8: Віддалено чутливі дані зображення
- Page ID
- 36880
Віддалено зондування даних зображення
Девід ДіБіаз
8.1. Огляд
Глава 7 завершилася твердженням, що растровий підхід добре підходить не тільки для поверхні місцевості, але і для інших суцільних явищ. У цьому розділі розглядаються характеристики та використання растрових даних, отриманих за допомогою супутникових систем дистанційного зондування. Дистанційне зондування є ключовим джерелом даних для землекористування та картографування земельного покриву, управління сільськогосподарськими та екологічними ресурсами, розвідки корисних копалин, прогнозування погоди та досліджень глобальних змін.
Цілі
Загальна мета уроку - ознайомити вас з властивостями даних, отриманих датчиками на основі супутників. Зокрема, на уроці ви навчитеся:
- Порівняння та порівняння характеристик даних зображення, отриманих фотографією та цифровими системами дистанційного зондування;
- Використовувати Інтернет для пошуку даних Landsat для певного місця та часу;
- Пояснити, чому і як обробляються віддалені дані зображень; і
- Виконайте модельовану неконтрольовану класифікацію даних растрових зображень.
Коментарі та запитання
Зареєстровані студенти можуть залишати коментарі, запитання та відповіді на запитання щодо тексту. Особливо вітаються анекдоти, які пов'язують текст глави з вашим особистим або професійним досвідом. Крім того, в системі управління курсами ANGEL доступні дискусійні форуми для коментарів і питань на теми, якими ви, можливо, не захочете ділитися з усім світом.
Щоб залишити коментар, прокрутіть вниз до текстового поля під «Опублікувати новий коментар» і почніть вводити текст у текстовому полі, або ви можете відповісти на існуючу гілку. Коли ви закінчите вводити текст, натисніть кнопку «Попередній перегляд» або «Зберегти» (Зберегти фактично надішле ваш коментар). Після того, як ваш коментар буде опублікований, ви зможете редагувати або видаляти його за потребою. Крім того, ви зможете відповісти на інші публікації в будь-який час.
Примітка: перші кілька слів кожного коментаря стають його «заголовком» у гілці.
8.2. Контрольний список
Наступний контрольний список призначений для студентів штату Пенн, які зареєстровані для класів, в яких цей текст, і пов'язані вікторини та проекти в системі управління курсами ANGEL були призначені. Можливо, вам буде корисно спочатку роздрукувати цю сторінку, щоб ви могли слідувати інструкціям.
| Крок | Діяльність | Доступ/Напрямки |
|---|---|---|
| 1 | Читати главу 8 | Це друга сторінка глави. Натисніть на посилання внизу сторінки, щоб продовжити або повернутися до попередньої сторінки, або перейти до верхньої частини глави. Ви також можете переміщатися по тексту за посиланнями в меню GEOG 482 зліва. |
| 2 | Надішліть чотири практичні вікторини, включаючи:
Практичні вікторини не оцінюються і можуть бути подані більше одного разу. | Перейдіть до ANGEL> [розділ курсу] > вкладка Уроки > Розділ 8 папка > [вікторина] |
| 3 | Виконайте дії «Спробуйте це», включаючи:
Діяльність «Спробуйте це» не оцінюється. | Інструкції надаються для кожного виду діяльності. |
| 4 | Надішліть главу 8 градуйовану вікторину | ANGEL > [розділ вашого курсу] > вкладка Уроки > Розділ 8 папка > Глава 8 градуйована вікторина. Див. вкладку Календар в ANGEL дати. |
| 5 | Читайте коментарі та запитання, розміщені однокурсниками. Додавайте свої коментарі та питання, якщо такі є. | Коментарі та питання можуть бути розміщені на будь-якій сторінці тексту або на дискусійному форумі, присвяченому главі в ANGEL. |
8.3. Природа віддаленого зондування даних зображення
Дані, як відомо, складаються з вимірів. Тут розглянуто природу явища, яке вимірюють багато, хоча і не всі, системи дистанційного зондування: електромагнітну енергію. Багато з об'єктів, що входять до складу земної поверхні, відображають і випромінюють електромагнітну енергію унікальними способами. Привабливість багатоспектрального дистанційного зондування полягає в тому, що об'єкти, які не відрізняються на одній довжині хвилі енергії, можуть бути легко розрізнені на інших довжині хвиль. Ви побачите, що цифрове дистанційне зондування трохи схоже на сканування паперового документа настільним сканером, тільки набагато складніше.
8.4. Електромагнітний спектр
Більшість приладів дистанційного зондування вимірюють одне і те ж: електромагнітне випромінювання. Електромагнітне випромінювання - це форма енергії, що випромінюється всією речовиною вище абсолютної нульової температури (0 Кельвінів або -273° Цельсія). Рентгенівські промені, ультрафіолетові промені, видиме світло, інфрачервоне світло, тепло, мікрохвильові хвилі та радіо- та телевізійні хвилі - все це приклади електромагнітної енергії.
Частина електромагнітного спектра, починаючи від довжин хвиль 0,1 мікрометра (мікрометр - одна мільйонна частина метра) до одного метра, в межах якого працює більшість систем дистанційного зондування. (Адаптовано з Ліллесанд і Кіфер, 1994).
На графіку вище показані відносні кількості електромагнітної енергії, що випромінюється Сонцем і Землею в діапазоні довжин хвиль, званих електромагнітним спектром. Значення по горизонтальній осі графіка варіюються від дуже коротких довжин хвиль (десять мільйонних часток метра) до довгих довжин хвиль (метрів). Зверніть увагу, що горизонтальна вісь масштабується логарифмічно, так що кожен приріст представляє десятикратне збільшення довжини хвилі. Вісь тричі переривалася в кінці довгої хвилі шкали, щоб зробити діаграму досить компактною, щоб поміститися на екрані. Вертикальна вісь графіка представляє величину випромінювання, що випромінюється на кожній довжині хвилі.
Більш гарячі об'єкти випромінюють більше електромагнітної енергії, ніж більш прохолодні об'єкти. Більш гарячі об'єкти також випромінюють енергію на коротших довжині хвиль, ніж більш прохолодні об'єкти. Таким чином, як показує графік, Сонце випромінює більше енергії, ніж Земля, а випромінювання Сонця піки на більш коротких довжині хвиль. Частина електромагнітного спектра на піку випромінювання Сонця називається видимою смугою, оскільки система візуального сприйняття людини чутлива до цих довжин хвиль. Людський зір є потужним засобом зондування електромагнітної енергії в зоровій смузі. Технології дистанційного зондування розширюють нашу здатність відчувати електромагнітну енергію за межі видимої смуги, дозволяючи нам бачити поверхню Землі по-новому, що, в свою чергу, виявляє закономірності, які зазвичай невидимі.
Електромагнітний спектр розділений на п'ять діапазонів довжин хвиль. (Адаптовано з Ліллесанд і Кіфер, 1994).
Наведений вище графік називає кілька областей електромагнітного спектра. Системи дистанційного зондування були розроблені для вимірювання відбитої або випромінюваної енергії на різних довжині хвиль для різних цілей. У цьому розділі висвітлюються системи, призначені для запису випромінювання в діапазонах, які зазвичай використовуються для землекористування та картографування земного покриву: видимі, інфрачервоні та мікрохвильові діапазони.
Пропускність атмосфери в діапазоні довжин хвиль. Чорні області вказують на довжини хвиль, на яких атмосфера частково або повністю непрозора. (Адаптовано з Ліллесанд і Кіфер, 1994).
На певних довжині хвиль атмосфера створює перешкоду для супутникового дистанційного зондування шляхом поглинання електромагнітної енергії. Тому системи зондування призначені для вимірювання довжин хвиль у вікнами, де пропускна здатність атмосфери є найбільшою.
8.5. Шаблони спектральної відповіді
Сухопутна поверхня Землі відображає близько трьох відсотків всієї вхідної сонячної радіації назад в космос. Решта або відбивається атмосферою, або поглинається і повторно випромінюється як інфрачервона енергія. Різні об'єкти, що складають поверхню, поглинають і відображають різну кількість енергії на різних довжині хвиль. Величина енергії, яку об'єкт відображає або випромінює в діапазоні довжин хвиль, називається його спектральною схемою відгуку.
Наведений нижче графік ілюструє спектральні характеристики води, коричнево-сірого ґрунту та трави між приблизно 0,3 та 6,0 мкм. Графік показує, що трава, наприклад, відображає відносно мало енергії у видимій смузі (хоча шип посередині видимої смуги пояснює, чому трава виглядає зеленою). Як і більшість рослинності, хлорофіл в траві поглинає видиму енергію (особливо в синіх і червоних довжині хвиль) для використання під час фотосинтезу. Близько половини надходить ближнього інфрачервоного випромінювання відбивається, однак, що характерно для здорової, зволоженої рослинності. Коричнево-сірий грунт відображає більше енергії на більшій довжині хвиль, ніж трава. Вода поглинає більшість вхідного випромінювання по всьому діапазону довжин хвиль. Знаючи їх типові характеристики спектрального відгуку, можна ідентифікувати ліси, культури, ґрунти та геологічні утворення на знімках дистанційного зондування та оцінити їх стан.
Схеми спектральних реакцій буро-сірого ґрунту (молізолу), трави та води. Щоб вивчити характеристики спектрального відгуку тисяч природних і техногенних матеріалів, відвідайте Спектральну бібліотеку АСТЕР за адресою http://speclib.jpl.nasa.gov/. (Каліфорнійський технологічний інститут, 2002).
Наступний графік демонструє одну з переваг можливості бачити поза видимим спектром. Дві лінії представляють спектральну реакцію хвойних і листяних дерев. Зверніть увагу, що відбивні коефіцієнти в зоровій смузі майже однакові. Однак при довших, близьких та середніх інфрачервоних довжині хвиль ці два типи набагато легше диференціювати. Як ви побачите пізніше, землекористування та картографування земного покриву раніше здійснювалися шляхом візуального огляду фотографічних зображень. Багатоспектральні дані та цифрова обробка зображень дозволяють частково автоматизувати картографування земного покриву, що, в свою чергу, робить економічно ефективним автоматичне визначення деяких категорій землекористування та земельного покриву, що дозволяє частіше відображати більші площі земель.
Спектральна характеристика хвойних дерев і листяних дерев (Каліфорнійський технологічний інститут, 1999).
Спектральні зразки відгуку іноді називають спектральними сигнатурами. Однак цей термін вводить в оману, оскільки відбиваюча здатність суб'єкта залежить від його стану, пори року і навіть часу доби. Замість тонких ліній спектральні характеристики води, ґрунту, трави та дерев можуть бути краще зображені у вигляді широких валів, щоб врахувати ці варіації.
8.6. Растрове сканування
Системи дистанційного зондування працюють приблизно так само, як цифровий планшетний сканер, який ви, можливо, прикріпили до вашого персонального комп'ютера. Настільний сканер створює цифрове зображення документа шляхом запису, піксель за пікселем, інтенсивності світла, відбитого від документа. Компонент, який вимірює коефіцієнт відбиття, називається скануючою головкою, яка складається з ряду крихітних датчиків, які перетворюють світло в електричні заряди. Кольорові сканери можуть мати три джерела світла та три набори датчиків, по одному для синього, зеленого та червоного довжин хвиль видимого світла. Коли ви натискаєте кнопку для сканування документа, скануюча головка швидко рухається по зображенню, по одному маленькому кроку за раз, записуючи нові рядки електричних сигналів. Дані віддаленого зондування, як і зображення, створені вашим настільним сканером, складаються зі значень відбиття, розташованих у рядках і стовпцях, що складають растрові сітки.
Настільний сканер, близько 2000 року.
Після того, як скануюча головка перетворює відбивачі в електричні сигнали, інший компонент, званий аналого-цифровий перетворювач, перетворює електричні заряди в цифрові значення. Хоча коефіцієнти відбиття можуть варіюватися від 0 відсотків до 100 відсотків, цифрові значення зазвичай варіюються від 0 до 255. Це пов'язано з тим, що цифрові значення зберігаються як одиниці пам'яті, які називаються бітами. Один біт представляє одне двійкове ціле число, 1 або 0. Чим більше бітів даних зберігається для кожного пікселя, тим точніше відбивні коефіцієнти можна представити в відсканованому зображенні. Кількість бітів, що зберігаються для кожного пікселя, називається бітовою глибиною зображення. 8-бітове зображення здатне представляти 28 (256) унікальних значень відбивної здатності. Кольоровий настільний сканер може створювати 24-бітові зображення, в яких 8 біт даних зберігаються для кожної з синіх, зелених та червоних довжин хвиль видимого світла.
Художня передача супутника дистанційного зондування Землі Landsat 7. Супутник насправді не кидає чотиристоронній промінь світла на поверхню Землі, звичайно. Натомість він просто записує електромагнітну енергію, відбиту або випромінювану Землею. (НАСА, 2001).
