumentazione e misure al suolo. Tali metodi, quali la gravimetria o le misure TDR (Time Domain Reflectometry), pur fornendo misure consistenti, affidabili e ripetibili, presentano notevoli limiti dovuti al tempo ed alla quantità di lavoro necessario per effettuare periodicamente campagne di misure puntuali su aree estese, o con coperture con maggiori risoluzioni su zone limitate. Data la eterogeneità naturale dei suoli, della copertura vegetale e dell’impatto antropico sul territorio, è in genere necessario potere disporre di informazioni relative allo stato di umidità dei suoli su aree estese e con periodi di ripetizione anche di pochi giorni. Da ciò nasce l’interesse della comunità allo studio ed alla messa a punto di metodi di monitoraggio dell’umidità basati sul telerilevamento aereosatellitare, tecnologia in grado di soddisfare le necessità di copertura estesa, in tempi brevi ed a costi ridotti, a patto che, mediante adeguati modelli e metodi di elaborazione, sia possibile mettere in relazione con un sufficiente livello di affidabilità ed accuratezza la variabile “umidità” con le misure di radianza. Il settore del telerilevamento a microonde ha ormai fornito risposte abbastanza esaurienti sulle concrete possibilità di ottenere informazioni sul contenuto di acqua del suolo mediante l’impiego di sensori SAR operanti a lunghezze d’onda adeguate (L,P), come pure sui limiti dovuti alla limitata disponibilità di sensori operativi a tali frequenze ed alla onerosità del processo di elaborazione delle immagini SAR. Non altrettanto definita appare l’importanza del telerilevamento ottico nelle bande di riflettanza ed il ruolo che potrebbe svolgere operativamente nel contesto di attività di controllo e monitoraggio sistematico di un territorio a scala provinciale o regionale. Nonostante da oltre trent’anni siano state condotte sperimentazioni sia su comprensori estesi mediante l’impiego di sensori multispettrali a bassa risoluzione spaziale di qualche chilometro, operativi a bordo di satelliti geostazionari (Meteosat, GOES, ecc) o con orbita polare (NOAA-N), sia su zone di studio limitate mediante l’impiego di sensori ad alta risoluzione quale Landsat-TM/ETM+ o ASTER, a tutt’oggi non esiste ancora una metodologia consolidata per la stima dell’umidità del suolo, basata sull’informazione ottenibile da immagini di telerilevamento nelle bande ottiche di riflettanza. Mentre i principi fisico-teorici ed i meccanismi che sono alla base dell’interazione dell’acqua con il suolo e la vegetazione, che rappresentano le principali componenti dell’ambiente, sono stati ampiamente studiati e descritti con adeguati modelli, tali relazioni non sembrano essere facilmente trasferibili al controllo del territorio reale. La complessità tipologica dei suoli e della vegetazione in generale, come pure l’eterogeneità dei suoli e della vegetazione in funzione della risoluzione al suolo dei sensori multispettrali operativi, rende molto difficile la formulazione di un modello euristico-analitico. Gli studi e le sperimentazioni sono quindi orientati per lo più alla messa a punto di algoritmi e metodi euristo-empirici, la cui efficienza è verificata fondamentalmente sulla base di osservazioni e comportamenti statistici. 195 Lo sviluppo operativo dei sensori iperspettrali a banda stretta a bordo di piattaforme aereospaziali, ha ovviamente dato un nuovo impulso alla ricerca relativa ai metodi di stima dello stato di umidità superficiale mediante l’impiego di bande di riflettanza, in conseguenza del dettaglio spettrale molto più elevato fornito da tali sensori in confronto ai sensori multispettrali a banda larga. Come per altri settori applicativi, anche nel caso della stima dell’umidità, è necessario investigare ed accertare quanto sia significativa la maggiore informazione iperspettrale ai fini dell’obiettivo specifico ed inoltre come tale informazione possa essere impiegata in maniera operativa, mediante lo sviluppo di metodi stabili ed affidabili che possano essere impiegati in attività di controllo e monitoraggio a livello operativo. 6.8.8.2 OBIETTIVI In conseguenza di quanto detto nella premessa, l’attività del WP 610 si pone come obiettivo specifico lo sviluppo di una indagine volta a valutare le potenzialità informative del dato iperspettrale in confronto alle immagini da sensori di telerilevamento multispettrali a banda larga, nel contesto dei metodi di stima e di monitoraggio dello stato di umidità superficiale del suolo SSM (Surface Soil Moisture) basati sull’impiego di misure di riflettanza. Da un lato, l’attività mira quindi a valutare l’efficienza di metodi o algoritmi sperimentati e messi a punto con sensori a banda larga in confronto ai risultati ottenibili dalla loro applicazione a dati iperspettrali a banda stretta; dall’altro, ad individuare le complementarietà informative del dato a banda stretta rispetto alle immagini a banda larga ai fini della messa a punto di metodi in grado di integrare le potenzialità dell’una e dell’altra tipologia di sensori ai fini delle attività operative di controllo e monitoraggio del territorio. E’ necessario sottolineare che tutti, o quasi tutti i metodi per la stima dell’umidità del suolo basati su misure di riflettanza da sensori di telerilevamento, mirano a determinare lo stato di umidità superficiale del suolo (poche decine o centinaia di micron di profondità) in termini di umidità relativa e non di contenuto volumetrico di acqua. Anche se tale obiettivo, della misura relativa di umidità, può sembrare riduttivo in realtà la messa a punto di un metodo “stabile” e cioè in grado di fornire misure relative dello stato di umidità che risultino affidabili e coerenti nel tempo costituisce un risultato molto importante per operazioni di monitoraggio in molteplici scenari applicativi. Di seguito, dopo un breve inquadramento teorico-fisico del problema viene definito l’approccio metodologico della sperimentazione. Successivamente vengono descritte le varie fasi operative relative sia alla preelaborazione ed al confronto dell’informazione a banda stretta rispetto alle immagini multispettrali, sia all’applicazione di determinati algoritmi multispettrali di stima dell’umidità. I risultati sono quindi messi a confronto, unitamente ai dati ancillari di pluviometria disponibili. 6.8.8.3 INQUADRAMENTO DELLA PROBLEMATICA - PRINCIPI FISICI Fin dal 1925 Angstrom, mediante misure di laboratorio su vari tipi di suolo, arrivò alla conclusione che la riflettanza del suolo decresce con l’aumentare dell’umidità. Angstrom attribuì questo fenomeno ad un fenomeno di riflessione interna sul film di acqua che copre le particelle del suolo, che causa una riflessione di una parte dell’energia verso il suolo stesso e diminuisce quindi la quantità di energia riflessa verso l’alto. Successivamente, tale comportamento dei suoli venne confermato nel 1951 da Curcio e Petty, da Bowers e Hanks 196 nel 1965, ed infine da Stoner e Baumgardner (1981), solo per citarne alcuni, che dimostrarono sperimentalmente che, all’aumentare dell’umidità di un suolo, il suo valore di riflettanza tende a diminuire lungo l’intero spettro da 400 a 2500 nm. Planet (1970), affermò come, in base alla conoscenza dello spettro di riflettanza di un suolo secco e dell’indice di rifrazione del liquido, sia possibile predire la riflettanza del campione in condizioni di saturazione. Negli anni successivi, numerose prove sperimentali effettuate in laboratorio su molte tipologie di suoli puri, confermarono le stesse caratteristiche. Tra le altre, di particolare significatività sono i risultati della sperimentazione condotta da Lobell ed Asner (2002), volta ad osservare e stimare le variazioni spettrali di riflettanza dei suoli al variare del contenuto di acqua. Quattro differenti tipologie di suolo, adeguatamente settacciati per eliminare qualunque tipo di impurità ed omogeneizzare le dimensioni dei grani di terra, vennero seccati in forno a 70 °C per due settimane. Dopo avere misurato la risposta di riflettanza dei campioni essicati, (linea blu di valore maggiore in fig. 1), i suoli furono bagnati con acqua deionizzata fino al raggiungimento del punto di saturazione (curva nera più bassa di fig. 1). Successivamente vennero acquisite periodicamente le curve di riflettanza dei suoli, fino al raggiungimento del punto iniziale di essicamento. In ciascun momento, il contenuto di acqua di ciascun campione venne determinato dal peso ed espresso in termini di volume di acqua relativo. Una caratteristica importante da notare nelle curve di fig. 1 riguarda la forma delle curve spettrali che rimane sostanzialmente simile con il variare dell’umidità. Questo corrisponde alla sensazione comune dell’uomo, relativa al fatto che un suolo bagnato appare più scuro, ma sostanzialmente mantiene lo stessa tonalità di colore del suolo asciutto. Di conseguenza, la misura dell’angolo spettrale nello spazio iperspettrale ad n dimensioni (n=numero di bande), non varia al variare dello stato di umidità del suolo e risulta quindi una misura tendenzialmente insensibile al contenuto di acqua del suolo. Vi sono in realtà alcune variazioni minori dello spettro, in particolare nell’intervallo spettrale corrispondente al blue-verde. E’ peraltro importante notare la piccola variazione di ampiezza nell’intervallo del blu, rispetto alla molto più consistente decrescita che si verifica alle lunghezze d’onda dello SWIR all’aumentare dell’umidità. La diminuzione di riflettanza risulta accentuata anche in corrispondenza delle bande principali di assorbimento dell’acqua centrate a 1450 e 1900 nm e si evidenzia, anche se in maniera minore, alle lunghezze d’onda di 760, 970 e 1190 nm, in corrispondenza delle bande minori di assorbimento. Fig. 1 – Riflettanza spetttrale del suolo al variare del contenuto di acqua (Lobel and Asner, 2002). 