Landsat-8セミナー with ENVI5.1

Exploring & Understanding
Landsat 8 Data
in ENVI Version 5
2
Table of Contents
解析範囲............................................................................................................................... 5
このセミナーについて ......................................................................................................... 5
関連情報............................................................................................................................... 6
Landsat 8 の基本情報 ...................................................................................................... 6
Landsat8 のレベル 1 プロダクトの処理詳細 .................................................................... 7
ENVI での Landsat 8 のサポート .................................................................................... 8
学習内容/実習環境/使用データについて ............................................................................... 8
学習内容........................................................................................................................ 8
実習環境........................................................................................................................ 8
使用データ .................................................................................................................... 8
Landsat 8 データを用いた実習 ............................................................................................ 9
Exercise #1: Landsat 8 画像の読み込みと表示 ............................................................... 9
Exercise #1a: ENVI の起動と環境設定......................................................................... 9
Exercise #1b: データの読込と表示 ..............................................................................10
Exercise #1c: ENVI で読み込む Landsat 8 データのバンド........................................12
Exercise #1d: Landsat 8 Bands について ...................................................................13
Exercise #1e: Landsat 8 でのカラー合成表示 .............................................................15
Exercise #2: Radiometric Calibration (OLI Sensor) ......................................................19
Exercise #2a: Radiometric Calibration Tool ..............................................................20
Exercise #2b: 大気補正 Atmospheric Correction ........................................................22
Exercise #2c: Spectral Plots........................................................................................22
Exercise #3: Normalized Difference Vegetation Index (NDVI) .....................................24
Exercise #3a: Normalized Difference Vegetation Index (NDVI)の計算 .....................24
Exercise #3b: 画像ストレッチを用いた NDVI 画像の強調 ..........................................27
Exercise #3c: カラーテーブルを用いた NDVI 画像の強調 ...........................................28
Exercise #3d: Raster Color Slices の NDVI 画像の強調 ..............................................29
Exercise #4: Landsat 画像の土地被覆分類 .....................................................................31
Exercise #4a: 教師無し分類 .........................................................................................31
Exercise #4b: 教師付分類 ............................................................................................33
3
Exercise #5: SMACC を使った Landsat 8 OLI データ処理............................................ 39
Exercise #6: Band 8 – Panchromatic Band ................................................................... 45
Exercise #6a: Pan Sharpening ................................................................................... 46
Exercise #7: Band 9 – Cirrus Band ............................................................................... 49
Exercise #8: Thermal Bands (TIR Sensor) .................................................................... 51
Exercise #8a: Radiometric Calibration Tool .............................................................. 51
Exercise #9: Quality Assessment (QA) Band ................................................................ 53
Exercise #9a: QA Band の意味 ................................................................................... 53
Exercise #9b: QA バンドを用いた簡易雲マスク作成 ................................................... 55
Exercise #10: The Coastal Aerosol Band Revisited ....................................................... 57
Exercise #10a: The Aerosol/Coastal (AC) Index ........................................................ 57
Appendix A: USGS Radiometric Calibration Information ............................................... 59
4
解析範囲
イタリア南部シチリア島エトナ火山上空
このセミナーについて
このセミナーでは、Landsat 8の基礎知識の紹介や、ENVI5.1を使用し、キャリブレーション
から分類といった解析機能を実習します。
実習では、USGSからダウンロードしたエトナ火山の画像を使用します。
なお、この講習ではENVIの初級トレーニング受講済の方を対象として基本操作を特に説明
なく行います。ENVIの基本的な操作方法や基礎知識については、初級のマニュアル(Getting
Started with ENVI5.1)を参照してください。
5
関連情報
Landsat 8 の基本情報
(Source: http://landsat.usgs.gov )
2013年5月30日にLandsat 8 satellite (Landsat Data Continuity Mission - LDCM- として、2013年2
月11日に打ち上げ)が利用可能になりました。
Landsat 8 は二つのプッシュブルームセンサを搭載しています： Operational Land Imager
(OLI)と Thermal Infrared Sensor (TIRS).
OLI センサの波長バンドは、Landsat 7 の ETM+センサと同様ですが、二つの新しい波長を取
得するバンドが追加されました。Band 1 のウルトラブルーの領域では、水域や海岸エリア
を調査する目的で設計されました。 Band9 の新たな赤外線の領域では、英語で Cirrus Cloud
と呼ばれる、巻雲（7～12 キロほどの上空にあるうっすらとした白い雲(通例：細かい氷の
結晶でできています)を感知するために設計されています。また、新しい品質保証(Quality
Assurance)バンド(***_BQA.TIF)も各データに付属しています。これは、画像内の雲、水、
雪の有無を表しています。
熱赤外は Landsat ETM+と TM ではバンド 6 のみでしたが、Landsat 8 ではバンド 10、11 に
分けられ、スペクトル分解能が向上し、より正確な地表面温度をとらえることができると
言われています。以下のページでは、歴代の Landsat のセンサについて記載があります。
http://landsat.usgs.gov/band_designations_landsat_satellites.php
OLI と TIRS のデータのクオリティ(signal to noise ratio：S/N 比)と放射量子化(12 ビット)は、以前の Landsat の機
器(ETM+と TM は 8 ビット)に比べて、地球の表面の変化を検出する能力が格段に向上しています。
日に最低 400 シーンを取得し、取得後 24 時間以内に USGS のアーカイブからダウンロードが可能になります。詳細は
以下の URL を参照してください。
http://landsat.usgs.gov/LDCM_Landsat8.php
6
Landsat 8
Wavelength
(micrometers)
Resolution
(meters)
Band 1 - Coastal Aerosol
0.43 - 0.45
30
Band 2 - Blue
0.45 - 0.51
30
Band 3 - Green
0.53 - 0.59
30
Band 4 - Red
0.64 - 0.67
30
Band 5 - Near Infrared (NIR)
0.85 - 0.88
30
Band 6 - SWIR 1
1.57 - 1.65
30
Band 7 - SWIR 2
2.11 - 2.29
30
Band 8 - Panchromatic
0.50 - 0.68
15
Band 9 - Cirrus
1.36 - 1.38
30
Thermal Infrared Band 10 - Thermal Infrared (TIRS) 1
10.60 - 11.19
100
11.50 - 12.51
100
Bands
Launched
February 11, 2013
Operational
Land Imager
(OLI)
--
Sensor (TIRS)
Band 11 - Thermal Infrared (TIRS) 2
Landsat8 のレベル 1 プロダクトの処理詳細
Processing:
Level 1 T- Terrain Corrected
Pixel Size:
OLI multispectral bands 1-7,9: 30-meters
OLI panchromatic band 8: 15-meters
TIRS bands 10-11: collected at 100 meters but resampled
to 30 meters to match OLI multispectral bands
Data
Characteristics:








GeoTIFF data format
Cubic Convolution (CC) resampling
North Up (MAP) orientation
Universal Transverse Mercator (UTM) map projection (Polar
Stereographic for Antarctica)
World Geodetic System (WGS) 84 datum
12 meter circular error, 90% confidence global accuracy for OLI
41 meter circular error, 90% confidence global accuracy for
TIRS
16-bit pixel values
Data Delivery:
.tar.gz compressed file via HTTP Download
File size:
Approximately 1 GB (compressed), approximately 2 GB (uncompressed)
Details about processing levels of all Landsat data products can be found on
http://landsat.usgs.gov/Landsat_Processing_Details.php.