Як ви могли собі уявити, сканування поверхні Землі значно складніше, ніж сканування паперового документа настільним сканером. На відміну від документа, поверхня Землі занадто велика, щоб її можна було сканувати відразу, і тому її потрібно сканувати по шматках, а пізніше мозаїкувати разом. Документи плоскі, але форма Землі вигнута і складна. Документи лежать ще, поки їх сканують, але Земля безперервно обертається навколо своєї осі зі швидкістю понад 1600 кілометрів на годину. У настільному сканері скануюча головка і документ розділені лише пластиною зі скла; супутникові системи зондування можуть бути віддалені від своїх цілей на сотні або тисячі кілометрів, розділені атмосферою, яка ніде не є такою прозорою, як скло. І поки документ в настільному сканері висвітлюється рівномірно і послідовно, кількість сонячної енергії, що відбивається або випромінюється з поверхні Землі, змінюється залежно від широти, пори року і навіть часу доби. Всі ці складності поєднуються, щоб отримати дані з геометричними та радіометричними спотвореннями, які необхідно виправити, перш ніж дані стануть корисними для аналізу. Пізніше в цьому розділі ви дізнаєтеся про деякі методи обробки зображень, які використовуються для корекції віддаленого зондування даних зображення.
8.7. Дозвіл
Поки що ви читали, що системи дистанційного зондування вимірюють електромагнітне випромінювання, і що вони записують вимірювання у вигляді даних растрових зображень. Роздільна здатність віддаленого зондування даних зображення змінюється декількома способами. Як ви пам'ятаєте, роздільна здатність - це найменш помітна різниця у вимірі. У цьому контексті трьома найважливішими видами є просторова роздільна здатність, радіометрична роздільна здатність та спектральна роздільна здатність.
Просторова роздільна здатність відноситься до грубості або тонкості растрової сітки. Клітини сітки в даних високої роздільної здатності, такі як ті, що виробляються цифровим аерофотознімком або супутником Ikonos, відповідають наземним ділянкам як малі або менше одного квадратного метра. Дані віддаленого зондування, осередки сітки яких варіюються від 15 до 80 метрів збоку, такі як датчики Landsat ETM+ та MSS, вважаються середньою роздільною здатністю. Клітини в даних низької роздільної здатності, такі як ті, що виробляються датчиком AVHRR NOAA, вимірюються в кілометрах. (Ви дізнаєтеся більше про всі ці датчики пізніше в цьому розділі.)
Просторова роздільна здатність - це міра грубості або тонкості растрової сітки.
Чим вище просторова роздільна здатність цифрового зображення, тим більше деталей воно містить. Деталі цінні для деяких застосувань, але це також дорого. Розглянемо, наприклад, що 8-бітове зображення всієї Землі, просторова роздільна здатність якого становить один метр, може заповнити 78 400 дисків CD-ROM, стек висотою понад 250 футів (якщо припустити, що дані не були стиснуті). Хоча методи стиснення даних значно знижують вимоги до зберігання, витрати на зберігання та обробку, пов'язані з супутниковими даними високої роздільної здатності, часто роблять дані середньої та низької роздільної здатності кращими для аналізу великих територій.
Другим аспектом роздільної здатності є радіометрична роздільна здатність, міра здатності датчика розрізняти невеликі відмінності в величині випромінювання в межах землі, що відповідає одній растровій комірці. Чим більше розрядність (кількість бітів даних на піксель) зображень, які записує датчик, тим вище його радіометрична роздільна здатність. Наприклад, датчик AVHRR зберігає 210 біт на піксель, на відміну від 28 біт, які записують датчики Landsat. Таким чином, хоча його просторова роздільна здатність дуже груба (~ 4 км), розширений радіометр дуже високої роздільної здатності бере свою назву від високої радіометричної роздільної здатності.
Радіометрична роздільна здатність. Площа під кривою представляє величину електромагнітної енергії, що випромінюється Сонцем на різних довжині хвиль. Датчики з низьким радіометричним дозволом здатні виявляти лише відносно великі відмінності в величині енергії (як це представлено більш світлим і товстим фіолетовим діапазоном). Датчики з високим радіометричним дозволом здатні виявляти відносно невеликі відмінності (представлені більш темною і тонкою смугою).
Нарешті, існує спектральна роздільна здатність, здатність датчика виявляти невеликі відмінності в довжині хвилі. Наприклад, панхроматична плівка чутлива до широкого діапазону довжин хвиль. Об'єкт, який відображає багато енергії в зеленій частині видимої смуги, не можна відрізнити на панхроматичній фотографії від об'єкта, який відображав таку ж кількість енергії в червоній смузі, наприклад. Система зондування з більш високою спектральною роздільною здатністю полегшила б розрізнення двох об'єктів.
Спектральна роздільна здатність. Площа під кривою представляє величину електромагнітної енергії, що випромінюється Сонцем на різних довжині хвиль. Датчики з низькою роздільною здатністю записують енергію у відносно широких діапазонах довжин хвиль (представлені більш легкою і товстою фіолетовою смугою) Датчики з високою роздільною здатністю записують енергію у вузьких діапазонах (представлені темнішою та тоншою смугою)
8.8. Відвідування сайту USGS Earthshots
СПРОБУЙ ЦЕ!
Наступна вправа передбачає відвідування сайту Earthshots, веб-сайту World Wide Web, створеного USGS для оприлюднення багатьох внесків дистанційного зондування в галузі екологічної науки. Там ви переглянете та порівняєте приклади зображень, отриманих на основі даних Landsat.
Нещодавно USGS переглянув веб-сайт Earthshots і зробив його більш дружнім до непрофесіоналів. На жаль, новий сайт набагато менш цінний для нашої освітньої місії. На щастя, старі веб-сторінки все ще доступні. Отже, коротко перейшовши на нову домашню сторінку Earthshots, на кроці 1, я направим вас на старі сторінки, які є більш інформативними для нас.
1. Для початку наведіть свій браузер на новий сайт Earthshots. Продовжуйте вивчати цей сайт. Зверніть увагу на інформацію, знайдену, дотримуючись кнопки Про Earthshots.
2. Далі перейдіть на сайт USGS Earthshots. 
3. Переглянути зображення, отримані з даних Landsat Перейдіть за посиланням на приклад Гарден-Сіті, штат Канзас. Вам буде представлено зображення, створене на основі даних Landsat Гарден-Сіті, штат Канзас у 1972 році. Натиснувши посилання на дату під нижнім лівим кутом зображення, ви можете порівняти зображення, отримані з даних Landsat, зібраних у 1972 та 1988 роках. 
4. Збільшити частину зображення Чотири жовті кутові галочки окреслюють частину зображення, пов'язану з збільшеним виглядом. Клацніть всередині галочок, щоб переглянути збільшене зображення. 
5. Переглянути фотографію, зроблену на землі Натисніть на одну з маленьких піктограм камери, розташованих одна над іншою в західній частині зображення. З'явиться фотографія, зроблена на землі. 
6. Ознайомтеся зі статтями, пов'язаними з прикладом Знайдіть відповіді на наступні запитання у відповідних статтях під назвою «Що означають кольори», «Як зображення представляють дані Landsat», смуги MSS та TM, а також Поза переглядом зображень.
- Яка спектральна чутливість сенсора Landsat MSS використовується для зйомки даних зображення?
- Які смуги довжин хвиль представлені на зображенні?
- Що означає червоний колір?
- Як використовувалося «контрастне розтягування» для покращення зображень?
- Яка просторова роздільна здатність даних MSS, з яких були отримані зображення?
ПРАКТИКА ВІКТОРИНИ
Зареєстровані студенти штату Пенн повинні повернутися зараз до папки Chapter 8 в ANGEL (через меню Ресурси ліворуч), щоб пройти тест самооцінки про природу даних зображення.
Ви можете приймати практичні вікторини стільки разів, скільки хочете. Вони не забиваються і ніяк не впливають на вашу оцінку.
8.9. Видимі та інфрачервоні дані зображення
Далі ми досліджуємо приклади віддалених даних зображення, отриманих шляхом вимірювання електромагнітної енергії у видимому, ближньому інфрачервоному та тепловому інфрачервоних діапазонах. Аерофотозйомка переглядається як аналог цифрових даних зображення. Порівняно характеристики панхроматичних даних, отриманих супутниковими камерами та датчиками, такими як KVR 1000, IKONOS та DMSP, а також мультиспектральні дані, отримані AVHRR, Landsat та SPOT. Ми закінчуємо можливістю робити покупки даних супутникових знімків в Інтернеті.
8.10. Аерофотозйомка
Не рахуючи людського зору, аерофотозйомка є найдавнішою технологією дистанційного зондування. Паризький фотограф нібито зробив першу повітряну фотографію з повітряної кулі в 1858 році. Якщо ви (або були) фотографом, який використовує плівкові камери, ви, мабуть, знаєте, що фотоплівки складаються з шарів. Один або кілька шарів складаються з емульсій світлочутливих кристалів галогеніду срібла. Чорно-біла плівка, яка використовується найчастіше для аерофотозйомки, складається з одного шару кристалів срібла, чутливих до всієї видимої смузі електромагнітного спектра. Дані, отримані з фотоплівки та цифрових датчиків, чутливих до всієї видимої смуги, називаються панхроматичними.
Під впливом світла кристали галогеніду срібла зменшуються до чорного металевого срібла. Чим більше світла поглинає кристал, тим темніше він стає при розробці плівки. Чорно-біла панхроматична фотографія, таким чином, представляє інтенсивність видимої електромагнітної енергії, зафіксованої по всій поверхні плівки в момент експозиції. Ви можете розглядати кристал галогеніду срібла як фізичний аналог для пікселя в цифровому зображенні.
Вертикальна аерофотозйомка, зроблена з панхроматичної плівки.
Досвідчені фотографи знають, як використовувати високошвидкісну плівку для зйомки зображення в умовах низької освітленості. Вони також знають, що швидші фільми, як правило, дають більш зернисті зображення. Це пов'язано з тим, що швидкі плівки містять більші зерна галогеніду срібла, які більш чутливі до світла, ніж дрібні зерна. Фільми, що використовуються для аерофотозйомки, повинні бути досить швидкими, щоб знімати різкі зображення з літаків, що рухаються зі швидкістю сотні футів в секунду, але не настільки швидкими, щоб зробити зображення настільки зернистими, що вони маскують важливі деталі. Таким чином, розмір зерна фотоплівки є фізичним аналогом просторового дозволу цифрового зображення. Коуен і Дженсен (1998) оцінили просторову роздільну здатність аерофотознімка з високою роздільною здатністю приблизно 0,3-0,5 метра (30-50 см). З тих пір роздільна здатність, яку можна досягти за допомогою цифрової аерофотозйомки, збільшилася до 0,05 метра (5 см). Для застосувань, в яких необхідні максимальні просторові та тимчасові дозволи, антена (на відміну від супутникової) зйомки все ще має свої переваги.
Раніше в курсі ви дізналися (або, можливо, ви вже знали), що Національна програма сільськогосподарських зображень США (NAIP) літає значна частина нижчих 48 штатів щороку. Організації, які потребують більш своєчасних знімків, як правило, наймають приватні аерофотозйомки фірми літати користувальницьких місій Більшість організацій вважають за краще мати дані зображення в цифровій формі, якщо це можливо, оскільки цифрова обробка зображень (включаючи геометричну та радіометричну корекцію) є більш ефективною, ніж порівнянні методи темної кімнати, і тому, що більшість користувачів хочуть поєднувати зображення з іншими шарами даних у базах даних ГІС. Дані цифрових зображень стають економічно вигідною альтернативою для багатьох застосувань, оскільки збільшується просторова та радіометрична роздільна здатність цифрових датчиків.
8.11. Висока роздільна здатність Панхроматичні дані зображення
Подібно до того, як цифрові камери замінили плівкові камери для багатьох з нас на землі, цифрові датчики замінюють камери для аерофотозйомки. У цьому розділі описані два джерела цифрових панхроматичних зображень з достатньою геометричною роздільною здатністю для деяких, хоча, звичайно, не всіх, масштабних завдань відображення. Також розглядається система панхроматичного зондування з достатньою радіометричною роздільною здатністю для виявлення з космосу світла, випромінюваного населеними пунктами вночі.
КВР-1000/СПІН-2
Дані панхроматичного зображення високої роздільної здатності вперше стали доступні мирним жителям в 1994 році, коли російське космічне агентство «СОВІНФОРМСПУТНИК» почало продавати фотографії відеоспостереження для збору готівки після розпаду Радянського Союзу. Фотографії зроблені за допомогою надзвичайної системи камер під назвою KVR 1000. Камери КВР 1000 змонтовані в безпілотні космічні капсули дуже схожі на ту, в якій російський космонавт Юрій Гагарін вперше здійснив подорож в космос в 1961 році. Після обертання навколо Землі на висоті 220 кілометрів протягом приблизно 40 днів капсули відокремлюються від ракет «Космос», які вивели їх у космос, і повільно обертаються назад на Землю. Після того, як капсули парашутуються на поверхню, наземний персонал витягує камери і транспортує їх в Москву, де розробляється плівка. Потім фотографії відправляються до США, де вони скануються та обробляються корпорацією Kodak. Кінцевим продуктом є двометрова роздільна здатність, географічні та орторектифіковані цифрові дані, які називаються SPIN-2 (Космічна інформація 2-метр). Фірма під назвою Aerial Images Inc. отримала ліцензію в 1998 році на розповсюдження даних SPIN-2 в США (SPIN-2, 1999).
Частина SPIN-2 зображення Далласа, штат Техас.
© 2006 Повітряні знімки, Inc. всі права захищені. Використовується дозволом.