197 In definitiva, lo studio del comportamento spettrale di fig. 1 rappresenta la base per lo sviluppo e la sperimentazione di molti algoritmi per la stima dello stato di umidità del suolo basati sull’impiego di immagini multispettrali di telerilevamento. Peraltro, i suoli naturali sono sistemi complessi contenenti in varie proporzioni minerali, acqua, aria, materiali organici ed inorganici di vario tipo. In definitiva, i suoli si presentano generalmente molto eterogenei per quanto riguarda le proprietà fisiche e la composizione chimica, ed inoltre variabili spazialmente. Inoltre, la superficie del suolo risente delle condizioni atmosferiche e meteorologiche che determina processi di erosione o di generazione di croste, cosicché spesso le caratteristiche della superficie differiscono dalle caratteristiche fisiche e biochimiche sub-superficiali. Comunque, per una data area, la riflettanza di un suolo è principalmente determinata dall’umidità, poiché gli altri fattori (composizione minerale, presenza di materiale organico, tessitura, ecc.) tendono a variare lentamente nel tempo rispetto alle variazioni del contenuto di acqua del terreno. Il problema di mettere a punto un sistema di monitoraggio dello stato di umidità del suolo mediante telerilevamento aereosatellitare, non può comunque prescindere dal fatto che la maggior parte delle misure di riflettanza da piattaforma aereospaziale su aree naturali, per quanto effettuate con sensori ad alta risoluzione, comprendono anche il contribuito della vegetazione, che ha caratteristiche e meccanismi fisici di riflettanza differenti. In definitiva, le acquisizioni mediante sensori di telerilevamento forniscono misure miste di radianza riflessa dal terreno, comprendente sia vegetazione che suolo. La misura di riflettanza di una copertura vegetale è in generale influenzata dal contributo di energia riflessa dal suolo, specialmente dove la densità della vegetazione o lo stato fenologico limita la copertura. A sua volta, le caratteristiche di riflettanza del suolo sono influenzate dalla presenza di vegetazione, anche se sparsa e di limitata consistenza spaziale. Molti studi condotti in laboratorio su piante differenti, hanno accertato una generale tendenza all’aumento della riflettanza al diminuire del contenuto di acqua fogliare. Il comportamento della vegetazione al variare del contenuto d’acqua è raffigurato schematicamente in fig. 2. Al diminuire della presenza di acqua nella pianta, tende ad aumentare l’energia riflessa nelle bande del rosso (600-700 nm) e dello SWIR (1550-1750 nm, 2125-2250 nm). Mentre l’intervallo spettrale del vicino infrarosso (NIR) presenta un andamento variabile, la banda spettrale del blu (400-500 nm), mostra una variazione insignificante alla variazione di acqua della pianta. La banda NIR è particolarmente sensibile sia alle caratteristiche che allo stato della vegetazione, mentre le bande SWIR a 1300nm, 1500 nm e 2200 nm sembrano avere una forte relazione con la variazione di contenuto di acqua della pianta. La banda del blue è, invece, la meno sensibile al contenuto di acqua e risulta quindi adatta ad essere utilizzata per evidenziare le variazioni di umidità della pianta ed ad essere insensibile alla struttura ed allo stato della foglia. 198 Fig. 2 – Esempi di laboratorio di misure di riflettanza in funzione del contenuto di acqua della vegetazione (Elvidge, 1990) Confrontando quindi la risposta spettrale del suolo con quella della vegetazione, si evidenzia un comportamento comune di aumento della riflettanza al diminuire del contenuto di acqua, specialmente alle lunghezze d’onda dello SWIR. La fig. 3 mostra una schematizzazione del comportamento della riflettanza in funzione dell’umidità sia per quanto riguarda il suolo nudo, che per la vegetazione, suddiviso in sei aree spettrali corrispondenti alle bande VNIR-SWIR del sensore TM/ETM+ o MODIS, due dei pochi sensori effettivamente operativi ed accessibili sistematicamente per un impiego di monitoraggio, anche se con dettaglio spaziale molto differente (30m per il TM e 250/500 m per il MODIS). Fig. 3 – spettri di riflettanza simulati corrispondenti alle bande spettrali del sensore TM/ETM+ in funzione dell’umidità del suolo (a sinistra); comportamento della copertura vegetale (a destra)per un determinato valore di indice di area fogliare (LAI), di umidità del suolo e di contenuto di clorofilla Cab (Wang and Qu, 2007). E’ evidente come sia per il suolo nudo che per la copertura vegetale, un aumento dell’umidità e del contenuto di acqua, determini un corrispondente decrescita della riflettanza, principalmente nelle bande SWIR B6 (1640 nm) e B7 (2125 nm), anche se con sensibilità differente per i due casi. Infatti, mentre la derivata tra la banda B6 e la banda B7 aumenta con l’aumentare dello stato di umidità e quindi al descrescere del valore di riflettanza, nel caso della copertura vegetale la pendenza tra B6 e B7 tende a diminuire con il contenuto di acqua della vegetazione. Questa caratteristica rappresenta un aspetto importante per lo sviluppo di metodi volti contemporaneamente alla stima dell’umidità sia del suolo che della vegetazione. 199 6.8.8.4 METODI PER LA STIMA TELERILEVAMENTO OTTICO DELLA SSM MEDIANTE A tutt’oggi, mentre molte sperimentazioni condotte separatamente su suoli nudi o sulla vegetazione hanno portato alla formulazione di algoritmi volti alla stima dello stato di umidità mediante misure di riflettanza da telerilevamento, ancora pochi metodi risultano proposti in letteratura per la stima contemporaneamente sia dell’umidità del suolo che del contenuto di acqua della vegetazione. I differenti approcci metodologici di analisi possono essere suddivisi approssimativamente nelle seguenti categorie: o analisi basate su singola banda; o metodi a doppia banda multispettrale o differenziale spettrale di bande non adiacenti spettralmente; o metodi basati sulla derivata spettrale o differenziale di bande adiacenti; o metodi basati sui differenziali di bande di assorbimento Il primo approccio metodologico di stima dell’umidità da misure di riflettanza è basato sull’analisi della riflettanza di una singola banda spettrale, normalizzata rispetto allo spettro di riflettanza dello stesso suolo in condizioni asciutte. I risultati ottenuti da prove sperimentali di laboratorio (Weidong et al, 2003), hanno dimostrato che la migliore correlazione tra umidità e riflettanza si verifica in una delle bande maggiori di assorbimento, attorno ai 1944 nm. Ovviamente tale lunghezza d’onda non può essere impiegata per misure da satellite in quanto il segnale verrebbe quasi completamente assorbito dall’atmosfera. Di conseguenza, l’approccio basato sulla riflettanza relativa non può essere impiegato in quelle regioni spettrali dove mostra la migliore efficienza. E’ inoltre da considerare il fatto che la stima della riflettanza relativa, presuppone che per ogni tipo di suolo naturale, sia disponibile il relativo spettro di riferimento in condizioni asciutte. L’eterogeneità dei suoli dell’ambiente naturale rilevate da aereo o da satellite, rende praticamente impossibile il potere disporre concretamente di tale riferimento, in particolar modo in presenza di terreni altamente varabili spazialmente. Comunque, mentre in base alle caratteristiche di risposta del suolo nudo è possibile ipotizzare una sperimentazione volta ad accertare il livello di sensibilità di algoritmi basati su una singola banda spettrale, non altrettanto è pensabile per la copertura vegetale a causa della maggiore variabilità nel tempo dovuta all’evoluzione fenologica ed alla maggiore complessità di variazione dello stato delle piante. La maggior parte dei metodi di stima dell’umidità sono quindi basati sull’impiego