7
ENVI での Landsat 8 のサポート
ENVI5.0 Service Pack 3 (SP3)から Landsat-8 OLI のメタデータ(.MTL)に対応したファイ
ルオープンとキャリブレーション機能のサポートが追加されました。SP3 のリリース以降、
Landsat のメタデータに変更があり、キャリブレーション機能のため、適切な情報を抽出
する必要があり ENVI も Landsat に合わせた修正を行いました。
この変更に加え、反射率の計算も Landsat1-7 の結果と相似させるため、太陽高度が更新さ
れました。最後に、Cirrus バンドと QA バンドは、Landsat の画像を評価する上でとても
有効ですが、土地被覆分類などには含めるべきではないため、データマネージャで別々に
開くようになっています。
ENVI のダイナミックディスプレイは迅速な表示と軽快な操作でリモートセンシング画像、
ベクタや注釈を扱うことが可能です。一つのウィンドウで複数のレイヤを一度に取り扱え、
ポータルウィンドウを使用することにより、下のレイヤを透過して見るこができます。そ
れに加え、ENVI は画像とベクタを重ね合わせるため、ダイレクトに再投影とサイズの補間
を行います。ArcGIS のレイヤもそのまま扱え、ArcMap Tool にアクセスすることも可能で
す。
学習内容/実習環境/使用データについて
学習内容

Landsat 8マルチスペクトルデータをENVIへ読み込み、表示します。





Radiometric Calibration ツールを実行します。
Normalized Difference Vegetation Index (NDVI)を算出します。
教師付き、教師なし分類を実施します。
Landsat 8 OLI 画像に対して SMACC 処理を使用します。
Landsat 8 の全てのバンドを確認します。
実習環境

ウィンドウズOSのコンピュータ

ENVI Version 5.1または、ENVI Version 5.0 (Service Pack 3)
使用データ

LC81880342013139LGN01_MTL.txt

LC81880342013139LGN01__B*.TIF
o
イタリア、シチリア島エトナ火山Landsat 8マルチスペクトル画像
o
ダウンロードURL
： http://earthexplorer.usgs.gov/
o
Landsat 8の情報
： http://landsat.usgs.gov/index.php
8
Landsat 8 データを用いた実習
Exercise #1: Landsat 8 画像の読み込みと表示
Exercise #1a: ENVI の起動と環境設定
この章では Landsat8(OLI)画像の ENVI への表示を行います。また実習に入る前に、使用
するデータへのアクセスなどを容易に行うため、環境の設定を行います。ENVI では、ファ
イルの入出力ディレクトリをあらかじめ指定することで、デフォルトで指定したディレク
トリを表示することが可能です。
1. ENVI5.1 の起動
a. スタート → すべてのプログラム
b. デスクトップの ENVI 5.1 アイコン
→ ENVI5.1
→ ENVI
でも起動できます。
2. メニュー → File → Preferences を選択。Setting → Directories を選択し、
Input Directory と Output Directory を以下の通りに変更します。
Input Directory
:
C:\Training\Landsat8_Seminar
Output Directory
:
C:\Training\Landsat8_Seminar\output
この設定をすることで、日々の業務でもプロジェクトフォル
ダなどに必要ファイルをまとめておくなどして業務を円滑に
進めるのに役立ちます。
9
Exercise #1b: データの読込と表示
Landsat8 データを入手した際、データフォルダには複数の TIFF ファイルが格納されてい
ますが、ENVI ではこれらの TIFF ファイルを別々に開く必要はありません。フォルダには
*_MTL.txt という Landsat8 データを連結させるメタデータのテキストファイルがありま
す。ENVI ではこのファイルを読み込んで Landsat8 画像データを開き、メタデータビュー
アで情報を見ることもできます。
1. メニュー →
File
→
Open を選択してください。
2. LC81880342013139LGN01_MTL.txt を選択して OK。
3. 画像が表示されますので、ツールバーの Zoom to Full Extent
をクリックして画
像全体を表示してみましょう。画像はイタリアのシチリア島、昨今噴火したエトナ
火山周辺です。
10
4. 画像北側に雲があるため、画像表示は暗くなっています。ENVI の画像ストレッチ
機能を Liniar5%などに変更して明るくしてみましょう。
5. レイヤマネージャの LC81880342013139LGN01_MTL をダブルクリックするとメ
タデータビューアが表示されます。様々な関連情報を閲覧することができます。メ
タデータビューアを閉じてください。
11
Exercise #1c: ENVI で読み込む Landsat 8 データのバンド
1. ツールバーの Open の右側にある
ボタンをクリックしてデータマネージャを開
いてください。下図のようにデータマネージャが表示されます。
2. まず上から OLI センサーの 9 バンドについて、バンド名が波長とともにリストされ
ます。次に TIR センサーの 2 バンドが波長とともに表示されます。最後に、各々の
プロダクトの、雲や雪などの存在の情報を提供する’Quality Assurance’バンドが表
示されます。
12
Exercise #1d: Landsat 8 Bands について
新しい OLI センサーの Band1 は、深い青と紫の波長帯に感度を持ちます。通常、このブル
ーライトの波長帯のスペクトルは大気中の分子などによる散乱により採光は容易ではあり
ません。このバンドの主な 2 つの機能、浅瀬や粉塵などを観測できることに基づき、
coastal/aerosol バンドと呼ばれています。より深い青色の領域を強調するため Band1 と
Band2 を対比させると、浅瀬や砕波やより青紫を反映するような物体を見ることができる
でしょう。
1.
単バンドを表示するには、開きたいバンドを選択して Load Data ボタンをクリックす
るか、右クリックから Load Grayscale を選択します。
2.
Band1 と Band2 の違いを調べるため、上記手順で各々グレースケール画像を開きます。
3.
ツールバーの
4.
現在レイヤマネージャには 3 種類のファイルが表示されていますが、RGB 表示のファ
イルはチェックを外し非表示にして、Band1 と Band2 のみ表示してください。
5.
Coastal/Aerosol バンドをハイライトして、Linear5%で画像強調します。同様に Blue
バンドも画像強調します。
6.
Coastal/Aerosol バンドを右クリック→ Order → Bring to Front として、レイヤマネー
ジャの最上層に移動します。
7.
まず Transparency を使用してこの 2 バンドの相違を見ます。Coastal/Aerosol バンド
をハイライトして、Transparency スライダを動かします。スライダを左右に動かして
Band1 と Band2 の相違を観察します。観察を終えたらスライダを左側へ戻します。
8.
より簡便な方法として View Blend、 View Flicker、 View Swipe アイコン
ボタンをクリックして画像全体を表示します。
が使用できます。2 バンドの相違を見るのに最も有効なのは View Flicker
です。このオプションが有効な間、画面のズームや移動を自由に行えます。
9.