ІКОНОС
Також у 1994 році, коли російське космічне агентство вперше почало продавати свої знімки космічного спостереження, нова компанія під назвою Space Imaging, Inc. була зафрахтована в США, визнаючи, що зображення з високою роздільною здатністю потім були доступні комерційно з конкуруючих іноземних джерел, уряд США уповноважений приватні фірми під його юрисдикцією виробляти та продавати віддалені дані з просторовою роздільною здатністю до одного метра. До 1999 року, після невдалої першої спроби, Space Imaging успішно запустив свій супутник Ikonos I на орбітальний шлях, який кружляє Землю 640 км над поверхнею, від полюса до полюса, перетинаючи екватор в один і той же час доби щодня. Така орбіта називається сонячної синхронної полярної орбітою, на відміну від геосинхронних орбіт зв'язку і деякими метеорологічними супутниками, які залишаються над однією і тією ж точкою на поверхні Землі в усі часи.
Частина панхроматичного зображення з роздільною здатністю 1 метр Вашингтона, округ Колумбія, виробленого датчиком
Ikonos I. © 2001 Space Imaging, inc. Всі права захищені. Використовується за дозволом.
Панхроматичний датчик Ikonos записує відбивні коефіцієнти у видимій смузі при просторовій роздільній здатності одного метра і бітової глибині одинадцять біт на піксель. Розширена бітова глибина дозволяє датчику більш точно записувати відбивні коефіцієнти та дозволяє технікам фільтрувати атмосферну серпанок ефективніше, ніж це можливо за допомогою 8-бітових зображень. Архівні, невиправлені, панхроматичні зображення Ikonos в США доступні всього за $7 за квадратний кілометр, але нові орторектифіковані зображення коштують 28 доларів за квадратний кілометр і вище.
Конкуруюча фірма під назвою ORBIMAGE придбала Space Imaging на початку 2006 року, після того як ORBIMAGE забезпечила контракт на півмільярда доларів з Національним агентством геопросторової розвідки. Об'єднані компанії отримали назву GeoEye, Inc. на початку 2013 року GeoEye був об'єднаний в корпорацію DigitalGlobe. Супутник під назвою GeoEye-1 був запущений в 2008 році і забезпечує субметр (0.41 метр) панхроматичної роздільної здатності (GeoEye, 2007). У 2013 році новий супутник під назвою GeoEye-2 повинен стати в експлуатацію. Він матиме панхроматичну роздільну здатність 0, 34 метра.
ДМП
ВПС США ініціювали свою супутникову програму оборонної метеорології (DMSP) в середині 1960-х років. До 2001 року вони запустили п'ятнадцять супутників DMSP. Супутники слідують за полярними орбітами на висотах близько 830 км, кружляють Землю кожні 101 хвилину.
Первісна мета програми полягала в тому, щоб надати зображення, які допомогли б висотній навігації пілотами ВПС. Супутники DMSP несуть кілька датчиків, один з яких чутливий до діапазону довжин хвиль, що охоплює видиму та ближню інфрачервону довжину хвиль (0,40-1,10 мкм). Просторова роздільна здатність цього панхроматичного датчика низька (2,7 км), але його радіометрична роздільна здатність досить висока для запису місячного світла, відбитого від хмарних вершин вночі. Під час безхмарних новолунок датчик здатний виявляти світло, що випромінюються містами і селищами. Аналітики зображень успішно співвіднесли моделі нічних світильників з оцінками щільності населення, отриманими Бюро перепису населення США, що дозволяє аналітикам використовувати знімки DMSP (у поєднанні з іншими шарами даних, такими як транспортні мережі) для моніторингу змін у глобальному розподілі населення.
Складене зображення Землі вночі, що показує вогні з міст і селищ по всьому світу. Це зображення було записано супутниковими датчиками DMSP. (Геофізичний центр даних, 2005).
8.12. Багатоспектральні дані зображення
У попередньому розділі були висвітлені однометрові панхроматичні дані, отримані супутниковим датчиком IKONOS. Однак дані про панораму - це не все, що виробляє IKONOS. Це багатоспектральний датчик, який записує відбивні коефіцієнти в чотирьох інших (більш вузьких) смугах, включаючи синю, зелену та червону довжини хвиль видимого спектру та ближню інфрачервону смугу. Діапазон (и) довжин хвиль, які датчик здатний виявити, називається його спектральною чутливістю.
| Спектральна чутливість | Просторова роздільна здатність |
|---|---|
| 0,45 - 0,90 мкм (панхроматичний) | 1м |
| 0,45 - 0,52 мкм (видимий синій) | 4 м |
| 0,51 - 0,60 мкм (видимий зелений) | 4 м |
| 0,63 - 0,70 мкм (видимий червоний) | 4 м |
| 0,76 - 0,85 мкм (поблизу ІЧ) | 4 м |
Спектральні чутливості та просторова роздільна здатність датчика IKONOS I. Довжини хвиль виражаються в мікрометрах (мільйонні частки метра). Просторова роздільна здатність виражається в метрах.
У цьому розділі описано дві родини багатоспектральних датчиків, які відіграють важливу роль у землекористуванні та характеристиці земного покриву: AVHRR та Landsat.
АВХРР
AVHRR розшифровується як «Розширений дуже високої роздільної здатності радіометр.» Датчики AVHRR були на борту шістнадцяти супутників, що підтримуються Національним управлінням океанічних і атмосферних досліджень (NOAA) з 1979 року (TIROS-N, NOAA-6 через NOAA-15). Дані, отримані датчиками, широко використовуються для великих досліджень рослинності, вологості ґрунту, снігового покриву, пожежосприйнятливості та повеней, серед іншого.
Датчики AVHRR вимірюють електромагнітну енергію в п'яти спектральних діапазонах, включаючи видимий червоний, ближній інфрачервоний і три теплові інфрачервоні. Видимі червоні та ближні інфрачервоні смуги особливо корисні для моніторингу рослинності великої площі. Нормалізований різницевий вегетаційний індекс (NDVI), широко використовувана міра фотосинтетичної активності, яка розраховується на основі значень відбивної здатності в цих двох смугах, розглядається далі.
| Спектральна чутливість | Просторова роздільна здатність |
|---|---|
| 0,58 - 0,68 мкм (видимий червоний) | 1-4 км* |
| 0,725 - 1,10 мкм (поблизу ІЧ) | 1-4 км* |
| 3,55 - 3,93 мкм (тепловий ІЧ) | 1-4 км* |
| 10,3 - 11,3 мкм (тепловий ІЧ) | 1-4 км* |
| 11.5 - 12,5 мкм (тепловий ІЧ) | 1-4 км* |
Спектральні чутливості та просторова роздільна здатність датчика AVHRR. Довжини хвиль виражаються в мікрометрах (мільйонні частки метра). Просторова роздільна здатність виражається в кілометрах (тисячах метрів). *Просторова роздільна здатність даних AVHRR коливається від 1 км до 16 км. Оброблені дані складаються з однорідних сіток на 1 км або 4 км.
Супутники NOAA, які несуть датчики AVHRR, відстежують сонячно-синхронні полярні орбіти на висотах близько 833 км. Подорожуючи з наземними швидкостями понад 6,5 кілометрів в секунду, супутники обертаються навколо Землі 14 разів щодня (кожні 102 хвилини), щодня перетинаючи одні й ті ж місця вздовж екватора. Коли він обертається, датчик AVHRR змітає скануючу головку вздовж дуги шириною 110° під супутником, проводячи багато вимірювань щосекунди. (Кажуть, що рух скануючої головки вперед-назад нагадує віник-віник.) Дуга відповідає смузі землі близько 2400 км. Оскільки скануюча головка обходить настільки широку дугу, її миттєве поле зору (IFOV: площа землі, покрита одним пікселем) сильно змінюється. Безпосередньо під супутником IFOV становить близько 1 км квадратних. Біля краю валка, однак, IFOV розширюється до більш ніж 16 квадратних кілометрів. Для досягнення рівномірної роздільної здатності спотворені IFOV біля країв валка повинні бути переведені на сітку розміром 1 км (передискретизація розглядається далі в цьому розділі). Датчик AVHRR здатний виробляти щоденне глобальне покриття у видимій смузі та двічі щоденне покриття в тепловому ІЧ-діапазоні.
Для отримання додаткової інформації відвідайте домашню сторінку AVHRR USGS.
ЛАНДСАТ МАСА
Телевізійні зображення Землі, зроблені з ранніх погодних супутників (таких як TIROS-1, запущений в 1960 році), і фотографії, зроблені астронавтами під час пілотованих космічних програм США в 1960-х роках, змусили вчених замислитися про те, як такі зображення можуть бути використані для управління екологічними ресурсами. У середині 1960-х років Національне управління з аеронавтики та космічного простору США (NASA) та Міністерство внутрішніх справ розпочали роботу над планом запуску серії супутникових орбітальних датчиків. Супутникова програма Earth Resource Technology запустила свій перший супутник, ERTS-1, в 1972. Коли другий супутник був запущений в 1975 році, NASA перейменувало програму Landsat. З тих пір було проведено шість успішних запусків Landsat (Landsat 6 провалився незабаром після зльоту в 1993 році; Landsat 7 успішно запущений у 1999 році).
На борту Landsat 1 (раніше ERTS-1) знаходилися дві системи зондування: Відекон зворотного променя (RBV) та багатоспектральний сканер (MSS). Система RBV є аналогом сучасних цифрових камер. Він відчував випромінювання у видимій смузі на цілій 185 км квадратної сцени відразу, створюючи зображення, порівнянні з кольоровими фотографіями. Датчик RBV був припинений після Landsat 3 через нестабільну продуктивність та загальну відсутність інтересу до даних, які він виробляє.
Однак датчик MSS користувався набагато більшим успіхом. З 1972 по 1992 рік він використовувався для створення архіву з понад 630 000 сцен. MSS вимірює випромінювання в чотирьох вузьких смугах: один, який охоплює видимі зелені довжини хвиль, інший, який охоплює видимі червоні довжини хвиль, і ще два охоплюють трохи довші, близькі до інфрачервоного діапазону хвиль.
| Спектральна чутливість | Просторова роздільна здатність |
|---|---|
| 0.5 - 0.6 мкм (видимий зелений) | 79/82 м* |
| 0,6 - 0,7 мкм (видимий червоний) | 79/82 м* |
| 0,7 - 0,8 мкм (поблизу ІЧ) | 79/82 м* |
| 0,8 - 1,1 мкм (поблизу ІЧ) | 79/82 м* |
Спектральні чутливості та просторова роздільна здатність сенсора Landsat MSS. Довжини хвиль виражаються в мікрометрах (мільйонні частки метра). Просторова роздільна здатність виражається в метрах. *Датчики MSS на борту Landsats 4 і 5 мали номінальну роздільну здатність 82 м, що включає 15 метрів перекриття з попередньою сценою.
Ландсати з 1 по 3 простежуються навколополярні орбіти на висотах близько 920 км, обертаючись навколо Землі 14 разів на добу (кожні 103 хвилини). Ландсати 4 і 5 орбіти на висоті 705 км. Датчик MSS змітає масив з шести детекторів енергії через дугу менше 12°, створюючи шість рядків даних одночасно на полосі 185 км. Супутники Landsat орбітують Землю на таких же висотах і швидкостях, як і супутники, які несуть AVHRR, але оскільки масив сканування MSS набагато вужчий, ніж AVHRR, для сканування всієї поверхні Землі потрібно набагато більше часу (18 днів для Landsat 1-3, 16 днів для Landsats 4 і 5).
Три сцени, створені багатоспектральним сканером Landsat. Зображення показують Амазонські тропічні ліси очищені в бразильському штаті Рондонія між 1975 і 1992 роками. Червоні області представляють здорову рослинність (USGS, 2001).
Послідовність трьох зображень, показаних вище, охоплює ту ж частину штату Рондонія, Бразилія. Відбиття в ближньому інфрачервоному діапазоні кодуються червоним кольором на цих зображеннях; коефіцієнти відбиття, виміряні у видимих зелених і червоних смугах, кодуються синім і зеленим. Оскільки рослинність поглинає видиме світло, але відображає інфрачервону енергію, синьо-зелені ділянки вказують на очищену землю. Виявлення змін землекористування є одним з найцінніших застосувань багатоспектральної візуалізації.
Для отримання додаткової інформації відвідайте домашню сторінку USGS Landsat
ЛАНДСАТ ТМ І ЕТМ+
Оскільки NASA готувалося запустити Landsat 4 в 1982 році, він замінив невдалий датчик RBV на нову систему зондування під назвою Thematic Mapper (TM). TM була новою та вдосконаленою версією MSS, яка відрізнялася більш високою просторовою роздільною здатністю (30 метрів у більшості каналів) та розширеною спектральною чутливістю (сім смуг, включаючи видимий синій, видимий зелений, видимий червоний, ближній інфрачервоний, дві середні інфрачервоні та теплові інфрачервоні довжини хвиль). Датчик Enhanced Thematic Mapper Plus (ETM +), який включає восьму (панхроматичну) смугу з просторовою роздільною здатністю 15 метрів, був на борту Landsat 7, коли він успішно запущений у 1999 році.
| Спектральна чутливість | Просторова роздільна здатність |
|---|---|
| 0,522 -0,90 мкм (панхроматичний) * | 15 м* |
| 0,45 - 0,52 мкм (видимий синій) | 30 м |
| 0,52 - 0,60 мкм (видимий зелений) | 30 м |
| 0,63 - 0,69 мкм (видимий червоний) | 30 м |
| 0,76 - 0,90 мкм (поблизу ІЧ) | 30 м |
| 1,55 - 1,75 мкм (середній ІЧ) | 30 м |
| 10,40 - 12,50 мкм (тепловий ІЧ) | 120 м (Ландсат 4-5) 60 м (Ландсат 7) |
| 2.08 - 2,35 мкм (середній ІЧ) | 30 м |
Спектральні чутливості та просторова роздільна здатність датчиків ТМ та ЕТМ Landsat. Довжини хвиль виражаються в мікрометрах (мільйонні частки метра). Просторова роздільна здатність виражається в метрах. Зверніть увагу на більш низьку просторову роздільну здатність в тепловому ІЧ-діапазоні, що дозволяє збільшити радіометричну роздільну здатність. * Тільки ЕТМ+/Ландсат 7.