di indici multispettrali che utilizzano due o più bande spettrali che mettono in relazione bande che hanno una sensibilità maggiore al contenuto di acqua, con altre bande spettrali che risultano praticamente invarianti relativamente al parametro umidità. La maggior parte sono implementati mediante gradienti o differenze normalizzate. Anche in questo caso, le misure in laboratorio a lunghezze d’onda nella vicinanza (sui fronti) delle bande di assorbimento si sono dimostrate appropriate per la valutazione dello stato di umidità del suolo. Un approccio proposto da Weidong (2003), mette in relazione l’umidità con la derivata calcolata come differenza della riflettanza tra due bande spettrali consecutive situate in prossimità delle bande di assorbimento a 1944 nm. Come generalizzazione del metodo della derivata, la differenza, il rapporto o la differenza normalizzata tra due bande spettrali situate in differenti porzioni dello spettro di riflettanza, sono stati ampiamente sperimentati e valutati mediante correlazioni e regressioni con le 200 misure di umidità. Tale approccio è risultato di gran lunga più fruibile mediante misure di telerilevamento, in quanto le misure bande di riflettanza che vengono messe in relazione non si trovano negli intervalli spettrali di assorbimento e quindi risentono molto meno dell’influsso atmosferico. Il vantaggio fondamentale dell’approccio multi-banda, in confronto al metodo a singola banda, consiste inoltre nella stabilità relativa che si manifesta tra suoli di tipo diverso, ma a tutt’oggi ancora sussistono molti problemi ed incertezze relativamente alla robustezza dei metodi sperimentati, se utilizzati in zone con suoli misti con caratteristiche differenti. Sussistono ancora molti dubbi sulla reale funzionalità dei metodi sviluppati e validati in prove di laboratorio, se utilizzati in campo, su un ambiente naturale eterogeneo, ed ancora di più se applicati a misure effettuate da sensori di telerilevamento che hanno caratteristiche di risoluzione spaziale da un metro a decine o centinaia di metri, tali quindi da “integrare” ulteriormente su aree estese l’informazione naturale di riflettanza locale. In definitiva, quali metodi per la stima dell’umidità basati su misure di riflettanza e sperimentati in laboratorio, siano più “robusti” relativamente alla loro stabilità ed efficienza quando siano applicati all’ambiente naturale eterogeneo rilevato da sensori di telerilevamento, rimane una questione ancora aperta. 6.8.8.5 METODOLOGIA Il conseguimento dell’obiettivo relativo alla valutazione delle potenzialità del dato iperspettrale di telerilevamento ottico ai fini della stima dell’umidità superficiale, da una parte richiede la valutazione dell’efficienza dei metodi multispettrali disponibili quando siano applicati in un contesto ambientale naturale, in termini di affidabilità della stima ed inoltre di stabilità nelle operazioni periodiche di monitoraggio di uno stesso territorio. Data la naturale eterogeneità del territorio, è necessario considerare separatamente il comportamento della copertura vegetale e del suolo nudo, relativamente alla variazione della presenza di acqua, in modo da potere accertare l’efficacia delle misure da satellite, diminuendo il numero delle variabili di incertezza. Dall’altra parte è necessario valutare l’informazione che deriva dal maggior dettaglio spettrale dei sensori a banda stretta nel contesto dei metodi di stima dell’umidità, anche mediante il confronto delle prestazioni ottenute dall’impiego di sensori multispettrali a banda larga, con quelle da sensori iperspettrali a banda stretta, e l’eventuale definizione di nuovi metodi innovativi basati sull’impiego del dato iperspettrale o l’integrazione con il multispettrale. In definitiva, lo studio è stato basato su una analisi multisensore tra sensori a banda stretta e multispettrali a banda larga; multispettrale, per la verifica delle bande e/o combinazioni di bande maggiormente riferibili allo stato di umidità, e multitemporale con lo scopo di verificare il più possibile la stabilità nel tempo dei risultati accertati ad una certa data. Le immagini ETM+, precedentemente convertite da digital count a misure di radianza, unitamente alle immagini ALI ed Hyperion già disponibili in valori di radianza, sono state convertite in riflettanza apparente o albedo, correggendo le distorsioni dovute alla differente geometria del sole alle differenti date di acquisizione. Non sono stati applicati metodi di correzione atmosferica, in quanto le immagini sono risultate sufficientemente congruenti e, inoltre, i metodi di compensazione degli effetti atmosferici tendono, in genere, ad introdurre distorsioni non piccole in prossimità delle bande di assorbimento maggiori, ma anche di quelle minori, introducendo un effetto di rumore e di alterazione nella continuità spettrale. 201 Successivamente, si è ritenuto utile confrontare, mediante metodi statistici, l’informazione delle bande Hyperion relative al centro banda (Cwl) delle corrispondenti bande ETM ed ALI in modo da verificarne la correlazione, come pure la variabilità delle stesse nel tempo. Purtroppo, data la scarsa disponibilità di immagini Hyperion, questo si è potuto valutare solo per la coppia di immagini del 12 lugli e del 14 settembre. Per potere valutare la coerenza degli algoritmi multispettrali per la stima dello stato di umidità relativamente alle precipitazioni, e la congruenza relativa tra loro, le immagini sia Hyperion che multispettrali ETM+, unico sensore di cui è disponibile la sequenza multitemporale completa, sono state suddivise in due sottoinsiemi di punti relativi alla copertura vegetale ed alle aree di suolo nudo. In base all’indice NDVI, sono stati selezionati solo i punti che in tutte le immagini della sequenza risultano costantemente suolo nudo o vegetazione, mediante intersezione di tutte le date disponibili del sensore ETM con i valori di NDVI predefiniti per il suolo e la copertura vegetale. Tutti i punti che presentavano anche una sola variazione da suolo nudo a vegetato o parzialmente vegetato e viceversa, sono stati scartati. Tutte le successive sperimentazioni ed analisi sono state quindi condotte su due popolazioni distinte, relative a suoli nudi, oppure coperti completamente dalla vegetazione. In base all’analisi dei principi fisici e delle sperimentazioni riportate in letteratura e tra i numerosi algoritmi proposti, si è scelto di basare l’analisi sul confronto e la valutazione dell’efficienza di un insieme ristretto di metodi che si diversifichino tra loro sia per i criteri teorici su cui sono stati sviluppati che, soprattutto per la significatività degli intervalli spettrali impiegati ed inoltre per l’esaustività della sperimentazione effettuata per dimostrarne la validità. In tab. I sono riportati i metodi selezionati, che rappresentano un insieme significativo di metodi, ma non pretendono ovviamente di essere rappresentativo di tutte le tecniche e metodologie sviluppate. Stima del contenuto di acqua della vegetazione NDII=( Normalized Difference Infrared Index (Hardinsky, 1983) 860- 1600)/( 860+ 1600) NDWI=( 860- 1240)/( 860+ 1240) Normalized Difference Water Index (Gao, 1996) NDWI=( 860- 1640)/( 860+ 1640) Normalized Difference Water Index (Chen, 2005) Umidità superficiale del suolo VSDI=1-[( NMDI=[( NSMI=( SWIR- blue)/( red- blue)] Visible and SWIR Drought Index (Zhang, 2013) 860-( 1640- 2130)]/[( 860+( 1640- 2130)] 1800- 2119)/( 180+ 2119) MTVI – Multitemporal Ts-VI index Normalized Multispectral Drought Index (Wang) Normalized difference Soil Moisture Index (Haubrock, 2008) (Carlà et al. 2009) Tab. I – Algoritmi per la stima dell’umidità mediante misure di riflettanza 6.8.8.6 DATI DISPONIBILI Una attività di studio e sperimentazione volta a valutare le potenzialità dell’informazione iperspettrale di telerilevamento in confronto ai sensori multispettrali a banda larga, ai fini della valutazione e del monitoraggio dello stato di umidità superficiale del territorio, non può ovviamente prescindere dalla disponibilità di immagini e dati ancillari adeguati per una analisi completa dei vari aspetti del problema. A tale scopo, l’insieme di dati acquisiti 202 precedentemente è stato ulteriormente esteso includendo altre acquisizioni di immagini ETM+ della stessa area di studio nella zona di Capalbio, durante la stessa stagione estiva del 2002. Questo, unitamente all’acquisizione dei dati di pluviometria corrispondenti, ha permesso di estendere il periodo di studio per tutto il periodo estivo del 2002 da fine giugno a fine settembre, in accordo alle date riportate nella tab. II. In realtà, la prima immagine del 26 giugno 2002 è stata esclusa dalla sequenza in quanto parzialmente coperta da nuvole. DATA 26 giugno 2002 12 luglio 2002 13 agosto 2002 14 settembre 2002 30 settembre 2002 SENSORI ETM+ ETM+ ETM+ ETM+ ETM+ HYPERION ALI HYPERION ALI Tab. II – Dati multispettrali ed iperspettrali disponibili per la sperimentazione La sequenza multitemporale dell’area di studio nella zona di Capalbio è mostrata nella fig. 4. Dalla prima a sinistra, acquisita il 12 luglio all’ultima a destra, rilevata il 30 settembre 2002 appare chiara l’evoluzione del ciclo fenologico della vegetazione, come pure l’invarianza delle aree boscate. Parte della zona centrale delle immagini, corrispondente ad un’area prettamente agricola, si presta molte bene per lo studio dell’umidità del suolo, in quanto una buona parte di essa permane denudata completamente in tutte e quattro le acquisizioni. Fig. 4- Sequenza multitemporale ETM dell’area di studio nella zona di Capalbio. In sequenza da sinistra a destra: 12/07, 13/08, 14/09 e 30/09 200. (RGB=543) La fig. 5 mostra invece la posizione delle quattro stazione di misura pluviometrica dislocazione attorno alla area di studio. 