観察が終わりましたらアイコンを再度クリックしてツールを停止してください。
10. これらの画像は非常に似ていますが、主な違いとして見られるのは沿岸部で
Coastal/Aerosol バンドが明るいということです。これはエトナ火山の沿岸で大量のエ
アロゾルが見られるということからと思われます。
11. 他のバンドもグレースケールで表示して見てみましょう。
12. 植生エリア上で、バンド４と５(Red & NIR)で上記の比較を行うと、後述する NDVI
の実習のプレビューとして興味深いです。
13
13. レイヤマネージャの View を右クリックして Remove All Layers を選択して全ての表
示レイヤを削除します。
Landsat 8 は Landsat 5 や Landsat 7 のバンドナンバーと異なります。
ENVI5 では ENVIClassic のように Band1 や Band2 ではなくバンド名で表
示されますので、古いバンド構成のバンドナンバーと混同しないよう注意が
必要です。以下にバンドナンバーの対応表を示します。
Landsat 8
Operational
Land Imager
(OLI)
Compared to
Landsat 7 &
Landsat 5
Enhanced
Thamatic Mapper
(ETM)
Band Name
Landsat 8 (OLI)
Band Number
Landsat 7/5
(ETM)
Band Number
Coastal Aerosol
1
N/A
Blue
2
1
Green
3
2
Red
4
3
Near Infrared (NIR)
5
4
SWIR 1
6
5
SWIR 2
7
7
Panchromatic
8
8
Cirrus
9
N/A
Thermal Infrared (TIRS)
1
10
6 (spans both)
Thermal Infrared (TIRS)
2
11
6 (spans both)
14
Exercise #1e: Landsat 8 でのカラー合成表示
Landsat 8 データは追加のバンドを含んでいるため、RGB 合成のバンド番号の構成は従前の
Landsat データと異なります。例えば Landsat7 や Landsat5 では近赤外カラー(CIR)はバンド
4, 3, 2 でしたが、Landsat8 ではバンド 5, 4, 3 となります。下表は代表的なカラー合成のバン
ド構成の Landsat 7 & 5 と、Landsat 8 の比較になります。
Landsat 7
Landsat 8
Landsat 5
Color Composite
Color Infrared
4, 3, 2
5, 4, 3
Natural Color
3, 2, 1
4, 3, 2
5, 4, 3
6, 5, 4
7, 5, 3
7, 6, 4
7, 4, 2
7, 5, 3
False Color
(Vegetation Analysis)
False Color
(Urban)
False Color
(Natural with Atmospheric
Removal)
Table courtesy of landsat.usgs.gov
15
1. ENVI5 での Landsat 8 データの使用に慣れるため、いくつかの代表的なバンド構成の
表示をしてみます。
2. データマネージャを開き LC81880342013139LGN01_MTL_MultiSpectral をハイライ
トして赤、緑、青に割り当てたいバンドを順番にクリックしていきます。クリックした
バンドの左側に割り当ての色が表示されます。Red バンドに赤が、Green バンドに緑が、
Blue バンドに青が表示されているのを確認してください。適切に RGB 割り当てを行う
と、以下の図のようになります。
3. 可視の Red、Green、Blue バンドをそれぞれ赤、緑、青チャンネルに割り当てることで、
トゥルーカラー合成になります。このカラー合成は人間の目に映る色と似ています。
4. バンドの割り当てが終わったら、Load Data ボタンをクリックします。
5. トゥルーカラー合成画像が ENVI のディスプレイに表示されます。Linear2%のストレ
ッチをかけて明るくしてください。
6. データマネージャに戻り、同じく MultiSpectral をハイライトして右クリックし Load
CIR をクリックします。近赤外画像が ENVI のディスプレイに表示されますので同じく
Linear2%でストレッチをかけてください。
7. Transparency スライダや他のツールを使ってカラー合成の違いを調べることができま
す。ここでは、2 つのバンド構成で大きく異なる部分を見てみます。
16
8. CIR 表示のレイヤが最上位にあることを確認してください。なかった場合は、ドラッグ
アンドドロップでレイヤの順番を変更することができます。
9. 最上位レイヤにある CIR をハイライトして、Transparency スライダを動かしてみてく
ださい。エトナ山周囲を見ると、CIR では明るい赤でトゥルーカラーでは濃い緑で表示
される場所があることがわかります。おそらく、火山に近いエリアは、窒素が豊富でと
ても土壌の状態がよく植生の生育がよいのかもしれません。
10. 他の場所や、他の様々なバンド構成で画像を見てみてください。各バンド構成が異なる
特徴や物質を強調するのに役立つことを知り、各バンド構成が何を強調するかを把握す
ることが非常に重要になります。
11. もう一つレイヤマネージャ上の複数の画像を見るための強力なツールとして、ポータル
があります。レイヤマネージャで CIR がハイライトされている状態でツールバーの
アイコンをクリックします。ENVI ディスプレイ上に表示された小窓の中にトゥル
ーカラー画像が表示されます。このポータルウィンドウは移動やサイズ変更が可能で、
複数設置することもできます。ポータルウィンドウの右クリックメニューからブレンド
やフリッカー、スワイプなどもできます。ポータルを閉じるには右クリックから Close
Portal を選択します。
17
12. 下図は、メニュー → Views → 2x2 Views でディスプレイを 4 つに分割した
View に異なるバンド構成のカラー合成を表示させた例です。前述の表にあるバンド構
成でも好きな組み合わせでも、自由に表示させてみてください。
一つの View に複数のレイヤを表示させている場合、レイヤマネージャ上でレ
イヤを右クリックして Display in Portal を選択することでそのレイヤのポー
タルを作成することができます。
13. いくつか異なるバンド構成を調べたら、トゥルーカラー以外の表示を全て削除してくだ
さい。
18
Exercise #2: Radiometric Calibration (OLI Sensor)
解析のためのキャリブレーションを行います。キャリブレーションはランドサットデータの作
業に不可欠で、この章で実施するキャリブレーションが完了すると、データは反射率となり後
の演習にある分類作業などでより正しい結果を得ることができます。
USGS などのオンラインソースから画像をダウンロードする際、キャリブ
レーションされていないオリジナルデータの状態であることがほとんどで
す。それはオリジナル状態でデータがどのように見えるかを重要視する多
くの研究者のためで、データ内の情報がキャリブレーション処理されて変質されていないこと
を確認できます。ENVI の Calibration ツールはこのタスクのために特別に設計されています。
Landsat 画像はデータの定量的解析の前にシステムキャリブレーションを必要とします。デー
タセットの比較をする際は特に重要です。これは同一センサで異なる時間・場所に撮影された
データを比較することや異なるセンサのデータを比較することに当てはまります。出荷直前の
撮影日に合う Landsat メタファイル(*MTL.txt)にあるシステムキャリブレーションは適切で、
ENVI のラジオメトリックキャリブレーションで使用されます。古いキャリブレーションファ
クターは最近の配信データでは利用しないでください。
ENVI のラジオメトリックキャリブレーションツールは、USGS から提供されるメタデータフ
ァイルを用いて Raw データを科学的に意味のある物理的測定値に変換します。(付録 A 参照)




Raw Data Numbers Landsat8 の OLI のようなセンサは、地表面からの反射光に対す
るセンサ応答を表す Raw データ値を取得します。この Raw データ値を実世界の物理測
定値に変換するため、リモートセンシング分析者は校正係数を用いてラジオメトリック
キャリブレーションを適用します。
Calibration Coefficients 校正実験におけるセンサ応答を測定することにより、センサを
構成したエンジニアは、Raw データからラディアンスの単位へ変換する校正係数の数
値を決定します。
Radiance ラディアンスは地表面の単位面積あたりの波長依存の放射の物理的計測値で
す。Raw データ値はラジオメトリックキャリブレーションを経てラディアンス単位に
変換されると、分析者は植生のグリーンネスなどのような地表面上の物理的プロセスを
測定するために画像データを使用することができます。
Reflectance ラディアンスから反射率を得て、太陽放射曲線を除去し、吸収や散乱など
の大気効果を除去する大気補正を施します。残されたものは照明や地形効果を受けた地
上の物質の反射率となります。
19
Exercise #2a: Radiometric Calibration Tool
1. 画面にはエトナ火山のトゥルーカラー合成の表示がされていると思います。表示がない
場合はデータマネージャから画像を開いてください。
2. ツールボックスで radio と入力し、Radiometric Calibration ツールを起動してくださ
い。ファイル選択ダイアログが表示されます。
3.