Спектральна чутливість датчиків ТМ і ЕТМ+ налаштована як на спектральні характеристики відгуку явищ, для контролю яких призначені датчики, так і на вікна, всередині яких електромагнітна енергія здатна проникати в атмосферу. Наступна таблиця описує деякі явища, які виявляються кожною з смуг довжин хвиль, явища, які набагато менш очевидні лише в даних панхроматичного зображення.
| Смуга | Виявлені явища |
|---|---|
| 0,45 - 0,52 мкм (видимий синій) | Берегові лінії та водні глибини (ці довжини хвиль проникають у воду) |
| 0,52 - 0,60 мкм (видимий зелений) | Типи рослин і енергійність (пікова вегітація сильно відображає ці довжини хвиль) |
| 0,63 - 0,69 мкм (видимий червоний) | Фотосинтетична активність (рослини поглинають ці довжини хвиль під час фотосинтезу) |
| 0,76 - 0,90 мкм (поблизу ІЧ) | Енергія рослини (здорова рослинна тканина сильно відображає ці довжини хвиль) |
| 1,55 - 1,75 мкм (середній ІЧ) | Водний стрес рослин, вологість ґрунту, типи гірських порід, хмарний покрив проти снігу |
| 10.40 — 12.50 мкм (тепловий ІЧ) | Відносна кількість тепла, вологості грунту |
| 2.08 - 2,35 мкм (середній ІЧ) | Стрес рослинної води, мінеральні та гірські породи |
Зображення, отримані з 8 смуг даних Landsat 7 ETM Денвера, CO. Кожне зображення на ілюстрації представляє значення відбивної здатності, записані в кожній смузі довжин хвиль. Неправдиві кольорові зображення отримують шляхом фарбування трьох смуг (наприклад, видимих зелених, видимих червоних та ближніх інфрачервоних смуг) за допомогою синього, зеленого та червоного кольорів, як шари кольорової фотоплівки.
До 1984 року дані Landsat поширювалися федеральним урядом США (спочатку центром обробки даних EROS USGS, пізніше NOAA). Дані, отримані місіями Landsat з 1 по 4, все ще доступні для продажу від EROS. Однак із Законом про комерціалізацію дистанційного зондування землі 1984 року Конгрес США приватизував програму Landsat, передавши відповідальність за будівництво та запуск Landsat 5, а також за розповсюдження отриманих даних на фірму під назвою EOSAT.
Незадоволені непомірними витратами на несубсидовані дані (цілих 4400 доларів США за одну сцену 185 км на 170 км), користувачі спонукали Конгрес прийняти Закон про політику дистанційного зондування Землі 1992 року. Нове законодавство поверне відповідальність за програму Landsat уряду США. Дані, отримані Landsat 7, поширюються USGS вартістю для користувачів 600 доларів за сцену (близько 2 центів за квадратний кілометр). Сцени, які включають прогалини даних, спричинені збоєм «коректора лінії сканування», продаються за 250 доларів; 275 доларів за сцени, в яких прогалини заповнюються попередніми даними.
СПРОБУЙ ЦЕ!
Ви можете відвідати Землю USGS зараз! Landsat Image Viewer, який дозволяє переглядати в реальному часі знімки Landsat 5 та Landsat 7. Цей сайт має посилання на глобальний переглядач візуалізації USGS, де ви можете шукати зображення на основі відсотків хмарного покриву.
Знімок живої Землі зараз! Переглядач зображень Landsat (USGS, 2011).
8.13. Використання EarthExplorer для пошуку даних Landsat
СПРОБУЙ ЦЕ!
Ця діяльність передбачає використання системи USGS EarthExplorer для пошуку даних Landsat, які відповідають сцені Денвера, району Колорадо, проілюстрованої раніше. В кінці експерименту ви можете шукати дані у власній області, що цікавить.
EarthExplorer - це веб-додаток, який дозволяє користувачам знаходити, переглядати та завантажувати або замовляти цифрові дані, опубліковані Геологічною службою США. Окрім даних Landsat MSS, TM та ETM+, на сайті також доступні дані AVHRR, DOQ, аерофотозйомки та інші.
Почніть з вказівки вашого браузера на EarthExplorer. (Натискання на це посилання відкриває окреме вікно із веб-сайтом EarthExplorer. Ви можете збільшити вікно і працювати в ньому, або, якщо хочете, відкрити окремий браузер і ввести веб-адресу EarthExplorer.)
- Вам не потрібно реєструватися, щоб використовувати EarthExplorer, якщо ви не хочете завантажувати дані.
- Для того, щоб розпакувати файли даних, які ви можете вибрати для завантаження, вам знадобиться програма, яка здатна розпакувати файл.tar.gz. Одним з таких додатків є 7-Zip. Ви можете завантажити 7-Zip тут
1. Введіть критерії пошуку
- Введіть адресу/назву місця: Денвер на першій вкладці Критерії пошуку
- Клацніть на Адреса/Місце Назва Показати кнопку
- Повертається «Денвер, Колорадо, США» (як і кілька інших збігів у рядку «Денвер»), а також координати широти та довготи, необхідні для виконання просторового пошуку бази даних EarthExplorer. Натисніть на Денвер, CO, США вибір зі списку. Це може зайняти кілька секунд, але дисплей зліва зміниться, щоб показати лише координати розташування Денвера, Колорадо, і на карті з'явиться маркер розташування. Див. Нижче.
Головна сторінка EarthExplorer, березень 2011.
2. Виберіть свій набір даних Наша мета полягає в тому, щоб знайти дані Landsat ETM +, які проілюстровані, діапазон за діапазоном, на попередній сторінці.
- У рамці в лівій частині вікна натисніть на другу вкладку Набори даних
- Поставте прапорець, щоб вибрати ETM+ (1999-2003) у розділі Landsat Legacy.
3. Переглянути результати
- Список результатів відображатиметься на четвертій вкладці.
- Клацніть піктограму зображення для одного з результатів, щоб відобразити повний результат, включно з інформацією про атрибути.
- Клацніть значок «Показати накладання огляду» або значок «Показати слід», щоб відкрити і накласти або сліди над картою Google.
- Натисніть «Завантажити», щоб завантажити певний результат. (ПРИМІТКА: Вам потрібно буде увійти або зареєструватися, а потім увійти в USGS, щоб завантажити дані.)
Накладання та зображення сліду сцени Landsat та діалогове вікно завантаження, EarthExplorer, березень 2011.
Завантажені дані надходять на робочий стіл у форматі подвійного стиснення архіву. Наприклад, архів, який я завантажив, називається «elp033r033_7t20000914.tar.gz» Щоб відкрити та переглянути дані в Global Mapper/dlgv32 Pro, мені довелося спочатку витягти архів .tar з архіву.gz, а потім витягти файли.tif з архіву.tar. Я використовував програму 7-Zip, про яку я згадував вище, щоб витягти файли: клацніть правою кнопкою миші на архіві, а потім виберіть 7-Zip > Витягти файли... На знімку екрана нижче показано одне з восьми зображень Landsat (що відповідає восьми діапазонам ETM +) у Global Mapper.
Сцена Landsat переглядається в програмному забезпеченні Global Mapper.
Використовуйте EarthExplorer, щоб знайти дані Landsat для вашої власної області інтересів
- Скористайтеся посиланням Перевизначити критерії внизу сторінки «Результати», щоб розпочати новий пошук. Спробуйте знайти своє рідне місто або місце, яке ви завжди хотіли відвідати.
ПРАКТИКА ВІКТОРИНИ
Зареєстровані студенти штату Пенн повинні повернутися зараз до папки Chapter 8 в ANGEL (через меню Ресурси ліворуч), щоб пройти тест самооцінки про видимі та інфрачервоні дані.
Ви можете приймати практичні вікторини стільки разів, скільки хочете. Вони не забиваються і ніяк не впливають на вашу оцінку.
8.14. Багатоспектральна обробка зображень
Однією з головних переваг цифрових даних є те, що вони можуть бути легко оброблені за допомогою цифрових комп'ютерів. На наступних кількох сторінках ми зосереджуємось на методах обробки цифрових зображень, які використовуються для корекції, вдосконалення та класифікації віддалених даних зображень.
8.15. Корекція зображення
Як було запропоновано раніше, сканування поверхні Землі з космосу схоже на сканування паперового документа настільним сканером, тільки набагато складніше. Сирі дані дистанційного зондування зображення сповнені геометричних та радіометричних вад, спричинених криволінійною формою Землі, недосконало прозорою атмосферою, щоденними та сезонними коливаннями кількості сонячного випромінювання, отриманого на поверхні, та недосконалостями скануючих приладів, серед іншого. Зрозуміло, що більшість користувачів віддалених даних зображення не задоволені необробленими даними, що передаються з супутників на наземні станції. Більшість віддає перевагу попередньо обробленим даними, з яких ці недоліки були видалені.
ГЕОМЕТРИЧНА КОРЕКЦІЯ
Ви читаєте в розділі 6, що масштаб змінюється в невиправлених аерофотознімках через переміщення рельєфу, спричинене варіаціями висоти місцевості. Зсув рельєфу є одним із джерел геометричних спотворень у даних цифрових зображень, хоча це менше коефіцієнта супутникового дистанційного зондування, ніж у аерофотозйомці, оскільки супутники літають на набагато більшій висоті, ніж літаки. Іншим джерелом геометричних спотворень є сама Земля, кривизна якої і прядильний рух на схід більш очевидні з космосу, ніж на менших висотах.
Земля обертається навколо своєї осі із заходу на схід. У той же час супутники дистанційного зондування, такі як IKONOS, Landsat та супутники NOAA, які несуть датчик AVHRR, орбітають Землю від полюса до полюса. Якби ви намалювали на циліндричній проекції шлях польоту, який полярний орбітальний супутник простежує протягом 24-годинного періоду, ви побачите серію S-образних хвиль. Оскільки супутник дистанційного зондування слідує своїм орбітальним шляхом над обертовим земною кулею, кожен рядок сканування починається в положенні трохи на захід від рядка, який йому передував. Однак у необроблених відсканованих даних перший піксель у кожному рядку виглядає вирівняним з іншими початковими пікселями. Щоб правильно прив'язати пікселі в віддаленому зображенні, пікселі повинні бути трохи зміщені на захід у кожному наступному рядку. Ось чому оброблені сцени мають форму перекосованих паралелограм при нанесенні в географічних або плоских проекціях, як показано на ілюстрації, яку ви бачили раніше, яка показала вісім смуг сцени Landsat 7 ETM +.
Окрім систематичної помилки, спричиненої обертанням Землі, випадкові геометричні спотворення виникають внаслідок переміщення рельєфу, коливань висоти та ставлення супутника, неправильної поведінки інструментів та інших аномалій. Випадкові геометричні помилки виправляються за допомогою процесу, відомого як гумове покриття. Як випливає з назви, гумове покриття передбачає розтягування та викривлення зображення для геореєстрації контрольних точок, показаних на зображенні, до відомих місць контрольних точок на землі. По-перше, пара рівнянь перетворення координат площини виводиться шляхом аналізу відмінностей між розташуваннями контрольних точок на зображенні і на землі. Рівняння дозволяють аналітикам зображень генерувати випрямлену растрову сітку. Далі значення відбивної здатності у вихідній сканованій сітці призначаються коміркам у випрямленій сітці. Оскільки комірки у випрямленій сітці не ідеально вирівнюються з комірками у вихідній сітці, значення відбиття у випрямлених комірках сітки повинні бути інтерпольовані від значень у вихідній сітці. Цей процес називається передискретизацією. Передискретизація також використовується для збільшення або зменшення просторової роздільної здатності зображення, щоб його пікселі могли бути геозареєстровані з пікселями іншого зображення.
РАДІОМЕТРИЧНА КОРЕКЦІЯ
Відбиття на заданій довжині хвилі об'єкта, виміряного приладом дистанційного зондування, змінюється у відповідь на кілька факторів, включаючи освітленість об'єкта, його відбивну здатність та пропускну здатність атмосфери. Крім того, реакція даного датчика може погіршитися з часом. Маючи на увазі ці фактори, не повинно дивуватися, що об'єкт, сканований в різний час доби або року, буде проявляти різні радіометричні характеристики. Такі відмінності часом можуть бути вигідними, але вони також можуть створювати проблеми для аналітиків зображень, які хочуть мозаїкувати сусідні зображення разом або виявити значущі зміни у землекористуванні та земному покриві з плином часу. Щоб впоратися з такими проблемами, аналітики розробили численні методи радіометричної корекції, включаючи поправки відстані Земля-Сонце, поправки висоти сонця та виправлення атмосферної серпанку.