203 Fig. 5 – Dislocazione delle stazioni di misura pluviometriche L’andamento pluviometrico giornaliero delle precipitazioni durante il periodo è riportato in fig. 6. Le sbarre in rosso indicano quattro delle cinque date di acquisizione dei dati satellitari, mentre le aree colorate in marrone mostrano la pioggia cumulata nei giorni antecedenti a ciascun passaggio. La stessa informazione è mostrata dal grafico di fig. 7 90 80 70 60 50 40 30 20 0 01‐lug 03‐lug 05‐lug 07‐lug 09‐lug 11‐lug 13‐lug 15‐lug 17‐lug 19‐lug 21‐lug 23‐lug 25‐lug 27‐lug 29‐lug 31‐lug 02‐ago 04‐ago 06‐ago 08‐ago 10‐ago 12‐ago 14‐ago 16‐ago 18‐ago 20‐ago 22‐ago 24‐ago 26‐ago 28‐ago 30‐ago 01‐set 03‐set 05‐set 07‐set 09‐set 11‐set 13‐set 15‐set 17‐set 19‐set 21‐set 23‐set 25‐set 27‐set 29‐set 10 Fig. 6 Precipitazione media giornaliera nella nella zona dell’area di studio, misurata dalle stazione meteorologiche di Scansano, Pomonte, Roccalbegna e Ponte Tura nel periodo dal 1 luglio al 30 settembre 2002. Le barre in rosso indicano le date di acquisizione del/i satellite/i. 204 Precipitazione cumulata 50 60 40 10 20 30 12 lug 14‐set 30‐set 13‐ago 0 Precipitazione cumulata (mm) (stazioni di Scansano, Pomonte, Roccalbena e Ponte Tura) 1 2 3 4 5 6 7 8 9 Giorni antecedenti il passaggio del satellite 10 Fig. 7 - Precipitazione cumulata relativa all’area di studio nei giorni antecedenti le acquisizioni satellitari del 12 luglio, 13 agosto, 14 settembre e 30 settembre 2002. Dai grafici si evidenzia un periodo di mancanza di precipitazione nei giorni antecedenti il passaggio del satellite Landsat ETM+ il 12 luglio. Segue un periodo di precipitazione anche piuttosto intensa tra i primi di agosto ed il 13 agosto, data di acquisizione di una nuova immagine ETM+. Purtroppo in questa data non sono disponibili immagini né iperspettrali né del sensore ALI. Le due ultime acquisizioni il 14 ed il 30 settembre sono precedute da precipitazioni nei giorni antecedenti il passaggio dei satelliti, in particolare tra 7 e 8 giorni prima dei passaggi. L’asse delle ascisse di fig. 7 indica in ordine crescente il numero dei giorni antecedenti ciascuna acqusizione, e quindi la variabile tempo che scorre all’indietro. La stessa chiave di lettura deve essere applicata al grafico di fig. 6, in cui le barre di colore marrone indicano la quantità di pioggia cumulata nei giorni precedenti le acquisizioni con andamento crescente in direzione contraria all’asse temporale del grafico. Ovviamente, le curve cumulative di precipitazione non forniscono in nessun modo una indicazione dello stato di umidità superficiale del suolo, né tantomeno del terreno sottostante, ma costituiscono solo un’indicazione diretta di acqua disponibile, e quindi indiretta di umidità “potenziale” che tende ovviamente a ridursi con l’allungarsi del periodo di tempo a causa dei processi naturali di evapotraspirazione del suolo e della vegetazione. 6.8.8.7 CONVERSIONE IN VALIDAZIONE MULTITEMPORALE MISURE DI COERENZA RIFLETTANZA E ATMOSFERICA Per potere confrontare immagini acquisite in date e situazioni ambientali differenti da sensori diversi, è necessario passare da una misura di energia radiante (in genere in W/(m2·λ·st)) ad un valore di riflettanza del punto mediante una normalizzazione relativamente all’irradianza solare in modo da ottenere un valore di “riflettanza planetaria” o “albedo”, o anche “riflettanza apparente” in quanto la conversione non considera gli effetti dell’atmosfera. A tale scopo le immagini sono state normalizzate applicando la trasformazione seguente: π · Lλ · d2 / (Esunλ · cos θs) dove: 205 = riflettanza apparente unitaria Lλ = radianza spettrale misurata al sensore (Top Of Atmosphere radiance) d = distanza Terra-Sole in unità astronomiche derivata dalla formula: 1.0 - 0.01674 · cos [ 0.01720 · (d - 4.0 )] oppure estratte dal nautical handbook θs = angolo di elevazione solare al momento del rilevamento (gradi) Esunλ = irradianza solare exoatmosferica in banda I grafici di fig. 8 rappresentano rispettivamente gli spettri medi di radianza delle due immagini iperspettrali Hyperion, e le corrispondente curve di riflettanza apparente ottenute dopo la normalizzazione. Nel caso di scene acquisite in condizioni di atmosfera limpida, la normalizzazione è sufficiente ad eliminare la variabilità radiometrica tra scene differenti causata dalla geometria del sole al momento della acquisizione. Nel caso che una o ambedue le scene da confrontare siano acquisite in condizioni atmosferiche poco trasparenti e sostanzialmente differenti, le immagini riflettanza che ne deriva non sono congruenti relativamente alle condizioni di rilevamento e quindi le valutazioni del confronto sono affette da errore. Per verificare la congruenza atmosferica delle due immagini Hyperion del 12 luglio e del 14 settembre 2002, è stato adottato un metodo basato sulla individuazione di un punto, definito PIF (Pseudo-Invariant Feature) che presenta caratteristiche spettrali il più possibile invarianti nel tempo ed inoltre una caratteristiche di riflettanza spettrale il più possibile costante (corpo grigio). Il confronto della risposta spettrale di tali punti in date differenti permette di verificare la congruenza della loro risposta, e quindi la similarità o meno delle condizioni atmosferiche. Un punto PIF è stato individuato nell’area del paese di Scansano (fig. 9), in corrispondenza di un ampio parcheggio asfaltato e di un grande capannone, che sembra avere caratteristiche spettrali sufficientemente costante da essere considerato un corpo “semi-grigio”. 206 Fig. 9 – Psudo Invariant Feature (PIF) individuato nella zona di Scansano. Le figure in alto mostrano la porzione corrispondente di immagine ETM+ del 12/07/2002 in combinazione 321 (vero colore) a sinistra e 543 a destra. La figura in basso mostra una immagine estratta da Google Earth, rilevata dal satellite QuickBird il 15/08/2003. Il grafico dello spettro di radianza del 12 luglio messo a confronto con quello del 14 settembre e la loro differenza sono raffigurati rispettivamente in fig. 10a e 10b. Nonostante la similarità generale della forma, il differenziale risulta significativamente maggiore nell’intervallo spettrale del VIS-NIR, con un valore di RMSE totale calcolato su tutto lo spettro di radianza, pari a 11,3214 W/m2·µm-1·st-1 ed un RMSE percentuale pari a RMSEP= 118,0386 %. Dopo la conversione in riflettanza apparente la forma dei due spettri e la loro differenza presenta un accordo molto migliore (figg. 10c e 10d), con un errore rispettivamente inferiore al 5% di riflettanza nel range 0.0-1.0 (fig. 10d), ed uno scarto quadratico medio totale calcolato su tutto lo spettro di riflettanza delle due date di RMSE = 0,0816 W/m2·µm-1·st-1. 