Landsat 8 のマルチスペクトラルデータを選択し、Spatial Subset ボタンをクリックし
ます。
4. Spatial Subset では、火山の山頂と海岸線を含むように範囲を設定します。以下のパラ
メータを入力して OK をクリックしてください。
Columns
Rows
: 1293 to 3841
: 1859 to 4958
20
5. Calibration Type を Reflectance に、Output Data Type を UInt に設定します。ここ
での反射率は大気上層での反射率になります。
6. Scale Factor に 10000.00 を設定し、[…]をクリックし、出力ファイル名を
etna_oli_ref_cal.dat と入力してください。下図のようなパラメータになっていれば OK
をクリックしてください。
Data Type を UInt にして Scale Factor を 10000.00 に設定する理由は？
通常 0.0～1.0 の浮動小数点で表現される反射率ですが、10000 までの
Unsigned Integer にすればデータサイズが小さく抑えられるためです。
7. 処理されたサブセット画像が画面に表示されることを確認してください。
21
Exercise #2b: 大気補正
1. ENVI は下記のようないくつかの大気補正ツールを持っていますが、ここでは ENVI の
標準機能に含まれている散乱やもやの影響を除去する Dark Subtraction という手法を
使用し、大気の影響を簡易的に除去する補正を行います。
 Dark Subtraction
 Empirical Line
 FLAASH®
 Flat Field
 IAR
 Log Residuals
 QUAC®
2. ツールボックスで Radiometric Correction  Dark Subtraction を選択
3. ファイル選択ダイアログで etna_oli_ref_cal.dat を選択して OK をクリック。
4. パラメータダイアログでは Band Minimum を選択。Choose をクリックして、出力フ
ァイル名を etna_oli_ref_cal_dark.dat として OK をクリック。
5. etna_oli_ref_cal.dat はレイヤマネージャで右クリック→Remove で削除します。
Exercise #2c: Spectral Plots
1. ラジオメトリックキャリブレーションや大気補正の前後の画像のスペクトルプロットを
表示して見比べてみましょう。
22
2. etna_oli_ref_cal_dark.dat を右クリック→ Profiles → Spectral Profile を選択。同様に
LC81880342013139LGN01_MTL_MultiSpectral のスペクトラルプロファイルも表示
します。
3. etna_oli_ref_cal_dark.dat の画像内の植生エリアをクリックし、表示された二つのスペ
クトルを比較してみましょう。
4. 植生のピクセルのスペクトル表示では、オリジナルデータでは見られない Green バン
ドのピークが補正後のスペクトルでは見られます。その他の場所も比較してみましょう。
5. スペクトルプロファイルウィンドウを閉じてください。
6. LC81880342013139LGN01_MTL_MultiSpectral をレイヤマネージャから削除して、
etna_oli_ref_cal_dark.dat のみ表示されている状態にしてください。
23
Exercise #3: Normalized Difference Vegetation Index (NDVI)
Exercise #3a: Normalized Difference Vegetation Index (NDVI)の計算
1.
ツールボックスで NDVI と入力し、NDVI ツールをクリックして起動してください。
2. Input File ダイアログで etna_oli_ref_cal_dark.dat を選択して OK をクリック。
3. ENVI がファイルのヘッダー情報から Sensor Type を読み取り、自動的に File Type
として Landsat OLI が選択され、使用バンド番号に 4 と 5 が入力されています。
ENVI5.0 を使用する場合は、Landsat OLI の Type がないので Landsat TM を選択
して、手入力で NDVI Bands を 4 と 5 に変更してください。
4. 出力ファイル名を etna_oli_ndvi.dat として、OK をクリック。
24
5. 処理が終了すると、NDVI のグレースケール画像が表示されます。
6. NDVI ツールは、マルチスペクトルデータから植生分布を表す単バンド画像に変換す
ることができます。NDVI 画像のピクセル値はピクセル内の植生の活性指標を表現し
ています。大きい NDVI 値は植生活性度が高いことを意味します。グレースケール
表現では、明るく白いエリアは植生活性度が高く、暗く黒いエリアは植生活性度が低
いことを示します。
7. この NDVI 画像を調べるために、キャリブレーションされた Landsat8 画像の CIR
カラー合成の表示が役立ちます。画面に CIR 画像が表示されていない方は、データ
マネージャから、etna_oli_ref_cal_dark.dat を右クリックして Load CIR を選択して
画面に表示して、画像ストレッチを Linear2%に設定してください。
8. これまでの実習で行ったように、ポータルや Transparency ツールを用いて NDVI
画像と CIR カラー合成画像を比較してみてください。NDVI 画像で白く表現されて
いるエリアは CIR 画像では明るい赤で表示されています。CIR カラー合成画像の明
るい赤色は植生の存在をよく示すので、CIR における明るい赤色で色づけされるエ
リアは NDVI 画像では明るい白で色づけされると推測できます。
25
26
Exercise #3b: 画像ストレッチを用いた NDVI 画像の強調
1. レイヤマネージャでNDVIをハイライトします。NDVIの画像表示がどのように変わ
るか、Linear2%やOptimized Linearなど様々なストレッチを試してみてください。
2. Custom Stretchアイコンをクリックします。NDVI画像のヒストグラムが表示されま
す。値の範囲はおおよそ-0.2から1に近い数字になっています。0.15あたりより小さ
い値が鋭いピークを作っていますが、これらはほぼ水域やエトナ山頂付近の暗いピク
セルに相当します。左のスライダーを0.15あたりに合わせることで、より興味深いピ
クセルを強調することができます。
27
Exercise #3c: カラーテーブルを用いた NDVI 画像の強調
1. カラーテーブルを適用するには、レイヤマネージャでNDVIを右クリック → Change
Color Tableからカラーテーブルを選択します。カラーテーブルの適用は、NDVI画
像内の相対的な値の違いを直感的に解釈するのに有効です。カラーテーブルを適用し
た状態でもストレッチをかけられますのでLinear2%やOptimized Linearなどに変え
てみて、NDVI画像の表示の変化を試してみてください。
2. 右クリック → Change Color Table → Moreで様々なカラーテーブルを選択できます。
例えば、Load IDL Color TableのドロップダウンリストからCB-RdYlGnを試してみ
てください。このカラーテーブルはNDVI値が高いピクセルが緑色に着色されるので
植生をみるのに有効です。
28
Exercise #3d: Raster Color Slices の NDVI 画像の強調
1. NDVI の値は相対的な数値ですので、実際の数値はそれほど重要ではありません。しか
し、NDVI の値をグループ分けするのは有効な場合があります。Raster Color Slices ツ
ールはそのような場合役立ちます。
2. レイヤマネージャで NDVI を右クリック → Change Color Table から Grayscale を選択
しカラー表示を解除します。
3. レイヤマネージャで NDVI を右クリック → Raster Color Slices を選択します。ファイ
ル選択ダイアログで NDVI 画像を選択して OK をクリック。Raster Color Slices の編集
画面が表示されます。デフォルトで 16 レベルにスライスされています。すでに 0.15 以
下の数値はあまり意味がないことがわかっていますのでレベルを変更します。
4. New Default Color Slices をクリックし、以下の図のように Num Slices と Data Min
の値を変更して OK をクリック。
5. 変更後のカラースライスが表示されます。