Щоб компенсувати різну кількість освітленості сцен, знятих в різний час доби або в різних широтах або сезонах, аналітики зображень можуть розділити значення, виміряні в одній смузі, на значення в іншій смузі, або вони можуть застосовувати математичні функції, які нормалізують значення відбивної здатності. Такі функції визначаються відстанню між Землею і Сонцем і висотою сонця над горизонтом в даному місці, часом доби і пори року. Аналітики залежать від метаданих, які включають місце, дату та час, коли конкретна сцена була знята.
Аналітики зображень також можуть виправити ефекти, що зменшують контрастність атмосферної серпанку. Компенсація серпанок нагадує методику диференціальної корекції, яка використовується для підвищення точності даних GPS в тому сенсі, що вона передбачає похибку вимірювання (або, в даному випадку, помилкове відбиття) у відомому місці, а потім віднімання цієї помилки з іншого вимірювання. Аналітики починають з вимірювання коефіцієнта відбиття об'єкта, який, як відомо, демонструє майже нульову відбивну здатність в нетуманних умовах, таких як глибока, прозора вода в ближньому інфрачервоному діапазоні. Будь-які значення коефіцієнта відбиття в цих пікселах можна віднести до сяйва шляху атмосферної серпанок. Припускаючи, що атмосферні умови є рівномірними по всій сцені, коефіцієнт серпанок може бути відніманий з усіх значень відбиття пікселів. Деякі нові датчики дозволяють «самокалібрувати», вимірюючи вміст атмосферної води та пилу безпосередньо.
Послуги геометричної та радіометричної корекції зазвичай пропонують державні установи та приватні фірми, які продають дані дистанційного зондування. Наприклад, хоча USGS пропонує необроблені (Level Zero R) дані Landsat 7 всього за $475 за 185 км на 170 км сцени, багато користувачів вважають, що 600 доларів радіометрично виправлені, орторектифіковані та призначені для користувача прогнозовані дані рівня One G добре варті додаткових витрат. GeoEye (раніше Space Imaging) регулярно доставляє попередньо оброблені дані IKONOS, які були радіометрично виправлені, орторектифіковані, проектовані та мозаїчні відповідно до специфікацій користувача. Доступні чотири рівні геометричної точності, від 12 метрів (що відповідає Національним стандартам точності карт за масштабом 1:50 000) до 1 метра (1:2 400 NMAS).
8.16. Покращення зображення
Методи корекції зазвичай використовуються для вирішення геометричних, радіометричних та інших проблем, виявлених у необроблених даних дистанційного зондування. Інше сімейство методів обробки зображень використовується для полегшення інтерпретації даних зображення. Ці так звані методи покращення зображення включають контрастне розтягування, покращення країв та отримання нових даних шляхом обчислення відмінностей, коефіцієнтів або інших величин із значень відбиття у двох або більше діапазонах, серед багатьох інших. У цьому розділі коротко розглядаються дві загальні методи підвищення, контрастне розтягування та похідні дані. Пізніше ви дізнаєтеся, як вегетаційні індекси, отримані з двох діапазонів зображень AVHRR, використовуються для моніторингу росту рослинності в глобальному масштабі.
КОНТРАСТНА РОЗТЯЖКА
Розглянемо пару зображень, показаних пліч-о-пліч нижче. Хоча обидва були отримані з однакових даних Landsat MSS, ви помітите, що зображення зліва значно тьмяніше, ніж зображення праворуч. Різниця - результат контрастної розтяжки. Як ви пам'ятаєте, дані MSS мають точність 8 біт, тобто значення відбивної здатності кодуються як 256 (28) рівнів інтенсивності. Як це часто буває, коефіцієнти відбиття в ближньому інфрачервоному діапазоні сцени, частково показаної нижче, коливалися лише від 30 до 80 у вихідних даних зображення. Цей обмежений діапазон призводить до того, що зображення не вистачає контрасту і, отже, виглядає тьмяним. Зображення праворуч показує ефект розтягування діапазону значень відбивної здатності в ближньому інфрачервоному діапазоні від 30-80 до 0-255, а потім аналогічним чином розтягування видимих зелених і видимих червоних смуг. Як бачите, контрастно розтягнуте зображення яскравіше і чіткіше.
Пара знімків, отриманих з даних Landsat MSS, знятих у 1988 році. Близько-інфрачервоний діапазон показаний червоним кольором, видимий червоний - зеленим, а видима зелена смуга показана синім кольором. На правих і лівих зображеннях показані ефекти контрастної розтяжки до і після. На зображеннях показані сільськогосподарські моделі, характерні для зрошення центрально-поворотного зрошення в частині округу на південному заході Канзасу. (USGS, 2001a).
ПОХІДНІ ДАНІ: NDVI
Однією з переваг мультиспектральних даних є можливість отримання нових даних шляхом обчислення різниць, коефіцієнтів або інших величин від значень відбивної здатності в двох або більше діапазонах довжин хвиль. Наприклад, виявлення підкресленої рослинності серед здорової рослинності може бути важко в будь-якій одній смузі, особливо якщо відмінності в висоті місцевості або схилі призводять до того, що деякі частини сцени освітлюються інакше, ніж інші. Однак співвідношення значень відбиття у видимій червоній смузі та ближньому інфрачервоному діапазоні компенсує зміни освітленості сцени. Оскільки співвідношення двох значень відбивної здатності значно нижче для напруженої рослинності незалежно від умов освітлення, виявлення є простішим та надійнішим.
Окрім простих співвідношень, вчені дистанційного зондування вивели інші математичні формули для отримання корисних нових даних з багатоспектральних знімків. Одним з найбільш широко використовуваних прикладів є нормалізований індекс різниці рослинності (NDVI). Як ви пам'ятаєте, датчик AVHRR вимірює електромагнітне випромінювання в п'яти діапазонах довжин хвиль. Оцінки NDVI обчислюються піксель за пікселем за наступним алгоритмом:
NDVI = (НІР — Р)/(НІР + Р)
R означає видиму червону смугу (канал AVHRR 1), тоді як NIR представляє ближній інфрачервоний діапазон (канал AVHRR 2). Хлорофіл зелених рослин сильно поглинає випромінювання у видимій червоній смузі AVHRR (0,58-0,68 мкм) під час фотосинтезу. Навпаки, листові структури змушують рослини сильно відбивати випромінювання в ближньому інфрачервоному діапазоні (0,725-1,10 мкм). NDVI бали коливаються від -1,0 до 1,0. Піксель, пов'язаний з низькими значеннями відбиття у видимій смузі та високим коефіцієнтом відбиття в ближньому інфрачервоному діапазоні, призведе до оцінки NDVI близько 1,0, що вказує на наявність здорової рослинності. І навпаки, оцінки пікселів NDVI, пов'язані з високим коефіцієнтом відбиття у видимій смузі та низьким коефіцієнтом відбиття в ближньому інфрачервоному діапазоні, наближаються до -1.0, вказуючи на хмари, сніг або воду. Оцінки NDVI біля 0 вказують на скелю та не рослинний грунт.
Застосування NDVI варіюється від локального до глобального. У місцевому масштабі виноградники Мондаві в долині Напа, Каліфорнія, можуть засвідчити корисність даних NDVI для моніторингу здоров'я рослин. У 1993 році виноградники зазнали зараження філоксерою, видом рослинних вошей, який атакує коріння і непроникний для пестицидів. Здолати шкідника можна було лише видаливши заражені лози та замінивши їх більш стійким кореневим підщепом. Виноградник доручив консалтинговій фірмі придбати видимі та ближні інфрачервоні зображення з високою роздільною здатністю (2-3 метри) протягом послідовних вегетаційних сезонів за допомогою повітряного датчика. Після того, як дані двох сезонів були геозареєстровані, порівняння балів NDVI виявило ділянки, в яких щільність навісу лози знизилася. Виявлення змін NDVI виявилося настільки плідним підходом, що виноградники прийняли його для рутинного використання як частину загальної стратегії точного землеробства (Colucci, 1998).
Наступний приклад описує етапи обробки зображень, що беруть участь у створенні глобального набору даних NDVI.
8.17. Обробка глобального набору даних землі 1Km
Удосконалені датчики радіометра з дуже високою роздільною здатністю (AVHRR) на борту супутників NOAA щодня сканують всю Землю на видимих червоних, ближніх інфрачервоних та теплових інфрачервоних хвиль. Наприкінці 1980-х та початку 1990-х років кілька міжнародних агентств визначили необхідність складання базового, безхмарного глобального набору даних NDVI на підтримку зусиль з моніторингу глобального рослинного покриву. Наприклад, Організація Об'єднаних Націй доручила свою Продовольчу та сільськогосподарську організацію провести глобальну інвентаризацію лісів в рамках свого проекту оцінки лісових ресурсів. Вченим, які беруть участь у програмі NASA системи спостереження за Землею, також потрібен глобальний набір даних AVHRR рівномірної якості для калібрування комп'ютерних моделей, призначених для моніторингу та прогнозування глобальних змін навколишнього середовища. У 1992 році за контрактом з USGS та у співпраці з Міжнародною програмою «Геосфера біосфери» розпочали роботу науковці Центру обробки даних EROS у Сіу-Фоллсі, штат Південна Дакота. Їх цілями було створення не тільки одного 10-денного композитного зображення, а й 30-місячного часового ряду композитів, які допомогли б вченим системи Землі зрозуміти сезонні зміни рослинного покриву в глобальному масштабі. У цьому прикладі висвітлюються процедури обробки зображень, які використовуються для створення набору даних. Додаткова інформація доступна в Eidenshink & Faundeen (1994) та на домашній сторінці проекту.
З 1992 по 1996 рік мережа з 30 наземних приймальних станцій придбала та архівувала десятки тисяч сцен з датчика AVHRR на борту одного з супутників NOAA на полярній орбіті. Окремі сцени були зшиті разом у щоденні орбітальні проходи, як показано нижче. Створення орбітальних проходів дозволило проектній команді відкинути надлишкові дані в перекриваються сценах, придбаних різними приймальними станціями.
Помилкові кольорові зображення, отримані з даних AVHRR, отриманих 24 червня 1992 року для проекту глобального набору даних земельних ресурсів 1-км AVHRR. Зображення представляють орбітальні проходи, створені шляхом сплайсингу послідовних сцен. Шляхи шириною 2400 км охоплюють Європу, Африку та Близький Схід. Зверніть увагу на хмарний покрив і геометричні спотворення. (Ейденшінк і Фаундін, 1994).
Після того, як щоденні орбітальні сцени були зшиті разом, команда проекту приступила до роботи з підготовки безхмарних, 10-денних композитних наборів даних, які включали оцінки нормалізованого індексу різниці рослинності (NDVI). Етапи обробки зображень включали радіометричне калібрування, атмосферну корекцію, розрахунок NDVI, геометричну корекцію, регіональне компонування та проекцію композиційних сцен. Кожен крок коротко описаний нижче.
РАДІОМЕТРИЧНЕ КАЛІБРУВАННЯ
Радіометричне калібрування означає визначення залежності між значеннями відбивання, записаними датчиком з простору, і фактичними випромінюваннями, виміряними спектрометрами на землі. Точність видимих червоних та ближніх ІЧ-датчиків AVHRR погіршується з часом. Аналітики зображень не зможуть виробляти корисні часові ряди композитних наборів даних, якщо відбиття не будуть надійно відкалібровані. Команда проекту спиралася на дослідження, які показали, як дані AVHRR, отримані в різний час, можуть бути нормалізовані за допомогою поправочного коефіцієнта, отриманого шляхом аналізу значень відбиття, пов'язаних з однорідними пустелями.
АТМОСФЕРНА КОРЕКЦІЯ
Відомо, що кілька атмосферних явищ, включаючи розсіювання Релея, озон, водяну пару та аерозолі, впливають на коефіцієнти відбиття, виміряні датчиками, такими як AVHRR. Дослідження дали виправлення, щоб компенсувати деякі з них.
Одна перевірена корекція була для розкиду Релея. Названий на честь англійського фізика, який працював на початку 20 століття, Rayleigh scatter - це явище, яке пояснює той факт, що небо здається синім. Короткі довжини хвиль вхідного сонячного випромінювання, як правило, розсіюються крихітними частинками в атмосфері. Оскільки сині довжини хвиль є найкоротшими у видимій смузі, вони, як правило, розсіюються більше, ніж зелений, червоний та інші кольори світла. Розкид Релея також є основною причиною атмосферної серпанок.
Оскільки датчик AVHRR сканує такий широкий діапазон, аналітики зображень не могли бути задоволені застосуванням постійного коефіцієнта компенсації серпанок протягом усіх сцен. Для сканування свого валка шириною 2400 км датчик AVHRR змітає скануючу головку через дугу 110°. Отже, кут огляду між скануючою головкою та поверхнею Землі коливається від 0° посередині валка до приблизно 55° по краях. Очевидно, що довжини шляхів, пройдених відбитим випромінюванням до датчика, значно варіюються залежно від кута огляду. Вченим проекту довелося це враховувати при компенсації атмосферної серпанку. Чим далі піксель розташовувався від центру валка, тим більша довжина його шляху, і тим більше серпанку потрібно було компенсувати. Поки вони були на ньому, аналітики зображень також враховували висоту місцевості, оскільки це теж впливає на довжину шляху. ETOPO5, найбільш детальна глобальна цифрова модель висоти, доступна на той час, була використана для обчислення довжини шляху, скоригованої на висоту. (Ви дізналися про більш детальний ETOPO1 в розділі 7.)