207 12/07/2002 14/09/2002 175 ‐ 2183,63 181 ‐ 2244,22 187 ‐ 2304,71 193 ‐ 2365,20 145 ‐ 1880,98 151 ‐ 1941,57 157 ‐ 2002,06 163 ‐ 2062,55 169 ‐ 2123,14 115 ‐ 1578,32 121 ‐ 1638,81 127 ‐ 1699,10 133 ‐ 1759,89 139 ‐ 1820,48 85 ‐ 1275,66 91 ‐ 1336,15 97 ‐ 1396,74 103 ‐ 1457,23 109 ‐ 1517,83 55 ‐ 972,99 61 ‐ 1033,49 67 ‐ 1094,09 73 ‐ 1154,58 79 ‐ 1215,17 31 ‐ 732,07 37 ‐ 793,13 43 ‐ 854,18 49 ‐ 915,23 130 120 110 100 90 80 70 60 50 40 30 20 10 0 01 ‐ 426,82 07 ‐ 487,87 13 ‐ 548,92 19 ‐ 609,97 25 ‐ 671,02 radianza (W/m2∙µm‐1∙st‐1) PIF spectral radiance Axis Title Fig. 10a Differenza radianza PIF (12/07 ‐ 14/09 2002) Radianza (W/m2∙µm‐1∙st‐1) 35 30 25 20 15 10 5 0 01 ‐ 426,82 06 ‐ 477,69 11 ‐ 528,57 16 ‐ 579,45 21 ‐ 630,32 26 ‐ 681,20 31 ‐ 732,07 36 ‐ 782,95 41 ‐ 833,83 46 ‐ 884,70 51 ‐ 932,64 56 ‐ 983,08 61 ‐ 1033,49 66 ‐ 1083,99 71 ‐ 1134,38 76 ‐ 1184,87 81 ‐ 1235,27 86 ‐ 1285,76 91 ‐ 1336,15 96 ‐ 1386,65 101 ‐ 1437,04 106 ‐ 1487,53 111 ‐ 1537,92 116 ‐ 1588,42 121 ‐ 1638,81 126 ‐ 1689,30 131 ‐ 1739,70 136 ‐ 1790,19 141 ‐ 1840,58 146 ‐ 1891,07 151 ‐ 1941,57 156 ‐ 1991,96 161 ‐ 2042,45 166 ‐ 2092,84 171 ‐ 2143,34 176 ‐ 2193,73 181 ‐ 2244,22 186 ‐ 2294,61 191 ‐ 2345,11 196 ‐ 2395,50 ‐5 Banda spettrale Fig. 10b L’andamento quasi costante degli spettri di riflettanza in corrispondenza degli intervalli spettrali di trasparenza atmosferica, evidenzia un comportamento del punto selezionato molto simile ad un “corpo grigio”. Inoltre, l’evidente similarità dei valori di riflettanza in corrispondenza della bande minori di assorbimento astmosferico di H2O a 762nm, 942 nm e 1124 nm, e di CO2 a 2002nm e 2052 nm, ed il basso valore di RMSE tra gli spettri delle due date, indica con buona approssimazione che le due acquisizioni sono avvenute in condizioni atmosferiche molto simili e quindi non è necessario applicare procedure di elaborazione volte alla correzione degli effetti atmosferici. In genere, infatti, il risultato della correzione atmosferica è fortemente dipendente dal modello utilizzato, e la maggior parte dei modelli tende ad introdurre distorsioni di sovra/sotto-compensazione in corrispondenza dei fronti di salita e di discesa delle bande di assorbimento che possono essere fonte di problemi nelle fasi di elaborazione del dato. 208 PIF ‐ Permanent Invariant Feature 12/07/2002 14/07/2002 0.40 riflettanza 0.30 0.20 0.10 01 ‐ 426,82 05 ‐ 467,52 09 ‐ 508,22 13 ‐ 548,92 17 ‐ 589,62 21 ‐ 630,32 25 ‐ 671,02 29 ‐ 711,72 33 ‐ 752,43 37 ‐ 793,13 41 ‐ 833,83 45 ‐ 874,53 49 ‐ 915,23 53 ‐ 952,82 57 ‐ 993,17 61 ‐ 1033,49 65 ‐ 1073,89 69 ‐ 1114,19 73 ‐ 1154,58 77 ‐ 1194,97 81 ‐ 1235,27 85 ‐ 1275,66 89 ‐ 1316,05 93 ‐ 1356,35 97 ‐ 1396,74 101 ‐ 1437,04 105 ‐ 1477,43 109 ‐ 1517,83 113 ‐ 1558,12 117 ‐ 1598,51 121 ‐ 1638,81 125 ‐ 1679,20 129 ‐ 1719,60 133 ‐ 1759,89 137 ‐ 1800,29 141 ‐ 1840,58 145 ‐ 1880,98 149 ‐ 1921,37 153 ‐ 1961,66 157 ‐ 2002,06 161 ‐ 2042,45 165 ‐ 2082,75 169 ‐ 2123,14 173 ‐ 2163,43 177 ‐ 2203,83 181 ‐ 2244,22 185 ‐ 2284,52 189 ‐ 2324,91 193 ‐ 2365,20 0.00 Banda spettrale Fig. 10c Differenza riflettanza PIF ( 12/07/2002 e 14/09/2002) Differenza riflettanza 0.050 0.040 0.030 0.020 0.010 0.000 ‐0.010 ‐0.020 01 ‐ 426,82 07 ‐ 487,87 13 ‐ 548,92 19 ‐ 609,97 25 ‐ 671,02 31 ‐ 732,07 37 ‐ 793,13 43 ‐ 854,18 49 ‐ 915,23 55 ‐ 972,99 61 ‐ 1033,49 67 ‐ 1094,09 73 ‐ 1154,58 79 ‐ 1215,17 85 ‐ 1275,66 91 ‐ 1336,15 97 ‐ 1396,74 103 ‐ 1457,23 109 ‐ 1517,83 115 ‐ 1578,32 121 ‐ 1638,81 127 ‐ 1699,10 133 ‐ 1759,89 139 ‐ 1820,48 145 ‐ 1880,98 151 ‐ 1941,57 157 ‐ 2002,06 163 ‐ 2062,55 169 ‐ 2123,14 175 ‐ 2183,63 181 ‐ 2244,22 187 ‐ 2304,71 193 ‐ 2365,20 ‐0.030 Banda spettrale Fig. 10d Una ulteriore prova della congruenza atmosferica tra le due acquisizioni, è data dall’analisi di un punto selezionato in area boscata, corrispondente ad un’area completamente coperta dalla stessa tipologia di vegetazione in ambedue le acquisizioni. Il grafico di fig. 11 evidenzia la quasi completa uguaglianza dei due spettri di riflettanza, tipici della vegetazione, tranne che nell’intervallo spettrale del vicino infrarosso tra 700nm e 1300 nm circa, che è particolarmente sensibile alla risposta spettrale della clorofilla e della struttura delle piante e quindi è da mettersi in relazione ad una variazione stagionale dello stato vegetativo. Anche in questo caso, la congruenza spettrale delle risposte spettrali alle lungheze d’onda del visibile (400-700 nm) e dei valori in corrispondenza dei picchi di assorbimento, porta a confermare la similarità delle condizioni atmosferiche al momento delle acquisizioni. 209 14/09/2002 ‐ vegetato 0.350 0.300 0.250 0.200 0.150 0.100 0.050 0.000 426.82 498.04 569.27 640.50 711.72 782.95 854.18 925.41 993.17 1063.79 1134.38 1205.07 1275.66 1346.25 1416.94 1487.53 1558.12 1628.81 1699.40 1769.99 1840.58 1911.27 1981.86 2052.45 2123.14 2193.73 2264.32 2335.01 riflettanza apparente 12/07/2002 ‐ vegetato wavelenght Fig. 11 – spettri di riflettanza delle immagini Hyperion del 12 luglio e del 14 settembre, relativi ad un punto coperto da vegetazione folta. 6.8.8.8 Correlazione iperspettrale della informazione multispettrale e Il confronto dell’informazione di un sensore multispettrale a banda larga, quale ETM+ o ALI, con un sensore iperspettrale a banda stretta, al fine di determinare la similarità e soprattutto la complementarietà delle immagini iperspettrali e le maggiori potenzialità relativamente a determinati fenomeni e processi naturali di interesse, non può prescindere da una prima analisi statistica relativa al grado di correlazione tra dati corrispondenti dei due tipi di sensore. Al fine di verificare la similarità dell’informazione delle bande di Hyperion rispetto a quelle di ETM/ALI, è stato calcolato l’indice di correlazione di Pearson mediante la formula: xy = σxy / σx · σy dove σxy è la covarianza tra le due variabili statistiche x ed y, e σx e σx sono le due deviazioni standard. In statistica, l'indice di correlazione di Pearson, anche detto “coefficiente di correlazione di Pearson” tra due variabili statistiche è un indice che esprime una eventuale relazione di linearità http://it.wikipedia.org/wiki/Linearit%C3%A0tra di esse. A tale scopo, ciascuna delle nove bande CWLj (Central WaveLenght), (j=1,9) di Hyperion corrispondenti alla lunghezza d’onda centrale delle bande multispettrali di ALI, sono state correlate con le 196 bande dell’immagine iperspettrale di Hyperion (Hi, i=1,196), in modo da verificare la correlazione o “similarità” informativa di ciascuna banda stretta CWLj di Hyperion, con tutta la rimanente informazione iperspettrale(fig. 12a). La stessa operazione è stata effettuata utilizzando direttamente le bande di riflettanza di ALI (Aj, j=1,9) e correlando ciascuna immagine a banda larga Aj, con le 196 immagini a banda stretta Hi, di Hyperion (fig.12b). Tale operazione è stata infine ripetuta sulle immagini ALI ed Hyperion della seconda acquisizione del 14 settembre 2002, in modo da potere confrontare la correlazione anche nel dominio del tempo (Fig. 13a e 13b). Sui grafici sono anche stati visualizzati anche gli intervalli spettrali corrispondenti sia alle bande ALI (marrone), sia le bande di assorbimento atmosferico (giallo), in modo da potere confrontare la similarità statistica delle due informazioni sia negli intervalli spettrali di trasparenza normalmente utilizzati per il telerilevamento ambientale, che in quelli “limitati” dalle componenti atmosferiche, soprattutto del vapor acqueo. 210 Bande ALI 0.85 Absorption bands Ali 1 ‐ Hyp 3 0.65 Ali 2 ‐ Hyp 7 0.45 Ali 3 ‐ Hyp 15 Ali 4 ‐ Hyp 24 0.25 Ali 5 ‐ Hyp 37 0.05 Ali 6 ‐ Hyp 44 ‐0.15 01 ‐ 426,82 08 ‐ 498,04 15 ‐ 569,27 22 ‐ 640,50 29 ‐ 711,72 36 ‐ 782,95 43 ‐ 854,18 50 ‐ 925,41 57 ‐ 993,17 64 ‐ 1063,79 71 ‐ 1134,38 78 ‐ 1205,07 85 ‐ 1275,66 92 ‐ 1346,25 99 ‐ 1416,94 106 ‐ 1487,53 113 ‐ 1558,12 120 ‐ 1628,81 127 ‐ 1699,10 134 ‐ 1769,99 141 ‐ 1840,58 148 ‐ 1911,27 155 ‐ 1981,86 162 ‐ 2052,45 169 ‐ 2123,14 176 ‐ 2193,73 183 ‐ 2264,32 190 ‐ 2335,01 Indice di correlazione di Pearson Correlazione Cwl ALI ‐ Hyperion (12/07/2002) Ali 7 ‐ Hyp 82 Ali 8 ‐ Hyp 121 Ali 9 ‐ Hyp 179 banda spettrale Fig. 12a – Indice di correlazione di Pearson tra bande Hyperion corrispondenti ai centro banda CWL delle bande multispettrali di ALI, e tutte le bande dell’immagine iperspettrale Hyperion del 12/07/2002 Correlazione bande ALI ‐ Hyperion (12/07/2002) Bande assorbimento Bande ALI 0.8 ALI‐B1 0.6 ALI‐B2 ALI‐B3 0.4 ALI‐B4 0.2 ALI‐B5 0 ‐0.2 ALI‐B6 01 ‐ 426,82 08 ‐ 498,04 15 ‐ 569,27 22 ‐ 640,50 29 ‐ 711,72 36 ‐ 782,95 43 ‐ 854,18 50 ‐ 925,41 57 ‐ 993,17 64 ‐ 1063,79 71 ‐ 1134,38 78 ‐ 1205,07 85 ‐ 1275,66 92 ‐ 1346,25 99 ‐ 1416,94 106 ‐ 1487,53 113 ‐ 1558,12 120 ‐ 1628,81 127 ‐ 1699,10 134 ‐ 1769,99 141 ‐ 1840,58 148 ‐ 1911,27 155 ‐ 1981,86 162 ‐ 2052,45 169 ‐ 2123,14 176 ‐ 2193,73 183 ‐ 2264,32 190 ‐ 2335,01 Indice di correlazione di Pearson 1 ALI‐B7 ALI‐B8 ALI‐B9 Banda spettrale Fig. 12b – Indice di correlazione di Pearson tra le bande dell’immagine multispettrale di ALI del 12/07/2002 e le 196 bande dell’immagine Hyperion acquisita contemporaneamente. In definitiva, ciascuna curva, mostra il livello di correlazione di ciascuna immagine a banda larga Aj di ALI e CWLi di Hyperion, con tutte le bande iperspettrali Hi dell’immagine a banda stretta di Hyperion. Dall’analisi dei grafici appare evidente che ciascuno delle 9 bande CWLj di Hyperion risulta particolarmente correlata con tutte le altre bande iperspettrali Hi comprese nell’intervallo spettrale della corrispondente banda larga Aj. In particolare, le bande CWLj j=1,4 corrispondenti all’intervallo spettrale del visibile, risultano correlate più dell’85% con le bande SWIR A8 ed A9 centrate a 1640 nm e 2226 nm rispettivamente; sono correlate in modo vario nell’intervallo spettrale della settima banda a 1244 nm, con ordine crescente dal blu al rosso, tra