29
6. 5 つのグループに分けられた NDVI のカラースライスがレイヤマネージャに表示されま
す。チェックボックスをオンオフすることでスライスの表示非表示を変更できます。ま
たカラースライスのレイヤは Transparency で透過することもできます。
7. Slices を右クリック → Export Color Slices で画像やシェープファイルのベクターに出
力することができます。
8. 右クリック → Remove で NDVI レイヤと Raster Color Slices レイヤをレイヤマネージ
ャから削除してください。
30
Exercise #4: Landsat 画像の土地被覆分類
土地被覆分類は、都市計画や防衛関係、農業従事者など土地のタイプに基づいたカテゴリー分
けを必要とする方に必須の作業となります。ENVI は分類に関するツールをいくつか提供して
おり、ここでは分類ワークフローを使用して教師無しおよび教師付分類について実習します。
Exercise #4a: 教師無し分類
教師無し分類の ISODATA 法はデータ空間内に均等に割り当てられたクラス平均の計算を行
い、残りのピクセルに対して最小距離法を用いて繰り返し計算でクラスタ化します。各繰り
返し計算では平均を再計算し、新しい平均値に関してピクセルの再分類をします。この処理
は繰り返し計算中にクラスが変化するピクセルの割合が閾値を下回るか設定した最大繰り返
し数に至るまで継続します。
1. ツールボックスにClassと入力して、Classification Workflowを起動します。
2. ファイル選択ダイアログでBrowseボタンをクリックし、etna_oli_ref_cal_dark.dat を
選択しOKをクリック。Nextをクリックして次のステップに進みます。
3. 分類タイプの選択ダイアログでNo Training Dataを選択しNextをクリック。
4. Requested Number of Classesに9と入力してNextをクリック。Advancedタブの変更は
必要ありません。
一般的には表現しようとするクラス数より少し多い数のクラスを生成し
てから、分類後処理で結合などすることがよいと思われます。このシー
ンでは、9 クラスあたりが分類後作業をすることなく土地被覆クラスを
表現できるように見えます。
31
5. 分類処理完了後、分類画像がディスプレイに表示されCleanupダイアログが表示されま
す。このCleanupはオプションのステップで、クラス境界をスムージングしたり、微小
クラスを削除してある程度集合させたりして結果の微調整をします。Cleanupについて
は自己の判断で実行する必要があります。もし微小領域のクラスを見たいのであれば、
Cleanupで消去するべきではありません。もし目的がGISのための広域な土地被覆の作
成であれば、Cleanupはおそらく良い方法となるでしょう。この実習では、パラメータ
はそのままにしておきNextをクリックしてください。
6. Exportダイアログが表示されます。Export Classification Image のみチェックを入れ
てください。ファイル名はetna_oli_unsupclass.dat としてFinishをクリックします。
教師無し分類の次のステップは、作成されたクラスがどのような土地被覆
タイプに関連するかを識別することです。例えば、Class 1(red)は明らかに
水域と火山山体の暗いエリアの両方に割り当てられています。Class 5
(cyan) は先ほどまでの実習に基づくと、植生に割り当てられているように
見えます。Class 3 (blue)は溶岩などに割り当てられているように見えます。いくつかのク
ラスは余分で、結合することができるでしょう。また分類後処理でクラスの配色を変更す
ることもできますが、今実習では後処理のステップを割愛します。
32
Exercise #4b: 教師付分類
1. 先ほどと同様にClassification Workflowを起動してください。
2. また同様に入力ファイルにetna_oli_ref_cal_dark.dat を選択してNextをクリック。
3. この演習では、我々の視覚的解釈スキルに基づく土地被覆タイプの選択を試みます。
Use Training Data を選択してNextをクリック。
4. この教師付分類の目的は、次のクラスに分類することです。
Vegetation, Impervious Surface, Bare Soil, Volcanic Geology, Water, Cloud
（植生、人工物エリア、裸地、溶岩、水域、雲）
5. これらのクラスの作成するために、作成した新規クラスの名前と色を変更します。
Define Training Dataダイアログで一つ目のクラスを作成すると、赤色のClass1という
クラス名が作成されます。PropertiesタブのClass NameとClass Colorを編集してクラ
ス名をVegetation、クラス色を緑にします。
6. 植生と思われる領域上にポリゴンでトレーニングデータを描画することになります。
ENVIツールバーを見て、ポリゴンアノテーションアイコンが自動的に選択されていて、
マウスカーソルがポリゴン描画用の十字ポインタになっていることを確認してください。
7. ほとんど植生で覆われていると思われるエリアに画像をパンしてください。左クリック
を使用するとポリゴン描画を開始してしまいますので、センターホイールボタンによる
パンとズームを駆使して画像を移動してください。
もしセンターホイールの無いマウスの場合、一旦ツールバーの Select
アイコン等をクリックしてポリゴン描画ツールを解除します。望みの
場所へ移動した後に再びポリゴンアノテーションアイコンをクリック
するとポリゴン描画が可能になります。
33
8. 望みの場所でポリゴンを描画し、右クリックで Accept を選択しポリゴンを作成します。
これで Vegetation クラスの一つ目の教師データが作成できました。
9. さらに同クラスの教師データを作成する場合、望みの場所で繰り返しポリゴンを作成で
きます。作成したポリゴンは、レイヤマネージャに表示されるので、削除する場合は、
右クリックからDeleteできます。
10. 手順8を繰り返して植生を表す複数のポリゴンを作成します。留意することは、陰にな
っているような暗い着色の植生とともに、逆に鮮やかな着色の植生のピクセルも選択す
ることです。クラス内のピクセルの多様性によりENVIがより正確な分類結果を得るこ
とを期待できます。
11. 新しい別のクラスを追加するにはDefine Training Dataダイアログの緑色の十字アイコ
ンをクリックします。
12. 前述のようにVegetation, Impervious Surface, Bare Soil, Volcanic Geology, Water,
Cloud の6つのクラスを作成したいので、練習としてもういくつか新しいクラスを作成
してみましょう。
34
13. 時間節約のため、この実習では我々が保存したサンプル教師データもご利用いただけま
す。Load Training Data Set buttonをクリックしてください。
14. ファイル選択ダイアログで、Open Fileボタンをクリック。Training_Data.shpファイル
を選択してOKをクリック。
15. 教師データを作成すると、以下の図のようになります。教師データのポリゴンはレイヤ
マネージャに表示されており、右クリック → Go To Itemでそのポリゴンの位置へジャ
ンプします。
16. Previewチェックボックスをチェックしてプレビューウィンドウを動かしてみてくださ
い。Cleanup and Refining ステップへ移る前に定義した教師データによる分類処理結
果がプレビューできるため非常に役立ちます。
17. もしプレビューウィンドウの表示が好ましくない分類結果を示すようでしたら、いくつ
かの教師データを編集あるいは追加/削除するなど試行錯誤できます。
35
18. Algorithmタブをクリックします。これはENVIがプレビューウィンドウで表示されて
いる分類処理に用いているアルゴリズムです。デフォルトではMaximum Likelihood(最
尤法)が選択されています。
19. 各々のアルゴリズムが画像分類にどのように影響するかを見るため、プレビューを有効
にしたまま別のアルゴリズムに変更してみます。プレビューボックスはサイズ変更や移
動ができますので、それぞれのアルゴリズムが各クラスの分類結果にどう影響するか見
てみましょう。分類アルゴリズムの相違について概要を下表に示します。
20. Landsat8データとあなたが定義した教師データにどのアルゴリズムが最適かを知るた
め、すべてのアルゴリズムを試してみましょう。
36
Classification
Method
Description
When do I use it?