РОЗРАХУНОК NDVI
Нормалізований різницевий індекс рослинності (NDVI) - це різниця значень ближнього ІК та видимого червоного відбиття, нормованих над сумою двох значень. Результат, розрахований для кожного пікселя в кожному добовому орбітальному проході, становить значення від -1,0 до 1,0, де 1,0 представляє максимальну фотосинтетичну активність, і, отже, максимальну щільність і енергійність зеленої рослинності.
ГЕОМЕТРИЧНА КОРЕКЦІЯ І ПРОЕКЦІЯ
Як ви можете бачити на прошитих орбітальних проходах, проілюстрованих вище, широкий діапазон кутів огляду, вироблених датчиком AVHRR, призводить до великих геометричних спотворень. Зсув рельєфу погіршує ситуацію, спотворюючи зображення ще більше до країв кожного валка. Команда проекту виконала як орторектифікацію, так і гумове покриття для виправлення даних. Глобальна цифрова модель висоти ETOPO5 знову була використана для обчислення поправок на спотворення масштабу, спричинені зміщенням рельєфу. Щоб виправити спотворення, спричинені широким діапазоном кутів огляду датчиків, аналітики визначили чітко визначені функції, такі як берегові лінії, береги озер та річки на знімках, які можуть бути узгоджені з відомими місцями на землі. Вони вивели рівняння перетворення координат шляхом аналізу відмінностей між положеннями контрольних точок на знімках і відомими місцями на землі. Показано, що точність контрольних місць на випрямлених знімках не гірша за 1000 метрів від фактичних місць. Не менш важливо, що помилка геореєстрації між випрямленими добовими орбітальними проходами була показана менше одного пікселя.
Після того, як щоденні орбітальні проходи були виправлені, вони були перетворені в проекцію карти під назвою Гомолозин Гуда. Це проекція рівної площі, яка мінімізує спотворення форми сухопутних мас, перериваючи решітку над океанами. Команда проекту обрала проекцію Гуда частково, оскільки знала, що еквівалентність площі буде корисною якістю для просторового аналізу. Що ще важливіше, перервана проекція дозволила команді обробити набір даних як дванадцять окремих регіонів, які пізніше можна було б з'єднати разом. На ілюстрації нижче показані орбітальні проходи за 24 червня 1992 року, спроектовані разом у єдиному глобальному зображенні на основі проекції Гуда.
Орбітальні проходи AVHRR придбані 24 червня 1992 року, проектуються разом в гомолозиновой проекції Гуда світу. (Ейденшінк і Фаундін, 1994).
КОМПОЗІТІНГ
Після того, як щоденні орбітальні проходи протягом десятиденного періоду були виправлені, кожен кілометр квадратний піксель може бути пов'язаний з відповідними пікселями в тому ж місці в інших орбітальних проходах. На цьому етапі, коли орбітальні проходи зібрані в дванадцять областей, отриманих з перерваної проекції Гуда, аналітики зображень визначили найвищу величину NDVI для кожного пікселя за даний десятиденний період. Потім вони створили десятиденні складові області, об'єднавши всі пікселі максимального значення в єдиний регіональний набір даних. Ця процедура мінімізувала ймовірність того, що забруднені хмарою пікселі будуть включені до остаточного складеного набору даних. Нарешті, складові області були зібрані в єдиний набір даних, проілюстрований нижче. Ця ж процедура була повторена для створення 93 десятиденних композитів з квітня 1-10, 1992 по 21-30 травня 1996 року.
Десятиденне композитне зображення AVHRR. Найзеленіші пікселі представляють найвищі значення NDVI. (Ейденшінк і Фаундін, 1994).
8.18. Класифікація зображень
Поряд з військовим спостереженням та прогнозуванням погоди загальним використанням віддалених даних зображень є моніторинг земного покриву та інформування планування землекористування. Термін земний покрив відноситься до видів рослинності, що покривають поверхню Землі, або види матеріалів, що утворюють поверхню, де рослинність відсутня. Землекористування, навпаки, відноситься до функціональних ролей, які земля відіграє в господарській діяльності людини (Кемпбелл, 1983).
Як землекористування, так і земельний покрив уточнюються в розрізі узагальнених категорій. Наприклад, рання система класифікації, прийнята Всесвітньою комісією з землекористування в 1949 році, складалася з дев'яти основних категорій, включаючи поселення та пов'язані з ними несільськогосподарські угіддя, садівництво, деревні та інші багаторічні культури, сільськогосподарські угіддя, покращені постійні пасовища, неполіпшені пасовища, лісові масиви, болота і болота, а також непродуктивні землі. До епохи цифрової обробки зображень спеціально навчений персонал малював карти землекористування, візуально інтерпретуючи форму, розмір, малюнок, тон, текстуру та тіні, відлиті за ознаками, показаними на аерофотознімках. Як ви могли собі уявити, це був дорогий, трудомісткий процес. Тож не дивно, що Комісія, призначена в 1949 році, провалилася в спробі створити детальну глобальну карту землекористування.
Частиною привабливості цифрової обробки зображень є потенціал автоматизації землекористування та картографування земельного покриву. Щоб реалізувати цей потенціал, аналітики зображень розробили сімейство методів класифікації зображень, які автоматично сортують пікселі з подібними значеннями багатоспектрального відбиття в кластери, які в ідеалі відповідають функціональним категоріям землекористування та земельного покриву. Розроблено два загальні типи методів класифікації зображень: контрольовані та неконтрольовані методи.
КОНТРОЛЬОВАНА КЛАСИФІКАЦІЯ
Аналітики людських зображень відіграють вирішальну роль як у контрольованих, так і в неконтрольованих процедурах класифікації зображень. У контрольованій класифікації роль аналітика полягає у завданні заздалегідь багатоспектрального коефіцієнта відбиття або (у випадку теплового інфрачервоного діапазону) значень випромінюваності, типових для кожного класу землекористування або земного покриву.
Частина сцени Landsat TM придбала 17 липня 1986 року, показуючи сільськогосподарські поля в окрузі Тіппеканое, штат Індіана. Відбиття, записані в діапазонах ТМ 2 (видимий зелений), 3 (видимий червоний) та 4 (ближній інфрачервоний), показані синім, зеленим та червоним кольором відповідно. Програмне забезпечення для обробки зображень Multispec © 2001 Фонд досліджень Пердью, Inc.
Наприклад, щоб виконати контрольовану класифікацію даних тематичного картографування (ТМ) Landsat, наведених вище, на дві категорії земного покриву, Рослинність та Інше, спочатку слід окреслити кілька навчальних полів, які є репрезентативними для кожного класу земного покриву. На малюнку нижче показано два навчальні поля для кожного класу, однак, щоб досягти максимально надійної класифікації, ви б визначили цілих 100 або більше навчальних полів на клас.
Навчальні поля визначені для двох класів земного покриву, рослинності та ін. Програмне забезпечення для обробки зображень Multispec © 2001 Фонд досліджень Пердью, Inc.
Визначені вами навчальні поля складаються з кластерів пікселів зі схожими значеннями коефіцієнта відбиття або випромінюваності. Якби ви добре попрацювали над керівництвом навчального етапу класифікації, кожен кластер представляв би діапазон спектральних характеристик, виставлених відповідним класом земного покриву. Після визначення кластерів ви застосуєте алгоритм класифікації для сортування решти пікселів у сцені до класу з найбільш схожими спектральними характеристиками. Один з найбільш часто використовуваних алгоритмів обчислює статистичну ймовірність того, що кожен піксель належить кожному класу. Пікселі потім присвоюються класу, пов'язаному з найбільшою ймовірністю. Алгоритми такого роду відомі як класифікатори максимальної правдоподібності. Результатом є зображення, подібне до показаного нижче, в якому кожен піксель був призначений одному з двох класів земного покриву.
Двокласна карта земного покриву, виготовлена за контрольованою класифікацією даних ТМ Landsat. Програмне забезпечення для обробки зображень Multispec © 2001 Фонд досліджень Пердью, Inc.
НЕКОНТРОЛЬОВАНА КЛАСИФІКАЦІЯ
Імідж-аналітик відіграє іншу роль у класифікації без нагляду. Вони не визначають навчальні поля для кожного класу земного покриву заздалегідь. Натомість вони покладаються на один із сімейства алгоритмів статистичної кластеризації для сортування пікселів за різними спектральними класами. Аналітики можуть, а можуть навіть не вказувати кількість занять заздалегідь. Їх відповідальність полягає у визначенні відповідності між спектральними класами, які визначає алгоритм, та функціональними категоріями землекористування та земного покриву, встановленими такими агентствами, як Геологічна служба США. Наступний приклад описує, як неконтрольована класифікація сприяє створенню національного набору даних про земельний покрив з високою роздільною здатністю.
Двокласна карта земного покриву, виготовлена за неконтрольованою класифікацією даних ТМ Landsat. Програмне забезпечення для обробки зображень Multispec © 2001 Фонд досліджень Пердью, Inc.
8.19. Класифікація даних Landsat для національного набору даних про земельний покрив
USGS розробила одну з перших систем класифікації землекористування/земного покриву, розроблених спеціально для використання з віддаленим зондуванням зображень. Система класифікації землекористування/земельного покриву Андерсона, названа на честь колишнього головного географа USGS, який очолив команду, яка розробила систему, складається з дев'яти категорій земельного покриву (міський або забудований; сільськогосподарський; хребет; ліс; вода; водно-болотні угіддя; безплідна; тундра; і багаторічний сніг та лід), та 37 підкатегорій (наприклад, сорти сільськогосподарських угідь включають сільськогосподарські угіддя та пасовища; сади, гаї, виноградники, розплідники та декоративне садівництво; обмежені годівлі; та інші сільськогосподарські угіддя). Аналітики зображень Геологічної служби США створили дані USGS землекористування та земельного покриву (LULC), вручну окресливши та кодуючи ділянки на повітряних фотографіях, які, як видавалося, мали однорідний земельний покрив, який відповідав одному з класів Андерсона.
Дані LULC були зібрані для використання в масштабах 1:250 000 та 1:100 000. Аналітики малювали контури полігонів земного покриву на вертикальних аерофотознімках. Пізніше контури були перенесені на прозорі плівкові геореєстровані з маломасштабними топографічними базовими картами. Малі масштаби карти не тримали завдання занадто довго і коштували занадто багато, але також змусили аналітиків досить багато узагальнити полігони земельного покриву. Найменші рукотворні риси, закодовані в даних LULC, мають розмір чотири гектари (десять акрів) і принаймні 200 метрів (660 футів) шириною в найвужчій точці. Найменші неантропогенні риси мають розмір шістнадцять гектарів (40 акрів), мінімальна ширина 400 метрів (1320 футів). Менші функції були агреговані в більші. Після того, як полігони земельного покриву були намальовані на папері та геозареєстровані топографічними базовими картами, їх оцифрували як векторні ознаки та приписували кодами земельного покриву. Пізніше була випущена растеризована версія даних LULC.
Для отримання додаткової інформації відвідайте домашню сторінку LULC USGS.
Наступником LULC є Національні дані про земельний покрив USGS (NLCD). На відміну від LULC, який виник як набір векторних даних, в якому найменші об'єкти мають розмір близько десяти акрів, NLCD - це набір растрових даних з просторовою роздільною здатністю 30 метрів (тобто пікселі представляють близько 900 квадратних метрів на землі), отриманий із зображень ТМ Landsat. Етапи, що беруть участь у виробництві NLCD, включають попередню обробку, класифікацію та оцінку точності, кожен з яких коротко описаний нижче.
ПОПЕРЕДНЯ ОБРОБКА
Перша версія NLCD-NLCD 92 - була виготовлена для підмножин десяти федеральних регіонів, що складають однозначні Сполучені Штати. Основними джерельними даними були смуги 3, 4, 5 та 7 (видимий червоний, ближній інфрачервоний, середній інфрачервоний та тепловий інфрачервоний) безхмарних сцен ТМ Landsat, придбаних навесні та восени (коли дерева переважно оголені листя) 1992 року. Вибрані сцени були геометрично та радіометрично виправлені, потім об'єднані в субрегіональні мозаїки, що складаються не більше ніж з 18 сцен. Потім мозаїки проектувалися на ту саму проекцію Albers Conic Equal Area (зі стандартними паралелями на 29,5° та 45,5° північної широти та центральним меридіаном на 96° західної довготи) на основі горизонтальної бази NAD83.