il 45% ed il 65%. Completamente scorrelate con le altre bande risultano le bande del vicino infrarosso A5 ed A6 a 791 e 866 nm, con valori dell’indice di Pearson inferiori al 10%. Poiché la riflettanza nell’intervallo spettrale del vicino infrarosso è significativamente condizionata dalle 211 caratteristiche, dallo stato e dall’evoluzione della copertura vegetale, tali bande risultano poco influenzate dalle caratteristiche dei suoli e dai suoi processi. Infine, la variabilità della curva di correlazione della banda a 1244 nm (A7), è compresa in un intervallo di valori da 0,45 a 0,70 circa sia per le bande del visibile che del NIR e dello SWIR, con un andamento abbastanza vario. E’ interessante sottolineare il fatto che l’intervallo di bande spettrali maggiormente correlate con la banda A7 (a parte l’intervallo spettrale della banda 7 stessa), è compreso tra 972,99 nm e 1094,09 nm, il cui indice di Pearson varia tra 0,87 e 0,90 nel quale non si trova posizionata nessuna banda delle immagini multispettrali ALI/ETM. Le curve di correlazione in corrispondenza degli intervalli spettrali corrispondenti alle bande di assorbimento hanno un andamento che risente ovviamente del processo di assorbimento, riducendo la correlazione al diminuire della transmittanza atmosferica e viceversa, in corrispondenza dei limiti di tali bande. All’interno delle bande di assorbimento, la correlazione cala praticamente a 0.0, per tutte le bande Cwl-ALI, in quanto il rapporto segnale/rumore segnale si riduce e prevalgono le componenti di rumore incorrelate. Confrontando i grafici di fig. 12a con quelli di fig. 12b si nota una forte similarità di comportamento delle curve, che denota una equivalenza di informazione statistica tra una immagine a banda larga ALI e l’immagine Hyperion a banda stretta corrispondente al centro banda Cwl. Ciò discende immediatamente anche osservando il valore, praticamente 1.0, che assume l’indice di correlazione della generica banda ALIj in corrispondenza della banda Hi corrispondente al centro banda. Lo stesso comportamento di massima, si riscontra nei grafici di figg. 13a e 13b relativi all’indice di correlazione di Pearson calcolato sulle immagini ALI ed Hyperion acquisite il 14 settembre 2002, cosa che sembra indicare una stabilità temporale delle caratteristiche di correlazione tra le immagini multispettrali ed iperspettrali. Indice di correlazione di Pearson Correlazione ALI cwl ‐ Hyperion spectral radiance (14/09/2002) Bande ALI 1.00 Absorption Bands Ali 1 ‐ Hyp 3 0.80 0.60 Ali 2 ‐ Hyp 7 0.40 Ali 3 ‐ Hyp 15 0.20 Ali 4 ‐ Hyp 24 0.00 Ali 5 ‐ Hyp 37 ‐0.20 01 ‐ 426,82 07 ‐ 487,87 13 ‐ 548,92 19 ‐ 609,97 25 ‐ 671,02 31 ‐ 732,07 37 ‐ 793,13 43 ‐ 854,18 49 ‐ 915,23 55 ‐ 972,99 61 ‐ 1033,49 67 ‐ 1094,09 73 ‐ 1154,58 79 ‐ 1215,17 85 ‐ 1275,66 91 ‐ 1336,15 97 ‐ 1396,74 103 ‐ 1457,23 109 ‐ 1517,83 115 ‐ 1578,32 121 ‐ 1638,81 127 ‐ 1699,10 133 ‐ 1759,89 139 ‐ 1820,48 145 ‐ 1880,98 151 ‐ 1941,57 157 ‐ 2002,06 163 ‐ 2062,55 169 ‐ 2123,14 175 ‐ 2183,63 181 ‐ 2244,22 187 ‐ 2304,71 193 ‐ 2365,20 ‐0.40 Ali 6 ‐ Hyp 44 Ali 7 ‐ Hyp 82 Ali 8 ‐ Hyp 121 banda spettrale Fig. 13a – Indice di correlazione di Pearson tra bande Hyperion corrispondenti ai centro banda CWL delle bande multispettrali di ALI, e tutte le bande dell’immagine iperspettrale Hyperion del 14/09/2002 212 Bande assorbimento 0.8 Bande ALI 0.6 ALI‐B1 0.4 ALI‐B2 0.2 ALI‐B3 0 ALI‐B4 ‐0.2 ‐0.4 ALI‐B5 ALI‐B6 01 ‐ 426,82 08 ‐ 498,04 15 ‐ 569,27 22 ‐ 640,50 29 ‐ 711,72 36 ‐ 782,95 43 ‐ 854,18 50 ‐ 925,41 57 ‐ 993,17 64 ‐ 1063,79 71 ‐ 1134,38 78 ‐ 1205,07 85 ‐ 1275,66 92 ‐ 1346,25 99 ‐ 1416,94 106 ‐ 1487,53 113 ‐ 1558,12 120 ‐ 1628,81 127 ‐ 1699,10 134 ‐ 1769,99 141 ‐ 1840,58 148 ‐ 1911,27 155 ‐ 1981,86 162 ‐ 2052,45 169 ‐ 2123,14 176 ‐ 2193,73 183 ‐ 2264,32 190 ‐ 2335,01 Indice di correlazione di Pearson Correlazione bande riflettanza ALI - Hyperion (14/09/2002) 1 ALI‐B7 ALI‐B8 ALI‐B9 Banda spettrale Fig. 13b – Indice di correlazione di Pearson tra le bande dell’immagine multispettrale di ALI del 14/09/2002 e le 196 bande dell’immagine Hyperion acquisita contemporaneamente. Le caratteristiche di correlazione tra dati ALI ed Hyperion alle varie lunghezze d’onda, sono confermate dal grafico di fig. 14, nel quale sono tracciate le curve di correlazione di Pearson di ciascuna banda spetrale ALI con le altre, riferite al passggio del 12 luglio 2002. Appare chiaro come le bande 1-4 e 8-9 siano fortemente correlate tra loro, ed invece hanno un valore di correlazione vicino a zero con le due bande del vicino infrarosso A5 e A6. Similmente, anche il grafico di correlazione relativo alla banda A7 a 1244 nm, è una schematizzazione “sintetica” del comportamento riscontrato nei grafici precedenti. Indice di correlazione di Pearson Correlazione bande riflettanza ALI (12/07/2002) 1.200 ALI‐B1 1.000 ALI‐B2 0.800 ALI‐B3 0.600 ALI‐B4 ALI‐B5 0.400 ALI‐B6 0.200 ALI‐B7 0.000 1 ‐0.200 2 3 4 5 6 banda spettrale 7 8 9 ALI‐B8 ALI‐B9 Fig. 14 – Indice di correlazione di Pearson di ciascuna banda ALI con tutte le altre, relativamente alla acquisizione del 12/07/2002. Infine, per verificare la “similarità” statistica di ciascuna banda Hyperion, relativamente alla dimensione temporale, è stata calcolato l’indice di correlazione di Pearson tra le due immagini iperspettrali Hyperion del 12 luglio e del 14 settembre 2002 (fig. 15). Ciascun punto del grafico di fig. 15 indica il valore dell’indice di correlazione della stessa banda spettrale acquisita in due momenti differenti. Anche in questo grafico è evidente che negli intervalli spettrali corrispondenti alle bande multispettrali ETM, il valore dell’indice di correlazione tende a rimanere costante, denotando una stabilità della correlazione nel tempo compresa tra il 40% della banda NIR al 70-80% per 213 le altre bande del VIS e dello SWIR. Particolarmente “smoothed” o regolari appaiono le bande SWIR. Correlazione multitemporale Hyperion 12/07/2002 ‐ 14/09/2002 Bande ETM Correlazione (W33) multitemporale bande 12/07/2002 ‐ 14/09/2002 01 ‐ 426,82 06 ‐ 477,69 11 ‐ 528,57 16 ‐ 579,45 21 ‐ 630,32 26 ‐ 681,20 31 ‐ 732,07 36 ‐ 782,95 41 ‐ 833,83 46 ‐ 884,70 51 ‐ 932,64 56 ‐ 983,08 61 ‐ 1033,49 66 ‐ 1083,99 71 ‐ 1134,38 76 ‐ 1184,87 81 ‐ 1235,27 86 ‐ 1285,76 91 ‐ 1336,15 96 ‐ 1386,65 101 ‐ 1437,04 106 ‐ 1487,53 111 ‐ 1537,92 116 ‐ 1588,42 121 ‐ 1638,81 126 ‐ 1689,30 131 ‐ 1739,70 136 ‐ 1790,19 141 ‐ 1840,58 146 ‐ 1891,07 151 ‐ 1941,57 156 ‐ 1991,96 161 ‐ 2042,45 166 ‐ 2092,84 171 ‐ 2143,34 176 ‐ 2193,73 181 ‐ 2244,22 186 ‐ 2294,61 191 ‐ 2345,11 196 ‐ 2395,50 Indice di correlazione di Pearson Bande assorbimento 1.00 0.90 0.80 0.70 0.60 0.50 0.40 0.30 0.20 0.10 0.00 banda spettrale Fig. 15 – Indice di correlazione di Pearson di due immagini iperspettrali Hyperion E’ importante sottolineare che queste considerazione sulla correlazione della stessa banda in due acquisizioni differenti, non intende assolutamente asserire che i livelli di riflettanza siano gli stessi, ma che tendono ad essere legati da una relazione lineare. Questo è significativo per la stima delle variazioni di umidità in quanto, l’aumento di umidità del suolo determina una generale diminuzione della riflettanza, lasciando pressoché inalterato il valore di correlazione o di angolo spettrale (SAM). 6.8.8.9 CORRELAZIONE SPETTRI DI RIFLETTANZA – MISURE PLUVIOMETRICHE Per ridurre l’eterogeneità dell’informazione compresa nell’area di studio, questa è stata suddivisa in due sottoinsiemi di punti relativi ai punti della scena che hanno mantenuto la loro caratteristica di suolo nudo o copertura vegetale in ognuna delle immagini della sequenza multitemporale ETM, acquisite rispettivamente il 12/07, 13/08, 14/09 e 30/09 2002. L’immagine del 26/06/2002 è stata esclusa a causa delle condizioni di copertura nuvolosa sparsa. Tutti i punti relativi ad aree con caratteristiche di copertura mista suolo-vegetato o parzialmente vegetato, sono state escluse dalle elaborazioni. La fig. 16 mostra i due sottoinsiemi di punti con caratteristiche stabili nel tempo di suolo nudo e vegetato. I due sottoinsiemi non sono congruenti per quanto riguarda l’estensione, ma ambedue comprendono un numero sufficientemente alto di punti, tale da non influire sui risultati delle analisi. 