Maximum
Likelihood
これは統計ベースの機械学習メソッドで
す。クラス平均だけでなくクラス共分散
に基づくピクセル尤度を割り当てるベイ
ズ分類を使用しています。任意のピクセ
ルの最終分類結果は一番尤度のスコアが
高いクラスになります。
デフォルトの手法であり、様々なケ
ースで妥当な結果が得られます。教
師データとして全てのクラスメンバ
ーの多様なサンプルを作成すると分
類精度が向上します。
スペクトル空間内(バンド数で定義され
たn次元空間)のクラスに属するトレーニ
ングサンプルの平均重心を計算し、各ク
ラスの平均重心からの距離に基づいてピ
クセルを分類します。最短距離となるク
ラスがピクセルの属するクラスになりま
す。
この手法は計算負荷が小さく、クラ
スが比較的一様に孤立している場合
良い結果を得られます。それはユー
クリッドスペクトル空間を考慮する
だけだからであり、しかしながらク
ラスの変化の程度が異なっている場
合は良い選択ではないかもしれませ
ん。
各クラスの統計を用いた、方角に感度を
持つ距離分類法です。最尤法と似ていま
すが、全てのクラス共分散が等しいと仮
定しておりそのため高速な手法となりま
す。全てのピクセルは一番尤度のスコア
の高いクラスに分類されます。
クラス内の変化が比較的一様な場合
この手法は良い結果を得られます。
それは最尤法での時間節約改善とな
るのでパフォーマンスがより向上し
ます。マハラノビス法はトレーニン
グデータが十分に定義されているか
決定する第一手になります。
スペクトルアングルマッパーはスペクト
ル毎に平均スペクトルを取得し、このス
ペクトルからn次元(nはバンド数)ベクト
ルを算出する。各未知のピクセルはn次
元ベクトルとしてプロットされ、そのベ
クトルと比較して角度が最小となるクラ
スに分類されます。
minimum distanceと同様に、平均
から離れたクラス統計を考慮しませ
ん。厳密な土地被覆マッピングによ
く用いられ、それは非常によく機能
するが、不均一性の高い特徴のクラ
ス(例えば「都市全般」など)ではそ
の限りではありません。
（最尤法）
Minimum
Distance
（最小距離
法）
Mahalanobis
Distance
（マハラノビ
ス距離法）
Spectral
Angle
Mapper
(SAM)
（スペクトル
アングルマッ
パー）
21. この実習では Maximum Likelihood を使用します。Next をクリックしてください。
22. Cleanupステップでクラスタのスムージングと集合をして分類結果をきれいに仕上げま
す。Previewを有効にしてCleanup処理の結果を評価します。SmoothとAggregateの値
を変更して試してみてください。今実習では、Smoothingは使用せず、Aggregate Size
を13とします。前述したように、スムージングと集合を実施するかどうかは、完全にあ
なたが分類結果プロダクトに何を望むかによります。GISで使用するように土地被覆ク
ラスを一般化するのであれば、スムージングと集合をするのはよいでしょう。小さいエ
リアの特徴を評価したいのであれば、あまりCleanup処理を強くかけないほうがいいで
しょう。
23. Exportダイアログで出力するデータを決めます。デフォルトでは分類画像と分類ベクタ
ーが出力されます。出力分類画像名をMaximum_Likelihood.dat、出力分類ベクターフ
37
ァイル名をMaximum_Likelihood.shpとします。Additional Exportタブでクラス統計
ファイルを出力できます。同じ出力フォルダに、
Maximum_Likelihood_Class_Stats.txt というファイル名で出力されるよう準備されて
います。この実習では出力する必要はありませんが、作成してみても構いません。
Finishをクリックすると出力ファイルが作成され、ディスプレイに表示されます。教師
データを変更すれば、分類結果も変化します。
24. 出力ファイルはレイヤマネージャにリストされます。ベクターファイルが最上位にある
場合、分類結果画像を見るためベクターを非表示にしてください。分類画像の下には色
分けされた全ての定義クラスがまとめられています。いくつかのクラスのチェックを外
して下層の画像を透かし見てください。もちろんポータルやTransparencyツールも有
効です。
25. この実習の目的はClassification Workflowに慣れることもありますが、他の特定の分類
アルゴリズムを使用してもいいということ理解することでもあります。この特定のケー
スではMaximum Likelihoodが最適のように見えますが、特定のシナリオにおいて各々
のアルゴリズムがより良いのであれば自由に選択してよいのです。
26. Classification Workflowの有用性を示したところで、次は分類のもう一つのアプローチ
を試します。アンミキシングアプローチを試してみましょう。この手法には、SMACC
Endmember Extractionツールを使用します。
27. Maximum_Likelihoodの分類結果はレイヤマネージャから削除して構いません。
38
Exercise #5: SMACC を使った Landsat 8 OLI データ処理
The Sequential Maximum Angle Convex Cone (SMACC) スペクトルツールは画像全体のスペ
クトルエンドメンバーとその存在量を検出します。このツールは事前にキャリブレーションさ
れたマルチスペクトルまたはハイパースペクトルデータで使用するよう設計されています。
ENVI の Spectral Hourglass Wizard を比較して、SMACC は高速でより自動化された方法で
スペクトルエンドメンバーを検出しますが、より近似的で精度は低くなります。エンドメンバ
ーはスペクトル画像内で pure surface material を表すために選ばれるスペクトルです。
SMACC は混合ピクセルとピュアピクセルを区別し土地被覆のモデル化にエンドメンバーのみ
を用いて特徴分解を改善できます。
1. ツールボックスでSMACCと入力し、SMACC Endmember Extractionをダブルクリッ
クして起動します。
2. etna_oli_ref_cal_dark.datを選択します。バンド数が7となっていることを確認してくだ
さい。
ここのポイントは、Cirrus バンドが含まれてないことを確認することで
す。このことは、Spectral Subset ボタンを押してみるとわかります。
39
3. OKをクリック。SMACC Endmember Extraction Parametersダイアログが表示されま
す。
4. Number of EndmembersとRMS Error Toleranceはそのままにします。
この値はアンミキシング RMS 許容誤差を指定します。設定すると、
SMACC 処理は RMS エラーが設定値に達したところで設定したエンド
メンバーの数に達しているかどうかに関わらず終了します。推奨値は、
浮動小数点の反射率データで 0.01、ラディアンスデータで 1.0 あたりで
す。デフォルト値の 0.0 では、エンドメンバーの設定数全てを得ます。トレランスの設
定にはデータの単位に注意してください。例えば、反射率の RMS エラーはほとんどの
ラディアンス単位より低いはずです。
5. Unmixing Constraint を Sum to Unity or Less に設定し、Coalesce Redundant
Endmembers にチェックを入れて数値は 0.1 のままにします。
Unmixing Constraint for Endmember Abundances について



Positivity Only (default): これはどの存在量についてもエンドメンバースペクト
ルを正の値に制限します。これはどのエンドメンバーについても負の存在量にな
らないことを意味します。これは変化する照明環境下の反射率スペクトルのアン
ミキシングに最適です。

Sum to Unity or Less: これは各ピクセルの計算された物質の割合の合計が 1 以
下となるようにするものです。この制約条件を使用すると、ピクセルは 100%を
40
超えることはありません。反射率データの物質と影の存在量の割合の厳密な物理
的解釈するにはこの条件を使用します。この条件を選択すると出力 abundance
キューブは number of endmembers + 1 のバンドを含みます。一つ目のバンド
は Shadow Abundance と定義されます。

Sum to Unity: これは各ピクセルの計算された物質の割合が 100％となるような
条件です。この条件すべてのピクセルを 100％にします。ゼロエンドメンバーが
物理的に妥当でないときや影のような非常に暗いエンドメンバーを検出したい場
合使用します。これはラディアンスや熱赤外放射などのスペクトルアンミキシン
グに推奨します。
6. 出力ファイル名は以下のようにします。
Endmember Location ROIs
etna_smacc_em.roi
Abundance Image
etna_smacc_abund.dat
Output Spectral Library
etna_smacc_lib.sli
7. 上図のようにパラメータ入力したらOKをクリックします。
SMACC 処理はデータのサイズによりますが数分ほどかかります。
8. デフォルトで、SMACC Shadow Abundance画像が処理結果データの1番目のバンドと
41
なり表示されます。右クリック → Change RGB Bandsで他のAbundance画像も見てみ
ましょう。カスタムストレッチを使用して画像内の明るいピクセルを見てみましょう。
9. いくつかの興味深いエンドメンバーを含む領域を見てみます。まず、以下の座標をGo
Toボックスにコピーしてジャンプしてください。
37°12'46.86"N,15°9'55.54"E
10. ENVIのViewsツールで、2x2 Viewsを使って下記の4枚の画像を表示してみます。




Landsat 8 Panchromatic band
Landsat 8 CIR image
SMACC Endmember 3 Abundance
SMACC Endmember 10 Abundance, with red crosshair
42
11. エンドメンバー10の特徴的な明るい点群のCrosshairの位置に着目します。Google
Mapsで座標(37°12'46.90"N,15°9'55.54"E)を入力すると右図の通りこれは白く塗装され
た原油備蓄タンク群のひとつであることがわかります。
12. また、Google Maps で座標 (37°12'53.93"N,15°10'41.92"E)を入力すると右図のあたり
のタンクの位置を示します。このあたりの青色や塗装がはがれて地金が出ていそうなタ
ンクはエンドメンバー10 の画像では明るい点として表示されていません。このことか
ら、周囲のタンクからのスペクトルと特徴が分かれていることが推定できます。
43
13. エンドメンバー3は植生上のエリアで明るくなっていて、植生に特徴が似たスペクトル
となっていると推定できます。また、これらのエンドメンバーのピュアピクセルはROI
として保存されており、教師付分類のトレーニングクラスとして適用することもできま
す。
ENVI5.1 で処理を完了すると、SMACC で出力した ROI を使用して
SMACC で識別したエンドメンバーをより簡便に探すことができます。こ
れらの ROI はエンドメンバーとして選択されたピュアピクセルを識別しま
す。
14. Data ManagerからOpen Fileでetna_smacc_em.roiを開きます。
15. Choose Associate Rasterダイアログでetna_oli_rad_cal_dark.datを選択してOKをクリ
ック。ROIがロードされます。
16. ロードされたROIの各エンドメンバーを右クリック → Go To Itemでエンドメンバーの
ピュアピクセルへジャンプします。
44
Exercise #6: Band 8 – Panchromatic Band
OLI バンド 8 は、パンクロマティックバンドと呼ばれます。このバンドは、1 バンドで他のマ
ルチスペクトルバンドよりも広い波長帯の光を取得しているため、S/N 比がマルチスペクトル
バンドよりも良くなり、30m に対してより高い 15m の解像度を得ることができます。
.