КЛАСИФІКАЦІЯ ЗОБРАЖЕНЬ
Неконтрольований алгоритм класифікації був застосований до попередньо оброблених мозаїк для створення 100 спектрально відмінних піксельних кластерів. Використовуючи аерофотознімки та інші посилання, аналітики зображень USGS потім призначили кожен кластер одному з класів у модифікованій версії класифікаційної схеми Андерсона. Значна інтерпретація була потрібна, оскільки не всі функціональні класи мають унікальні спектральні зразки відгуку.
| Класи I рівня | Класи II рівня | |
|---|---|---|
| Вода | 11 | Відкрита вода |
| 12 | Багаторічний лід/сніг | |
| Розроблено | 21 | Низька інтенсивність Житловий |
| 22 | Високої інтенсивності житлових | |
| 23 | Комерційний/Промисловий/Транспорт | |
| Безплідний | 31 | Гола скеля/пісок/глина |
| 32 | Кар'єри/Смугові шахти/Гравійні кар'єри | |
| 33 | Перехідний | |
| Лісова височина | 41 | Листяний ліс |
| 42 | Вічнозелений ліс | |
| 43 | Змішаний ліс | |
| Чагарник | 51 | Чагарник |
| Ненатуральні деревні | 61 | Сади/Виноградники/Інше |
| Трав'яниста височина природна/напівприродна рослинність | 71 | Пасови/Трав'янисті |
| Трав'янисті посаджені/Культивується | 81 | Пастбище/Сіно |
| 82 | Рядні культури | |
| 83 | Дрібні зерна | |
| 84 | Пар | |
| 85 | Міські/Рекреаційні Трави | |
| водно-болотних угідь | 91 | Деревні болотні угіддя |
| 92 | Трав'янисті водно-болотні угіддя | |
Модифікована класифікація землекористування/земного покриву Андерсона, що використовується для Національного набору даних земного покриву USGS.
ОЦІНКА ТОЧНОСТІ
USGS найняла постачальників приватного сектора для оцінки точності класифікації NLCD 92 шляхом перевірки випадково відібраних пікселів проти вручну інтерпретованих аерофотознімків. Результати перших чотирьох завершених регіонів припустили, що ймовірність того, що даний піксель правильно класифікований, коливається лише від 38 до 62 відсотків. Значна частина помилки класифікації була виявлена серед класів рівня II, які складають різні класи рівня I, і деякі класи були набагато більш схильні до помилок, ніж інші. USGS заохочує користувачів агрегувати дані в 3 x 3 або 5 x 5 піксельних блоків (іншими словами, зменшити просторову роздільну здатність з 30 метрів до 90 або 150 метрів) або агрегувати 21 Level II класи в дев'ять класів рівня I. Навіть в сучасну епоху супутникової зйомки з високою роздільною здатністю та складних методів обробки зображень все ще немає дешевого та простого способу отримання детальних, точних географічних даних.
Витяг з NLCD 92, який відповідає тій же частині Бушкілла, PA чотирикутник відображений в інших файлах даних USGS, наданих з попередніми главами. Переглядач даних - це ArcExplorer версії 2 від ESRI.
Легенда карти для Національного набору даних про земельний покрив.
Для отримання додаткової інформації про NLCD 92 та його наступника, NLCD 2001, відвідайте Консорціум характеристик землі з кількома роздільними рішеннями.
ГЛОБАЛЬНІ ДАНІ ПРО ЗЕМНИЙ ПОКРИВ
Тим часом, Національне агентство геопросторової розвідки США (раніше Національне агентство зображень та картографування) найняло компанію під назвою Earthsat (Now MDA Federal), щоб виробляти 120-метрову роздільну здатність, 13-клас землекористування/набір даних про земельний покрив для решти світу. Цей продукт, який називається Geocover LC, походить від 30-метрових зображень ТМ Landsat з 1990-х і 2000 років. Група аналітиків зображень призначила 240 кластерів, вироблених за неконтрольованою класифікацією, до тринадцяти класів землекористування/земного покриву (Barrios, 2001). Для отримання додаткової інформації про Geocover LC відвідайте Інформаційні системи MDA та GeoCover LC.
8.20. Класифікація без нагляду вручну
СПРОБУЙ ЦЕ!
Ця діяльність допоможе вам пройти модельовану класифікацію віддалених даних зображень без нагляду, щоб створити карту земного покриву. Почніть з перегляду та друку PDF-файлу Activity класифікації зображень.
1. Побудуйте значення відбивної здатності.
Дві сітки у верхній частині другої сторінки PDF-файлу представляють значення коефіцієнта відбиття у видимих червоних та ближніх інфрачервоних діапазонах довжин хвиль, виміряних приладом дистанційного зондування для земельної ділянки. Використовуючи графік (подібний до наведеного нижче) на першій сторінці PDF-файлу, який ви надрукували, побудуйте значення відбивної здатності для кожного пікселя та запишіть номер кожного пікселя (від 1 до 36) поруч із його розташуванням на графіку. Піксель 1 був нанесений для вас (видима червона смуга = 22, ближній інфрачервоний діапазон = 6).
- Після завершення заповнення графіка ви можете перевірити свій прогрес, перейшовши за цим посиланням на заповнений графік.
2. Визначте чотири класи земельного покриву.
Дивлячись на завершений сюжет з першого кроку, визначте і обведіть чотири кластери (класи) пікселів. Позначте ці чотири класи A, B, C і D.
- Після того, як ви обвели чотири кластери пікселів на графіку, ви можете перевірити свій прогрес, перейшовши за цим посиланням, щоб переглянути ідентифіковані кластери.
- Примітка. Можливо, ви позначили кластери по-різному, але чотири кластери повинні містити однакові точки, більш-менш, як у прикладі.
3. Заповніть сітку карти земельного покриву.
Використовуючи кластери, які ви визначили на попередньому кроці, заповніть сітку карти земельного покриву літерою, яка представляє клас землекористування, до якого належить кожен піксель. В результаті виходить засекречене зображення.
- Якщо ви хочете перевірити свою карту земельного покриву, ви можете перейти за цим посиланням, щоб переглянути заповнену карту земельного покриву.
- Примітка. Якщо ви позначили кластери на другому кроці інакше, ніж на прикладі, ваша карта земного покриву може виглядати інакше, але шаблони повинні виглядати схожими.
4. Заповніть легенду, яка пояснює асоціацію.
Використовуючи дані спектрального відгуку, надані на другій сторінці PDF-файлу, пов'яжіть кожен з чотирьох класів із класом землекористування.
- Ви можете перевірити свої результати, перейшовши за цим посиланням, щоб переглянути завершену легенду.
- Примітка. Залежно від того, як ви позначили свої кластери, ваша легенда може відрізнятися від прикладу легенди, однак, коли ви застосовуєте свою легенду до карти земельного покриву, класи землекористування на вашій карті повинні збігатися з прикладом карти.
Тепер ви завершили неконтрольовану класифікаційну діяльність, в якій ви використовували дані віддаленого зондування зображень для створення карти земного покриву.
ПРАКТИКА ВІКТОРИНИ
Зареєстровані студенти штату Пенн повинні повернутися зараз до папки Chapter 8 в ANGEL (через меню Ресурси ліворуч), щоб пройти тест самооцінки про обробку зображень.
Ви можете приймати практичні вікторини стільки разів, скільки хочете. Вони не забиваються і ніяк не впливають на вашу оцінку.
8.21. Мікрохвильова піч даних
Системи дистанційного зондування, які ви вивчали до цього часу, чутливі до видимих, ближніх інфрачервоних та теплових інфрачервоних діапазонів електромагнітного спектра, довжин хвиль, при яких величина сонячного випромінювання найбільша. IKONOS, AVHRR та прилади Landsat MSS, TM та ETM+ - це пасивні датчики, які вимірюють лише випромінювання, випромінюване іншими об'єктами.
Є два основних недоліки пасивного зондування видимого та інфрачервоного діапазонів. По-перше, хмари заважають як вхідному, так і вихідному випромінюванню на цих довжині хвиль. По-друге, відбите видиме і ближнє інфрачервоне випромінювання можна вимірювати тільки в денний час доби. Ось чому датчик AVHRR виробляє видимі та ближні інфрачервоні зображення всієї Землі лише один раз на день, хоча він здатний проводити два щоденні сканування.
Електромагнітний спектр розділений на п'ять діапазонів довжин хвиль. (Адаптовано з Ліллесанд і Кіфер, 1994).
Довгохвильове випромінювання, або мікрохвильові хвилі, складаються з довжин хвиль між приблизно одним міліметром і одним метром. Мікрохвильові хвилі можуть проникати в хмари, але Сонце і Земля випромінюють настільки мало довгохвильового випромінювання, що його неможливо легко виміряти з космосу. Активні системи дистанційного зондування Землі вирішують цю проблему. Активні датчики, такі як ті, що знаходяться на борту супутників ERS Європейського космічного агентства, японські супутники JERS та канадський Radarsat, серед інших, передають імпульси довгохвильового випромінювання, а потім вимірюють інтенсивність та час подорожі цих імпульсів після їх відображення назад у космос від поверхні Землі. Мікрохвильове зондування не впливає на хмарний покрив і може працювати вдень або вночі. Як дані зображення, так і дані про висоту можуть бути отримані за допомогою мікрохвильового зондування, як ви виявите в розділах радіолокаційної та радіолокаційної альтиметрії, які слідують.
8.22. Радар візуалізації
Одним із прикладів активного дистанційного зондування, про який всі чули, є радар, який розшифровується як Radio Detection And Ranging. Радар був розроблений як система ППО під час Другої світової війни і в даний час є основною системою дистанційного зондування повітря контролери руху використовують для відстеження 40000 щоденних зльотів літаків і посадки в США радіолокаційні антени поперемінно передають і приймають імпульси мікрохвильової енергії. Оскільки відома як величина переданої енергії, так і її швидкість (швидкість світла), радіолокаційні системи здатні фіксувати або інтенсивність, або відстань в обидва кінці, пройдену імпульсами, відбитих назад до датчика. Системи, що фіксують інтенсивність імпульсу, називаються радарами візуалізації.
Крім своєї незамінної ролі в навігації, радар також є важливим джерелом даних растрових зображень про поверхню Землі. Радіолокаційні зображення виглядають так, як вони роблять через різні способи відображення об'єктів мікрохвильової енергії. Загалом, об'єкти з грубою текстурою відображають більше енергії назад до датчика, ніж гладкі об'єкти. Гладкі об'єкти, такі як водойми, мають високу відбиваючу здатність, але якщо вони не перпендикулярні напрямку вхідного імпульсу, відбита енергія все відскакує під кутом і ніколи не повертається до датчика. Шорсткі поверхні, такі як рослинні сільськогосподарські поля, мають тенденцію розсіювати імпульс у багатьох напрямках, збільшуючи ймовірність того, що деякий зворотний розкид повернеться до датчика.
Радіолокаційне зображення, що показує райони, затоплені повінню річки Міссісіпі в 1993 році. © 2001 Space Imaging, Inc. всі права захищені. Використовується за дозволом.
Радар зображення на борту Європейського супутника ресурсів (ERS-1) видав дані, використані для створення зображення, показаного вище. Гладка поверхня затопленої річки Міссісіпі відхиляла радіосигнал від датчика, тоді як навколишній грубий текстурований наземний покрив відбивав більші частини радіолокаційного імпульсу. Чим світліше об'єкт з'являється на зображенні, тим більше енергії він відбиває. Радар зображення може бути використаний для моніторингу масштабів повені незалежно від погодних умов. Пасивні інструменти, такі як Landsat MSS та TM, чутливі лише до коротших довжин хвиль, марні до тих пір, поки переважає небо, покрите хмарами.
8.23. Радіолокаційна альтиметрія
Альтиметрія - це вимірювання висоти. У попередніх розділах обговорювалися методи обстеження земель, що використовуються для розрахунку висот місцевості в полі (нівелювання та GPS), і фотограмметричні методи, що використовуються для вимірювання висот місцевості за стереоскопічними знімками, отриманими з пар аерофотознімків. Земельні зйомки та фотограмметричні зйомки дають високоякісні дані про висоту, але вони також трудомісткі та дорогі для проведення.
Радіолокаційна (і лазерна) альтиметрія забезпечує більш ефективні рішення, коли дані про висоту потрібні для великих площ. Наприклад, ви чули про місію топографії Shuttle Radar Topography Mission (SRTM), яка використовувала подвійні радіолокаційні висотометри для отримання 30-метрових даних висоти, а також стереоскопічних зображень місцевості для земної поверхні Землі між 60° північною та південною широтами. Далі ми розглянемо, як радіолокаційна альтиметрія була використана для створення глобального набору даних про висоту морського дна.
ПРОГНОЗУВАННЯ ГЛИБИН МОРСЬКОГО ДНА
Детальні карти батиметрії Землі (топографія дна океану) необхідні для вивчення тектоніки плит, виявлення потенційних морських родовищ нафти та корисних копалин, а також для прокладки підводних телекомунікаційних кабелів, серед іншого. Грубі глобальні набори даних (такі як ETOPO2, з роздільною здатністю 2 хвилини сітки) є недостатніми для таких цілей. Повільно рухаються поверхневі судини, оснащені гідроакустичними приладами, прокартували лише малу частку земної батиметрії.
Дані, отримані радіолокаційними датчиками, такими як ERS-1, використовуються для отримання глобальних даних про висоту морського дна. Радіолокаційні імпульси не можуть проникати в глибокий океан, але вони можуть бути використані для точного вимірювання висоти морської поверхні щодо глобального еліпсоїда, такого як WGS 84. Як відомо, геоїд визначається як середній рівень моря, скоригований з урахуванням впливу гравітації. Геодезисти винаходять еталонні еліпсоїди, такі як WGS 84, щоб наблизити форму геоїда фігурою, яку легше визначити математично. Оскільки гравітація змінюється залежно від маси, геоїд трохи випирає над еліпсоїдом над підводними горами та підводними вулканами, які часто піднімаються на 2000 метрів або більше над дном океану. Таким чином, дані про висоту поверхні моря, отримані супутниковими висотометрами, можуть бути використані для прогнозування досить детальної батиметрії, як показано на карті нижче.