214 A) ETM 543 B) SUOLO NUDO Fig. 16 C) VEGETATO La sequenza di immagini ETM+ ed Hyperion sono quindi state suddivise in due sequenze distinte, relative rispettivamente alle zone nell’area di studio caratterizzate da suolo nudo o vegetazione in tutte le immagini della sequenza multitemporale, e su ciascuna delle due sequenze sono state applicate separatamente le stesse analisi. I grafici riflettanza spettrale media del suolo nudo e della vegetazione relativi alle due scene Hyperion disponibili del 12 luglio e del 14 settembre 2002 , sono riportati in fig. 17a e 17b. Suolo nudo 12‐lug 14‐set 0.400 Riflettanza 0.350 0.300 0.250 0.200 0.150 0.100 0.050 01 ‐ 426,82 07 ‐ 487,87 13 ‐ 548,92 19 ‐ 609,97 25 ‐ 671,02 31 ‐ 732,07 37 ‐ 793,13 43 ‐ 854,18 49 ‐ 915,23 55 ‐ 972,99 61 ‐ 1033,49 67 ‐ 1094,09 73 ‐ 1154,58 79 ‐ 1215,17 85 ‐ 1275,66 91 ‐ 1336,15 97 ‐ 1396,74 103 ‐ 1457,23 109 ‐ 1517,83 115 ‐ 1578,32 121 ‐ 1638,81 127 ‐ 1699,10 133 ‐ 1759,89 139 ‐ 1820,48 145 ‐ 1880,98 151 ‐ 1941,57 157 ‐ 2002,06 163 ‐ 2062,55 169 ‐ 2123,14 175 ‐ 2183,63 181 ‐ 2244,22 187 ‐ 2304,71 193 ‐ 2365,20 0.000 Banda spettrale Fig. 17a – Riflettanza spettrale media multitemporale delle aree denudate estratte dalle immagini Hyperion 215 Vegetazione 12‐lug 14‐set 0.400 Riflettanza 0.350 0.300 0.250 0.200 0.150 0.100 0.050 01 ‐ 426,82 07 ‐ 487,87 13 ‐ 548,92 19 ‐ 609,97 25 ‐ 671,02 31 ‐ 732,07 37 ‐ 793,13 43 ‐ 854,18 49 ‐ 915,23 55 ‐ 972,99 61 ‐ 1033,49 67 ‐ 1094,09 73 ‐ 1154,58 79 ‐ 1215,17 85 ‐ 1275,66 91 ‐ 1336,15 97 ‐ 1396,74 103 ‐ 1457,23 109 ‐ 1517,83 115 ‐ 1578,32 121 ‐ 1638,81 127 ‐ 1699,10 133 ‐ 1759,89 139 ‐ 1820,48 145 ‐ 1880,98 151 ‐ 1941,57 157 ‐ 2002,06 163 ‐ 2062,55 169 ‐ 2123,14 175 ‐ 2183,63 181 ‐ 2244,22 187 ‐ 2304,71 193 ‐ 2365,20 0.000 Banda spettrale Fig. 17b – Riflettanza spettrale media multitemporale delle aree vegetate estratte ai dati Hyperion Sia per i grafici del suolo che per quelli della vegetazione, si evidenzia una generale tendenza alla diminuzione della riflettanza tra l’acquisizione del 12 luglio e quella del 14 settembre, in tutti gli intervalli spettrali di trasmittanza. Il grafico differenza degli spettri di riflettanza del suolo nudo relativi alle due date (fig. 18a), calcolato mediante la formula: Δ i i,t1 – i,t2 i 1,196 in cui i,t1 e i,t2 sono le misure di riflettanza media della banda i-esima, reative alle acquisizione al tempo t1 e t2, del 12 luglio e del 14 settembre, mostra un andamento discontinuo secondo una curva tendenzialmente convessa, se si esclude le bande di assorbimento atmosferico. Un comportamento molto simile si riscontra anche per le aree vegetate (fig. 18) anche se in pratica il suolo nudo mostra una dinamica circa il doppio di quella della vegetazione. Assorbimento atmosferico Suolo nudo Vegetato 0.1 Riflettanza (W/m‐2∙ µm‐1 ∙ st‐1) 0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 01 ‐ 426,82 06 ‐ 477,69 11 ‐ 528,57 16 ‐ 579,45 21 ‐ 630,32 26 ‐ 681,20 31 ‐ 732,07 36 ‐ 782,95 41 ‐ 833,83 46 ‐ 884,70 51 ‐ 932,64 56 ‐ 983,08 61 ‐ 1033,49 66 ‐ 1083,99 71 ‐ 1134,38 76 ‐ 1184,87 81 ‐ 1235,27 86 ‐ 1285,76 91 ‐ 1336,15 96 ‐ 1386,65 101 ‐ 1437,04 106 ‐ 1487,53 111 ‐ 1537,92 116 ‐ 1588,42 121 ‐ 1638,81 126 ‐ 1689,30 131 ‐ 1739,70 136 ‐ 1790,19 141 ‐ 1840,58 146 ‐ 1891,07 151 ‐ 1941,57 156 ‐ 1991,96 161 ‐ 2042,45 166 ‐ 2092,84 171 ‐ 2143,34 176 ‐ 2193,73 181 ‐ 2244,22 186 ‐ 2294,61 191 ‐ 2345,11 196 ‐ 2395,50 0 Banda spettrale Fig. 18 – Differenza mulitemporale della riflettanza spettrale mediata spazialmente per le aree a suolo nudo e vegetate. 216 Calcolando la differenza normalizzata percentuale Δ %i i,t1 – i,t2 ·100 / i,t1 i 1,196 si ottengono i grafici di fig. 19 per il suolo nudo e la copertura vegetale, che mostrano un andamento tendenzialmente più lineare (sempre escludendo le bande di assorbimento). Allo scopo di escludere visivamente le porzioni di grafico relative alle bande di assorbimento atmosferico principali, sia nei grafici relativi alla differenza Δ i, che alla differenza normalizzata percentuale Δ %i sono stati evidenziati in giallo gli intervalli spettrali corrispondenti alle bande di assorbimento. Assorbimento atmosferico 80 70 Riflettanza 60 50 40 30 20 10 01 ‐ 426,82 06 ‐ 477,69 11 ‐ 528,57 16 ‐ 579,45 21 ‐ 630,32 26 ‐ 681,20 31 ‐ 732,07 36 ‐ 782,95 41 ‐ 833,83 46 ‐ 884,70 51 ‐ 932,64 56 ‐ 983,08 61 ‐ 1033,49 66 ‐ 1083,99 71 ‐ 1134,38 76 ‐ 1184,87 81 ‐ 1235,27 86 ‐ 1285,76 91 ‐ 1336,15 96 ‐ 1386,65 101 ‐ 1437,04 106 ‐ 1487,53 111 ‐ 1537,92 116 ‐ 1588,42 121 ‐ 1638,81 126 ‐ 1689,30 131 ‐ 1739,70 136 ‐ 1790,19 141 ‐ 1840,58 146 ‐ 1891,07 151 ‐ 1941,57 156 ‐ 1991,96 161 ‐ 2042,45 166 ‐ 2092,84 171 ‐ 2143,34 176 ‐ 2193,73 181 ‐ 2244,22 186 ‐ 2294,61 191 ‐ 2345,11 196 ‐ 2395,50 0 Banda spettrale Fig. 19 – Differenza mulitemporale normalizzata % della riflettanza spettrale mediata spazialmente per le aree a suolo nudo e vegetate La tendenza generale decrescente dello spettro di riflettanza tra le due acquisizioni del 12 luglio e del 14 settembre appare consistente con l’andamento cumulato della pluviometria nei giorni antecedenti i due passaggi satellitari, riportata nuovmente in fig. 20 per comodità di consultazione. Poiché in corrispondenza delle bande di assorbimento atmosferico non si notano variazioni di riflettanza apprezzabili, anche in corrispondenza delle bande minori a 760 nm, 932 nm e 1124 nm questo, come discusso in precedenza, porta ad escludere un differente effetto di assorbimento atmosferico sulle due acquisizioni. Di conseguenza, le variazioni di riflettanza spettrale nelle bande di trasparenza non dipendono tanto dall’atmosfera, quanto da altri fattori ambientali. Poiché nel caso dei suoli, le caratteristiche chimico-fisiche tendono a cambiare molto lentamente nel tempo, il principale fattore che influenza la variazione di riflettanza in periodi brevi è proprio l’umidità del suolo. 217 Acquisizione satellite precipitazione cumulativa antecedente Precipitazione media giornaliera 120 Precipitazione (mm/g) 100 80 60 40 20 01‐lug 03‐lug 05‐lug 07‐lug 09‐lug 11‐lug 13‐lug 15‐lug 17‐lug 19‐lug 21‐lug 23‐lug 25‐lug 27‐lug 29‐lug 31‐lug 02‐ago 04‐ago 06‐ago 08‐ago 10‐ago 12‐ago 14‐ago 16‐ago 18‐ago 20‐ago 22‐ago 24‐ago 26‐ago 28‐ago 30‐ago 01‐set 03‐set 05‐set 07‐set 09‐set 11‐set 13‐set 15‐set 17‐set 19‐set 21‐set 23‐set 25‐set 27‐set 29‐set 01‐ott 0 Data Fig. 20 Precipitazione media giornaliera nella nella zona dell’area di studio nel periodo dal 1 luglio al 30 settembre 2002. Le barre in rosso indicano le date di acquisizione del/i satellite/i. 6.8.8.10 Correlazione indici di umidità e misure pluviometriche La sequenza multitemporale di immagini ETM+ è stata quindi impiegata per confrontare i risultati ottenuti da alcuni degli indici per la stima dell’umidità (tab. I) selezionati, basati sull’impiego di due o tre bande spettrali. Sono stati applicati gli algoritmi NDII, NMDI, NSMI che utilizzano bande di riflettanza spettrale, le cui formulazioni sono riportate in tab. I. E’ stato considerto anche il metodo MTVI (Multitemporal Temperature Vegetation Index) che rappresenta un’estensione multitemporale dell’approccio metodologico Ts-VI, basato sulla relazione fisica tra vegetazione, misurata dall’indice NDVI, e la temperatura del suolo Ts, estratta dalla banda termica di sensori multispettrali quali il TM/ETM+, ASTER, MODIS, ecc. Gli algoritmi sono stati applicati separatamente alle sequenze multitemporali relative al suolo nudo ed alla copertura vegetale. Di ciascuna mappa di umidità ottenuta e per ciascun algoritmo è stato quindi calcolato il valore medio di tutti i punti compresi nella scena per la classe suolo e vegetazione. L’andamento nel tempo delle stime relative al suolo ed alla vegetazione ottenute dai differenti algoritmi sono stati confrontati tra loro e con l’andamento e con l’andamento della pluviometria di fig. 20. La tab. III riporta i risultati ottenuti dall’applicazione degli algoritmi selezionati per le due classi di suolo nudo e vegetato alle immagini della sequenza. SUOLO NUDO VALOR MEDIO 12/07 MTVI NMD NDII NSMI 13/08 0,253 0,511 0,413 0,439 0,2 ‐0,176 ‐0,845 14/09 VEGETATO 30/09 0,721 0,705 0,473 0,497 0,159 ‐0,152 ‐0,76 12/07/2002 13/08 0,275 0,549 0,467 0,467 0,352 0,181 ‐0,759 14/09 30/09 0,713 0,798 0,498 0,495 0,391 0,243 ‐0,575 Tab. III – Valor medio della stima dello stato di umidità per il suolo e la vegetazione, ottenuti dall’applicazione alle immagini della sequenza ETM dei diversi algoritmi. 