1. 前章で開いたレイヤを全て削除します。
2. データマネージャを開き、マルチスペクトルバンドの RGB トゥルーカラーを開き、次
に Panchromatic Band を右クリックして Load Grayscale を選択。
3. Transparency やポータル機能などを用いて、パンクロマティックとマルチスペクトル
画像を観察してみてください。パンクロマティックを上位レイヤに置き、マルチスペク
トル画像の色が透けてくるくらいに Transparency を調整してみてください。
4. ENVI ツールバーの GoTo に「37°2’ 17.94”N,15°14’ 10.34”E」と入力してください。
またズームファクターを 60%程度にしてください。画像のストレッチを ViewExtent
をクリックして Linear2%にしてください。下図のよう
な表示になります。
45
Exercise #6a: Pan Sharpening
5. 高分解能のパンクロマティックバンドと同一の地理情報をもつマルチスペクトラルバン
ドを用いて、パンクロマティックバンドに色づけることができます。ツールボックスに
pan と入力して、検索された Gram-Schmidt Pan Sharpening を起動してください。
6. Low Spatial Resolution Multi Band のファイル選択ダイアログで、MultiSpectral を選
択し、Spatial Subset ボタンをクリック、Use View Extent をクリックして OK をクリ
ックします。
46
7. High Spatial Resolution Pan Band の選択ダイアログで、Panchromatic を選択して
OK をクリックしてください。
8. Pan Sharpening Parameters ダイアログで、Sensor Type に landsat8_oli を選択、出
力ファイル名を etna_oli_pansharp.dat と入力して OK をクリックしてください。
47
9. 表示されたピクセルサイズ 15m の PanSharpen 画像と、ピクセルサイズ 30m のマルチ
スペクトル画像を比較してみください。
パンシャープン画像は表示の目的に非常に優れていますが、Gram-Shmidt
アルゴリズムがスペクトル情報を保持するとしても、スペクトル解析の実
施には注意が必要になることを考慮してください。
48
Exercise #7: Band 9 – Cirrus Band
OLI の Band9 は Cirrus Band と呼ばれています。この新しい Band9（1.36~1.39 ㎛）は、高
高度の水蒸気によるシグナル吸収と、氷の結晶からの散乱により巻雲を検出することができま
す。Band9 の画像は緯度と季節によって変化します。寒い気候では、湿度が低いため低層雲や
地表・海からの反射が背景を明るくさせ、巻雲を見つけることが難しくなります。温暖湿潤の
気候では、背景が非常に暗くなるので巻雲や雷雨のエリアが容易に検出できます。
Source: http://www.yale.edu/ceo/Documentation/Landsat%208%20image%20processing.pdf
Cirrus Band は混成の巻雲のより良い検出も考慮しています。以前の Landsat が搭載している
センサのバンドでは、これらの高高度の冷たく薄い雲を検出することは困難です。中心波長が
1.375 ㎛である Cirrus Band は、高高度の雲による反射スペクトルを検出し、地表に近い低高
度からの反射スペクトルは水蒸気による吸収で検出しづらくなります。
このバンドでは巻雲は明るく、地表は水蒸気の吸収により暗く表現されます。もし大気の湿度
が低い場合、地表が明るく見えることもあります。
Cirrus Band は他のマルチバンドと共に使用されず、検出困難な巻雲の除去を
ただ一つの目的として使用されます。
1. 前章で開いたレイヤを全て削除します。
2. データマネージャを開き、Cirrus Band を右クリックして Load Grayscale を選択。
3. 残念ながら、Cirrus Band にはプッシュブルームセンサのキャリブレーションの問題から
生じると思われる縞模様が目立ちます。USGS はこの問題を修正するためセンサーキャリ
ブレーションの改善をするでしょう。
49
For some guidelines on how Cirrus clouds can affect your Landsat 8 image
analysis and for some better examples see this resource:
http://surfaceheat.sites.yale.edu/sites/default/files/Cirrus%20Band_2.pdf
下図では、右のCirrus Bandでは多数の巻雲が見られますが、それに加えて、いくつかの大き
な積雲も見られます。高高度に積乱雲があるので、Cirrus Bandで見ることができます。
50
Exercise #8: Thermal Bands (TIR Sensor)
熱赤外バンド10とバンド11は、ENVIのRadiometric Calibrationツールを使用して輝度温度と
放射輝度を算出できます。
Exercise #8a: Radiometric Calibration Tool
1. 前章で開いたレイヤを全て削除します。
2. ツールボックスで Radio と入力し、Radiometric Calibration をダブルクリックしてツール
を起動します。
3.