Глобальна батиметрія прогнозується з висоти морської поверхні, виміряних радіолокаційною системою зондування ERS-1. Прогнозована батиметрія виявляє підводні гори та підводні вулкани висотою понад 1000 метрів, більше половини з яких раніше не були намічені. (Сендвелл і Сміт, 1998).
8.24. Використання радіолокаційної альтиметрії для моніторингу Ель-Ніньо
Дані віддаленого зондування відіграють вирішальну роль у дослідженнях глобальних змін. Одним із прикладів є дані, отримані радіолокаційною альтиметрією, які використовуються для моніторингу глобального кліматологічного явища під назвою Ель-Ніньо. Ель-Ніньо - це розмовна назва періодичного ослаблення пасатів і потепління поверхневих шарів східного і центрального екваторіального Тихого океану. Події Ель-Ніньо відбуваються нерегулярно з інтервалом 2-7 років і зазвичай тривають 12-18 місяців. Погано зрозумілі телезв'язки між океаном та атмосферою призводять до змінених регіональних моделей опадів, які іноді включають сильні повені. Анімація нижче ілюструє зміни температури морської поверхні, які супроводжували подію Ель-Ніньо 1997-98 років.
Аномалії температури поверхні моря з січня 1997 по березень 1998, оцінені на основі вимірювань на місці та даних про висоту поверхні моря, отриманих супутниковим висотоміром TOPEX-POSEIDON. ПРИМІТКА. Щоб повторити анімацію, утримуйте клавішу Shift і перезавантажте сторінку. (Центр кліматичної діагностики NOAA-CRIES, 2006).
Активне дистанційне зондування дає альтернативу дорогому і виснажливому бізнесу вимірювання температури морської поверхні безпосередньо в багатьох місцях по всьому Тихому океану.
Дослідники збирають дані з одного з 70 буїв масиву тропічної атмосфери океану (TAO). Буї ТАО оснащені приладами контролю температури морської поверхні. Погодинні спостереження зберігаються в пам'яті приладів і повинні бути отримані операторами. (Проект тропічної атмосфери океану, п. д.).
З 1992 по 2005 рр. радіолокаційний висотомір TOPEX/POSEIDON вимірював висоту поверхні океану з сантиметровою точністю. Датчик передавав і отримував довгохвильову енергію з інтервалом 6 км уздовж наземних колій, розташованих на відстані 315 км один від одного. Супутник, який ніс датчик, завершував полярну орбіту кожні 112 хвилин на висоті 1335 км, проходячи над тією ж точкою кожні 10 днів. Відхилення рівня моря (відмінності між геоїдом і вимірюваним рівнем моря) визначали за результатами вимірювань висоти поверхні океану щодо датчика, яка розраховується з різниці в часі між передачею і поверненням сигналів, відбитих від поверхні океану. Температура поверхні моря може бути виведена з відхилень висот морської поверхні відносно середніх довгострокових значень.
Відхилення висот морської поверхні від довгострокових середніх, виміряних радіолокаційним висотоміром TOPEX-POSEIDON. Відхилення рівня моря використовуються як сурогатна міра потепління східного екваторіального Тихого океану, що вказує на подію Ель-Ніньо. S-подібні криві простежують шлях полярної орбіти супутника, коли Земля обертається під ним. (NASA, Лабораторія реактивного руху, 2006).
ПРАКТИКА ВІКТОРИНИ
Зареєстровані студенти штату Пенн повинні повернутися зараз до папки Chapter 8 в ANGEL (через меню Ресурси ліворуч), щоб пройти тест самооцінки про Мікрохвильові дані.
Ви можете приймати практичні вікторини стільки разів, скільки хочете. Вони не забиваються і ніяк не впливають на вашу оцінку.
8.25. Резюме
Більшість даних дистанційного зондування отримані з вимірювань електромагнітного випромінювання. Аерофотознімки - це аналогові форми даних, які фіксують інтенсивності електромагнітного випромінювання у видимих або ближніх інфрачервоних діапазонах довжин хвиль. Цифрові системи зондування розширюють спектральну чутливість фотоплівки далеко за межі видимої смуги, дозволяючи користувачам відображати явища, які інакше невидимі. Оскільки багато об'єктів демонструють унікальні характеристики спектрального відгуку в діапазоні довжин хвиль, багатоспектральне зондування дає можливість автоматично ідентифікувати цікаві функції. Визнаючи цей потенціал, аналітики у багатьох галузях прийняли дані дистанційного зондування землі для таких різноманітних застосувань, як землекористування та картографування земного покриву, розвідка геологічних ресурсів, точне землеробство, археологічні дослідження та навіть перевірка обчислювальних моделей, що використовуються для прогнозування глобальних зміна навколишнього середовища. Після того, як ексклюзивний домен державних установ, галузеве опитування свідчить про те, що валовий дохід, отриманий приватними фірмами дистанційного зондування землі, перевищив 2,4 мільярда доларів США (США) у 2001 році (ASPRS, 2004).
Не можна не помітити той факт, що дистанційне зондування - це перш за все технологія спостереження, яку розгортають державні установи. За чутками, сучасні супутники-шпигуни можуть виявляти об'єкти шириною лише шість дюймів. Тим часом GeoEye та інші приватні фірми отримали ліцензію на створення та запуск півметрових панхроматичних датчиків. Зі збільшенням роздільної здатності знімків, що віддалено відчуваються, а ціна знижується, проблеми конфіденційності неодмінно зростатимуть. Наприклад, дані дистанційного зондування мали ключове значення у справі фермера Арізони, який був оштрафований за незаконне вирощування бавовни (Kerber, 1998). Чи було право фермера стверджувати, що дистанційне зондування є необґрунтованим пошуком? Більш серйозним, мабуть, є потенційний вплив галузі дистанційного зондування на оборонну політику США та інших країн. У світлі очікуваних інвестицій у розмірі 500 мільярдів доларів у комерційні супутники (включаючи супутники зв'язку, а також системи дистанційного зондування Землі) до 2010 року, деякі аналітики вважають, що «військові будуть покликані захищати американські інтереси в космосі, оскільки флоти були сформовані для захисту морської торгівлі в 1700-х» (Ньюмен, 1999).
Хоча етичні наслідки технологій дистанційного зондування не повинні ігноруватися, а також їх потенціал, щоб допомогти нам стати більш обізнаними і, отже, більш ефективними стюардами нашої рідної планети. Перш ніж дистанційне зондування зможе реалізувати цей потенціал, необхідно вирішити кілька проблем. Одним з них є необхідність отримання економічно ефективних даних з високою роздільною здатністю, придатних для локального масштабування - масштабу, в якому приймається більшість рішень щодо землекористування. Іншим є необхідність розробки більш складних алгоритмів обробки зображень, які дозволять аналітикам витягувати векторні об'єкти з растрових вихідних даних з мінімальним втручанням. Ще однією проблемою є розробка автоматизованих методів класифікації, які допоможуть отримати значущі закономірності з даних, отриманих новим поколінням гіперспектральних сканерів - сенсорних систем, які одночасно вимірюють відбите та випромінюване випромінювання у 200 або більше вузьких діапазонах довжин хвиль.
ВІКТОРИНА
Зареєстровані студенти штату Пенн повинні повернутися зараз до папки Chapter 8 в ANGEL (через меню Ресурси ліворуч), щоб пройти оцінену вікторину для цієї глави.
Це один враховує. Ви можете взяти оцінені вікторини лише один раз.
Мета вікторини полягає в тому, щоб переконатися, що ви уважно вивчили текст, що ви освоїли практичну діяльність, і що ви виконали навчальні цілі глави. Ви можете переглядати главу під час вікторини.
Після того, як ви надіслали вікторину та опублікували будь-які питання, які можуть виникнути на нашому Дискусійному форумі глави 8, ви завершите главу 8.
КОМЕНТАРІ ТА ПИТАННЯ
Зареєстровані студенти можуть залишати коментарі, запитання та відповіді на запитання щодо тексту. Особливо вітаються анекдоти, які пов'язують текст глави з вашим особистим або професійним досвідом. Крім того, в системі управління курсами ANGEL доступні дискусійні форуми для коментарів і питань на теми, якими ви, можливо, не захочете ділитися з усім світом.
Щоб залишити коментар, прокрутіть вниз до текстового поля під «Опублікувати новий коментар» і почніть вводити текст у текстовому полі, або ви можете відповісти на існуючу гілку. Коли ви закінчите вводити текст, натисніть кнопку «Попередній перегляд» або «Зберегти» (Зберегти фактично надішле ваш коментар). Після того, як ваш коментар буде опублікований, ви зможете редагувати або видаляти його за потребою. Крім того, ви зможете відповісти на інші публікації в будь-який час.
Примітка: перші кілька слів кожного коментаря стають його «заголовком» у гілці.
8.26. Бібліографія
Американське товариство фотограмметрії та дистанційного зондування (2004). ASPRS/NASA десятирічний прогноз галузі. Фотограмметрична інженерія та дистанційне зондування, 70:1 Спочатку отримано 2 березня 2008 року з www.asprs.org/news/forecast/ (закінчився). Отримано 30 листопада 2011 року з http://www.asprs.org/a/news/forecast/10-year-ind-forecast-exec-summary.pdf
Каліфорнійський технологічний інститут. Спектральна бібліотека АСТЕР. Отримано 3 червня 2001 року з http://speclib.jpl.nasa.gov
Кемпбелл, Дж. Б. (1983). Картування землі: Аерофотознімки для інформації про землекористування. Вашингтон, округ Колумбія: Асоціація американських географів.
Колуччі, Дж. Технологія відкупорювання: Краще вино за допомогою дистанційного зондування. ЕОМ, Май, сс. 32-35.
Коуен, Дж. і Дженсен, Дж. Р. (1998). Вилучення та моделювання міських атрибутів за допомогою технології дистанційного зондування. У Д. Ліверман, Е.Ф. Моран, Р.Р. Ріндфусс і П.К. Стерн (ред.) , Люди та пікселі: зв'язок дистанційного зондування та соціальних наук (с. 164-188). Вашингтон, округ Колумбія: Національна академія преси, Національна дослідницька рада.
Ейденшинк, Дж., і Фаундін, Дж. Л. (1994). Глобальний набір даних про землю AVHRR на 1 км: Перші етапи впровадження. Міжнародний журнал дистанційного зондування, 15, с. 3443-3462.
ГеоОко (2007). Продукти для зображень GeoEye: GeoEye 1. Отримано 1 березня 2008 р., зwww.geoeye.com/продукти/imagery/geoeye1/default.htm (закінчився, або переїхав на сайт Launch.geoeye.com/Launchsite/About/)
Центр геофізичних даних, Національне управління океанічних та атмосферних впливів (2005). Оборонна метеорологічна супутникова програма EOG (DMSPP). Отримано 3 червня 2001 р., зwww.ngdc.noaa.gov/dmsp/dmsp.html
Дженсен, Дж. Р. (1996). Вступна цифрова обробка зображень: перспектива дистанційного зондування. Верхня річка Сідло, штат Нью-Джерсі: Прентіс Холл.
Лабораторія реактивного руху. Топографія поверхні океану з космосу. Національне управління з аеронавтики та космічного простору. Отримано 20 червня 2006 р., з http://sealevel.jpl.nasa.gov/
Кербер Р. Коли супутникове фото є необгрунтованим пошуком? Уолл-стріт журнал, 27 січня 1998 року.
Ліллесанд, Т. і Кіфер, Р. (1994). Дистанційне зондування та інтерпретація зображень (3-е видання). Нью-Йорк, Нью-Йорк: Джон Уайлі та сини.
Ньюман, Р.Дж. (1999). Нова космічна гонка. Новини США та світовий звіт, 8 листопада, стор. 30-38.
Національне управління з аеронавтики та космічного простору (2001). Програма Landsat. Отримано 3 червня 2001 р., з http://landsat.gsfc.nasa.gov
Центр кліматичної діагностики NOAA-CIRES. Отримано 20 червня 2006 р., з http://www.cdc.noaa.gov/map/clim/sst_olr/sst_anim.shtml
Сендвелл, Д.Т. і Сміт, В.Х. (1998). Досліджуючи океанічні басейни з даними супутникового висотоміра. Отримано 18 грудня 1998 р., зwww.ngdc.noaa.gov/MGG/батиметрія/передбачувана/дослідний.html
Стейнванд Д.Р. Відображення растрових знімків до перерваної проекції гомолозину гуде. Міжнародний журнал дистанційного зондування, 15:17, с. 3463-3471.
Проект тропічної атмосфери океану. (п. д.). Фотогалерея буя ТАО. Отримано 20 червня 2006 р., з http://www.pmel.noaa.gov/tao/proj_over/diagrams/buoy.html
Геологічна служба США (2001). Постріли Землі: супутникові знімки змін навколишнього середовища. Отримано 6 березня 2001 р., з http://earthshots.usgs.gov/
Геологічна служба США. Глобальний проект «Земля 1-км» AVHRR. Отримано 31 травня 2006 р., з CSNS17.cr.usgs.gov/1 км/
Геологічна служба США (2011). Земля зараз! Переглядач зображень Landsat. Отримано 30 листопада 2011 року з http://earthnow.usgs.gov/