218 La fig. 21a e 21b mostrano invece i grafici a barre relativi agli stessi andamenti della tabella, in cui i valori relativi all’algoritmo NDII sono complementati. La fig. 22 mostra il risultato ottenuto dall’algoritmo NSMI che utilizza due bande Hyperion nella regione dello SWIR, centrate a 1800 nm e 2119 nm, applicato alle uniche due immagini Hyperion disponibili. Dall’andamento pluviometrico della fig 20 e della curve di precipitazione cumulata nei giorni antecedente a ciascun passaggio, appare evidente che nel periodo antecedente il primo passaggio il 12 luglio 2002, non si è verificata alcuna precipitazione quindi il terreno al momento del passaggio ha un livello basso o molto basso di umidità. L’acquisizione successiva, del 13 agosto, è preceduta da precipitazioni abbastanza continue e in particolare l’11 agosto, due giorni prima del passaggio sono state misurate precipitazioni abbastanza elevate su tutta la zona per un valore medio di circa 40 mm. E’ evidente che il giorno dell’acquisizione il terreno non ha avuto tempo di asciugarsi e quindi dovrebbe manifestare il livello più alto di umidità rispetto agli altri giorni della sequenza. I giorni antecedenti le ultime due acquisizioni del 14 e del 30 settembre, sono caratterizzati da un andamento pluviometrico abbastanza simile, cosicché il livello di umidità superficiale dovrebbe risultare dello stesso ordine di grandezza, ma superiore all’acquisizione del 12 luglio ed inferiore a quella del 13 agosto. Suolo nudo Vetazione 1 umidità relativa umidità relativa 1.5 1 MTVI 0.5 NMDI NDII 0 0.8 0.6 MTVI 0.4 NMDI 0.2 NDII 0 12/07 13/08 14/09 30/09 12/07 13/08 14/09 30/09 giorno giorno Fig.21 – Stima della media spaziale dello stato di umidità relativo ottenuto per il suolo nudo e il suolo vegetato dall’applicazione degli algoritmi alle immagini ETM della sequenza. indice relativo umidità NSMI ‐ Normalized Soil Moisture Index (1800 nm, 2119 nm) 0.5 0.4 0.3 0.2 suolo nudo 0.1 vegetato 0 12/07 13/08 14/09 30/09 data Fig.22 – Stima della media spaziale dello stato di umidità relativo ottenuto per il suolo nudo e il suolo vegetato dall’applicazione dell’algoritmo NSMI alle bande centrate a 1800nm e 2119 nm delle due immagini Hyperion disponibili. 219 Osservando i risultati ottenuti dall’applicazione dei metodi di stima dell’umidità si evidenzia una sostanziale uniformità di comportamento nella stima relativa dello stato di umidità superficiale per tutti i metodi, tranne l’NDII. Peraltro, solo il metodo NDII individua correttamente la situazione di maggiore umidità il 13 e la situazione più secca il giorno 12 luglio relativo alla prima acquisizione. Questo andamento si riscontra anche nel grafico relativo alle zone vegetate. Gli altri metodi MTVI e NMDI, invece, non fanno corrispondere il passaggio del 13 agosto alla situazione più umida. L’algoritmo MTVI riconosce la situazione di maggiore umidità del periodo il giorno 14 settembre, mentre l’NMDI stima una situazione praticamente uguale anche per l’ultima immagine del 30 settembre. L’incertezza dei risultati è confermata anche dai grafici di fig. 23a e 23b che mostrano l’andamento del valore medio spaziale delle 6 bande ETM+ per le quattro immagini della sequenza separatamente per le due classi di suolo nudo (fig. 23a) e vegetato (fig. 23b). SUOLO VEGETATO Riflettanza spettrale media ETM+ 0.3 0.25 Riflettanza 0.3 0.25 12‐lug 0.2 0.15 0.1 0.2 13‐ago 13‐ago 0.15 14‐set 0.1 30‐set 0.05 12‐lug Riflettanza 0.35 SUOLO NUDO Riflettanza spettrale media ETM+ 14‐set 30‐set 0.05 0 0 1 2 3 4 5 1 6 2 3 4 5 6 Banda spettrale Banda spettrale Fig.23a Fig.23b In accordo al comportamento generale della riflettanza dei suoli all’aumentare dello stato di umidità, lo spettro relativo alla situazione più secca del 12 luglio ha una forma similare agli altri, ma un livello di riflettanza più elevato. Con valori di riflettanza minori dovremmo identificare i due spettri relativi alle ultme due acquisizioni, ed infine, con il livello minore di riflettanza, la curva relativa al 13 agosto. In realtà, anche queste misure tendon ad invertire, anche se di poco, la situazione di umidità tra il 13 agosto e le ultime due date. 6.8.8.11 CONCLUSIONI La complessità del problema di stimare uno stato relativo di umidità superficiale del territorio, comprendente suolo nudo, vegetazione, suoli misti ed antropizzati, data la complessità ed eterogeneità dell’ambiente naturale, non può evidentemente essere descritto da modelli teorico-analitici o sperimentati in laboratorio, ma richiedono un lungo lavoro di approfondimento sperimentale per identificare se e quali siano le relazioni empirico-euristiche adeguate a garantire un buon livello di efficienza unitamente ad una elevata stabilità e quindi affidabilità del loro impiego per scopi di monitoraggio nel tempo. Di fondamentale importanza per una corretta interpretazione dei risultati ottenute dalle varie elaborazioni, è il potere disporre di sequenze di immagini multispettrali ed iperspettrali affidabili dal punto di vista informativo, e cioè adeguatamente validate e coerenti tra di loro 220 sia dal punto di vista della coregistrazione spaziale, sia per coerenza spettrale relativamente agli effetti di distorsione atmosferica. BIBLIOGRAFIA Angstrom, A. (1925). The albedo of various surfaces of ground. Geografiske Annales, 7, pp. 323-327. Bowers, S. A., & Hanks, R. J. (1965). Reflection of radiant energy from soils. Soil Science, 100 (3), 130, 138. Carlà, R., Fontanelli, K., Santurri, L. (2009). Chen, D., J. Huang, and T. J. Jackson. (2005). Vegetation Water Content Estimation for Corn and Soybeans Using Spectral Indices Derived from Modis Near- and Short-Wave Infrared Bands. Remote Sensing of Environment 98, 225–236. Curcio, J. A., & Petty, C. C. (1951). The near infrared absorption spectrum of liquid water. Journal of the Optical Society of America, 41 (5), 302– 304. Elvidge, C. D. (1990). Visible and Infrared Reflectance Characteristics of Dry Plant Materials. International Journal of Remote Sensing 11, 1775–1795. Gao, B. C. (1996). NDWI—A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water from Space. Remote Sensing of Environment 58, 257–266. Hardisky, M. A., V. Klemas, and R. M. Smart. (1983). The Influences of Soil Salinity, Growth form, and Leaf Moisture on the Spectral Reflectance of Spartina Alterniflora Canopies. Photogrammetric Engineering and Remote Sensing 49, 77–83. HAUBROCK, S.-N. CHABRILLAT, S., LEMMNITZ, C., and KAUFMANN, H. (2008). Surface soil moisture quantification models from reflectance data under field conditions. Int. J. of Remote Sensing,. 29(1), 3-29. Lobell, D., and Asner, G., 1970. Moisture effects on soil reflectance. Soil Sci. Soc. Am. J. 66, 722–727 (2002) Planet, W. G. (1970). Some comments on reflectance measurements of wet soils. Remote Sensing of Environment, 1, 127– 129. Stoner, E.R., and Baumgardenr, M.F., 1981, Characteristics variations in reflectance of surface soils. Soil Science Society America Journal, 45, 1161–1165. Wang, L., and J. J. Qu. (2007). NMDI: A Normalized Multi-Band Drought Index for Monitoring Soil and Vegetation Moisture with Satellite Remote Sensing. Geophysical Research Letters 34,:L20405. doi:10.1029/2007GL031021. Weidong, L., Baret, F., Xingfa, G., Qingxi, T., Lanfen, Z., and Bing, Z. (2002). Relating soil surface moisture to reflectance. Rem. Sens. Environ. 81, 238–246. Weidong, L., Baret, F., Xingfa, G., Bing, Z., Qingxi, T., and Lanfen, Z. (2003). Evaluation of methods for surface soil moisture estimation from reflectance data. Int. J. Rem. Sens. 24(10), 2069–2083. Zhang, N., Hong, Y., Qin, Q., and Liu, L. (2013). VSDI: a visible and shorwave infrared drought index for monitoring soil and vegetation moisture based on optical remote sensing. Int. J. of Rem. Sens., 34(13), 45854609. 221 6.8.8.12 APPENDICE A1 Corrispondenza bande spettrali HYPERION Band λ Band λ Band λ Band λ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 426,82 436,99 447,17 457,34 467,52 477,69 487,87 498,04 508,22 518,39 528,57 538,74 548,92 559,09 569,27 579,45 589,62 599,80 609,97 620,15 630,32 640,50 650,67 660,85 671,02 681,20 691,37 701,55 711,72 721,90 732,07 742,25 752,43 762,60 772,78 782,95 793,13 803,30 813,48 823,65 833,83 844,00 854,18 864,35 874,53 884,70 894,88 905,05 915,23 925,41 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 932,64 942,73 952,82 962,91 972,99 983,08 993,17 1003,30 1013,30 1023,40 1033,49 1043,59 1053,69 1063,79 1073,89 1083,99 1094,09 1104,19 1114,19 1124,28 1134,38 1144,48 1154,58 1164,68 1174,77 1184,87 1194,97 1205,07 1215,17 1225,17 1235,27 1245,36 1255,46 1265,56 1275,66 1285,76 1295,86 1305,96 1316,05 1326,05 1336,15 1346,25 1356,35 1366,45 1376,55 1386,65 1396,74 1406,84 1416,94 1426,94 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 1437,04 1447,14 1457,23 1467,33 1477,43 1487,53 1497,63 1507,73 1517,83 1527,92 1537,92 1548,02 1558,12 1568,22 1578,32 1588,42 1598,51 1608,61 1618,71 1628,81 1638,81 1648,90 1659,00 1669,10 1679,20 1689,30 1699,40 1709,50 1719,60 1729,70 1739,70 1749,79 1759,89 1769,99 1780,09 1790,19 1800,29 1810,38 1820,48 1830,58 1840,58 1850,68 1860,78 1870,87 1880,98 1891,07 1901,17 1911,27 1921,37 1931,47 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 1941,57 1951,57 1961,66 1971,76 1981,86 1991,96 2002,06 2012,15 2022,25 2032,35 2042,45 2052,45 2062,55 2072,65 2082,75 2092,84 2102,94 2113,04 2123,14 2133,24 2143,34 2153,34 2163,43 2173,53 2183,63 2193,73 2203,83 2213,93 2224,03 2234,12 2244,22 2254,22 2264,32 2274,42 2284,52 2294,61 2304,71 2314,81 2324,91 2335,01 2345,11 2355,21 2365,20 2375,30 2385,40 2395,50 222 7 CONCLUSIONI 223
© Copyright 2024 Paperzz