入力ファイルダイアログで LC91990342013139LGN01_MTL_Thermal をハイライトし、
Spatial Subset ボタンをクリックします。
4. Spatial Subset の範囲指定に、パンシャープン画像の範囲を使用します。Subset by File を
クリックし、etna_oli_pansharp.dat を選択して OK をクリック。
5. Calibration Type を Brightness Temperature、Output Data Type を Float にします。
6. 出力ファイル名は etna_tirs_cal.dat とします。
7. 処理が完了すると、Thermal Infrared 1 バンドがグレースケールで表示されます。Cursor
Value ツール
を用いて絶対温度(K)に変換された値を見ることができます。
8. 右クリック → Change Color Table で表示カラーテーブルを Rainbow にしてみましょう。
9. Custom Stretch ボタン
でダイアログを開いてストレッチ範囲を全範囲に広げます。
10. 左下側の領域に他より値の大きいエリアがあることがわかると思います。
51
11. データマネージャで etna_oli_pansharp.dat を右クリックして Load True Color をクリッ
ク。温度画像で値が高いエリアは、True Color ではどのように見えているでしょうか？
12. 温度のプロファイルプロットを表示してみましょう。レイヤマネージャで
etna_tirs_cal.dat を右クリックし、Profiles → Horizontal Profile を選択し、ホットスポッ
トをクリック。Horizontal Profile はディスプレイ画面の水平方向断面のピクセル値をプロ
ットします。
52
Exercise #9: Quality Assessment (QA) Band
Quality Assessment (QA) BandはLandsat8データへの重要な追加要素です。QAバンドは、対
象・大気・センサ状況が与える影響をbitのフラグで各ピクセルの総合的な有効性を表現するも
のです。
Source: http://landsat.usgs.gov/L8QualityAssessmentBand.php
Exercise #9a: QA Band の意味
1. 前章で開いたレイヤを全て削除します。
2. データマネージャを開き、Quality Band を右クリックして Load Grayscale を選択。
3. Custom Stretch ダイアログを開き、ストレッチの範囲を全範囲とするように、BlackPoint と White-Point をそれぞれ左端と右端にスライドします。
53
4. カーソルバリューを表示して、ポインタを画像上で移動すると、複数の離散したピクセ
ル値があることがわかります。
各ピクセルは 16bit で複数の項目に対して 1~2bit が割り当てられており、それぞれの項目の属
性としてもっともそれらしい状態を表現します。各ビットのペアは、特定の属性が真、偽、確
証なし、測定なしなどの状態を表します。16bit の割り当ては以下の通り。
USGS のサイトに、さらに詳しい表が記載されています。
http://landsat.usgs.gov/L8QualityAssessmentBand.php
下表は現在表示している画像に見られる QA の値です。
Pixel Value
(Decimal)
Cloud
Cirrus
Snow/Ice
Veg
Water
Terrain
Occlusion
Dropped
Frame
Fill
61440
Yes
Yes
Not
Determined
Not Determined
Not
Determined
No
No
No
53248
Yes
No
Not
Determined
Not Determined
Not
Determined
No
No
No
36896
Maybe
No
Not
Determined
Not
Determined
Maybe
No
No
No
20480
No
No
Not
Determined
Not
Determined
Not
Determined
No
No
No
1
Yes
54
Exercise #9b: QA バンドを用いた簡易雲マスク作成
この実習では、QA バンドのみを用いて簡易的な雲マスクを構築します。雲エリアのマスキン
グは実際には Landsat 画像の多くのファクターを考慮したより複雑な処理となります。より詳
細な情報については以下の URL が参考になります。
http://landsat.usgs.gov/documents/Oreopoulos_cloud.pdf
1. 上表で、値が１となっているピクセルがあるのがわかります。これは、有効画像範囲外
のブラックフィル領域のピクセルであり、解析上は無視するピクセルです。また、値が
53248 以上のピクセルは雲に覆われている可能性が高くなります。このようなピクセル
を除外するようなマスクバンドを作成します。
2. ENVI ToolBox で ”band”とタイプし、Band Math ツールを起動します。
3. Band Math に以下の計算式を入力します。
(B1 GT 1) AND (B1 LT 53248)
この式を満たすピクセルは真となり 1 が返り、1 以下と 53248 以上の値を持つピクセルは
偽となり 0 が返ります。これにより、0（無効）と 1（有効）に分けられたマスクデータを
作成できます。
4. Variables to Bands Pairing ダイアログで、B1 の代入に Quality Band を選択。出力フ
ァイル名を入力して OK をクリック。
55
5. 処理された画像を Linear ストレッチで表示。True Color 表示と比較してみてください。
マスク画像の多くの黒いエリアが True Color の雲が見える領域に相当します。いくつ
かの暗いエリアは目に見える雲を含んでいませんが、おそらく巻雲を含んでいるかもし
れません。
6. 白い領域は解析に使用して、黒い領域は無視されるようなマスクデータを作成しました。
たとえば、このマスクを分類処理の第一段階で適用した場合、雲を含んだピクセルを除
外して分類結果の精度を向上させるのに役立つでしょう。
56
Exercise #10: The Coastal Aerosol Band
短い波長の Band1（0.433 – 0.453 ㎛）は、エアロゾルの検出と浅海を透過するように設計さ
れました。有益な AC index は次のように定義されます。
(B1-B2) / (B1+B2)
海上では、AC indexは太陽角度と表面粗さに非常に感度が高いようです。
Source: http://www.yale.edu/ceo/Documentation/Landsat%208%20image%20processing.pdf
Exercise #10a: The Aerosol/Coastal (AC) Index
1. 開いているレイヤを全て削除します。
2. AC Index の計算アルゴリズム自体は NDVI 計算とまったく同じです。このことを利用
して、簡便に AC Index の計算を実行します。
3. ツールボックスで NDVI と入力し検索、NDVI ツールを起動します。
4. etna_oli_ref_cal_dark.dat を選択して OK をクリック。
5. NDVI Calculation Parameters ダイアログで、NDVI バンドを１と２に変更します。
6. 出力ファイル名を etna_oli_acindex.dat とし実行します。
7. 処理が完了すると、AC-Index 画像がグレースケールでディスプレイに表示されます。
8. 例として、下図は ENVI の SPEAR Relative Water Depth ツールを用いて作成した水
深画像との比較ですが、AC-Index 画像はこれとよく似ています。
57
58
Appendix A: USGS Radiometric Calibration
Information
(Replicated from https://landsat.usgs.gov/Landsat8_Using_Product.php )
ENVI uses the following procedure to perform Radiometric Calibration of Landsat 8 data.
標準の Landsat8 製品は USGS EROS センターより Operational Land Imager (OLI) と Thermal
Infrared Sensor (TIRS)で撮影し Digital Numbers (DN)で表現されたマルチスペクトル画像データを提
供されます。
製品は 16bit Unsigned Integer(符号なし整数型)で提供され、同梱で提供されているメタデータ(MTL フ
ァイル)に記載されている変換係数を用いて Top Of Atmosphere(TOA)の反射率やラディアンスに変換す
ることができます。MTL ファイルは TIR データを衛星高度の輝度温度に変換するための温度定数も含ん
でいます。より詳しい情報は LDCM Cal/Val Algorithm Description Document や Landsat website の
Landsat8 Science Users’ Handbook (coming soon)などにあります。
TOA ラディアンスへの変換
OLI と TIRS バンドはメタデータファイルにあるラディアンス変換要素を使って TOA スペクトルラディ
アンスに変換できます。
L λ = M L Q cal + A L
Lλ
ML
AL
Q cal
= TOA スペクトルラディアンス(Watts/( m2 * srad * μm))
=バンド固有のゲイン値(RADIANCE_MULT_BAND_x, x はバンドナンバー)
= バンド固有のオフセット値(RADIANCE_ADD_BAND_x, x はバンドナンバー)
= オリジナルデータのピクセル DN 値(DN)
TOA 反射率への変換
OLI バンドデータはメタデータファイルにある反射率変換係数を使って TOA 反射率に変換することがで
きます。次の式で OLI データを DN 値から TOA 反射率へ変換します。
ρλ ' = M ρ Q cal + A ρ
ρλ '
Mρ
Aρ
Q cal
=TOA 反射率（太陽角度の補正を含まない）
= バンド固有のゲイン値(REFLECTANCE_MULT_BAND_x, x はバンドナンバー)
= バンド固有のオフセット値(REFLECTANCE_ADD_BAND_x, x はバンドナンバー)
= オリジナルデータのピクセル DN 値(DN)
太陽角度補正込みの TOA 反射率：
𝝆𝝀 =
ρλ
θ SE
θ SZ
𝝆𝝀′
𝒄𝒐𝒔(𝜽𝑺𝑬 )
=
𝝆𝝀′
𝒔𝒊𝒏(𝜽𝑺𝒁 )
= TOA 反射率
= 局地的太陽仰角。メタデータにある画像中心の太陽仰角(SUN_ELEVATION).
= 局地的太陽天頂角; θ SZ = 90° - θ SE
59
より精密な反射率計算には、画像中心の太陽角のかわりにピクセル毎の太陽角を使用すればよいが、
Landsat8 製品では現在ピクセル毎の値は提供されていない。
衛星高度の輝度温度への変換
TIRS バンドデータはメタデータファイルに提供されている温度定数を用いてスペクトルラディアンスか
ら輝度温度への変換ができます。
𝑻=
T
Lλ
K1
K2
𝑲𝟐
𝑲𝟏
𝒍𝒏 ( + 𝟏)
𝑳𝝀
= 衛星高度の輝度温度 (K)
= TOA スペクトルラディアンス (Watts/( m2 * srad * μm))
= バンド固有の温度変換定数(K1_CONSTANT_BAND_x, x はバンドナンバー, 10 or 11)
= バンド固有の温度変換定数(K2_CONSTANT_BAND_x, x はバンドナンバー, 10 or 11)
60
61

Download Report