satellitari Capitolo 2 Ciò che non conosci lo trovi dove non sei mai stato

Transcript

1 Capitolo 2 Ciò che non conosci lo trovi dove non sei mai stato 26

2 2. ELABORAZIONE IMMAGINI SATELLITARI 2.1. Introduzione In questa prima parte della tesi si vuole analizzare la cartografia già esistente del distretto di Caia per poi proporre un lavoro e soprattutto un metodo di lavoro appropriato sulla produzione di mappe tematiche. Nello studio verrà utilizzato il GIS GRASS, un GIS open source con licenza GNU, scaricabile da internet ed utilizzabile liberamente. Questa scelta è stata fatta sia per le qualità del software sia per permettere a coloro che usufruiranno del seguente lavoro, anche nei PVS, di poter sviluppare le proprie conoscenze in maniera autonoma (a tale fine è prevista anche una traduzione). Nella raccolta dei dati si è visto come già nel 1995 sia stato portato avanti uno studio pilota sulle zone coltivate di Sena - Caia - Mutarara dall'usgs (U.S.Geological Survey), utilizzando anche in questo caso delle foto in cinque diversi periodi (1973, 1985, 1992, 1994, 1995), per capire l'evoluzione delle zone coltivate prima dell'indipendenza (1975), durante la guerra civile ( ) e dopo la fine della guerra. Vista la mancanza di mappe realizzate da immagini ad alta risoluzione, il progetto iniziale consisteva nell'utilizzo di foto con risoluzione di 1 metro ricavate dal satellite Ikonos. L'assenza di tali immagini nell'archivio di Euroimage [14], fornitore ufficiale di immagini Ikonos per l'italia, avrebbe previsto un acquisto su richiesta. Ciò avrebbe significato attendere il mese di aprile, cioè la fine della stagione delle piogge, per avere un'immagine del distretto sgombera da nubi. Cosa non accettabile per i tempi di realizzazione di questa tesi. Di conseguenza si è optato per l'acquisto di immagini a 30 metri dal satellite Landsat7, presenti nell'archivio di Euroimage e disponibili in pochi giorni (allegato C). Le foto, per ottenere una migliore distinzione tra i diversi tipi di colture, dovrebbero essere acquisite all'inizio della stagione secca, cioè tra aprile e maggio prima della raccolta e della successiva bruciatura dei campi. Nel nostro caso l'unica scena riguardante questo periodo che poteva essere acquisita è del 23 27

3 maggio 2001 che se da un lato è estremamente rappresentativa per capire l'evoluzione del territorio, dall'altro ha il problema della presenza nella zona a nord del distretto di una serie di nuvole che influenzano in parte la valutazione dell'utilizzo del suolo. A questo proposito è stata acquistata anche un'immagine del 22 agosto 1999, sgombra da qualsiasi tipo di nuvole, per poter effettuare un confronto incrociato sul campo (allegato D). I dati forniti dalle immagini sono stati poi integrati con dati presi sul posto che individuano i vertici dei campi coltivati e che hanno una sigla diversa in base al tipo di coltura o di insediamento che rappresentano. Sono stati inoltre raccolti punti per caratterizzare le principali vie di comunicazione del distretto e si è delimitata la zona di esondazione della piena dello Zambesi nel Utilizzando i punti presi a terra che definiscono la massima espansione della piena del 2001, si è riusciti ad ottenere una mappa che caratterizza le zone alluvionate e quindi maggiormente a rischio per la popolazione Il sistema GRASS e gli strumenti utilizzati GRASS è un sistema informativo territoriale inizialmente creato dall esercito americano ed il cui sviluppo è attualmente coordinato dalla Baylor University. È disponibile in rete [15] unitamente alla documentazione per la sua installazione, utilizzo e programmazione. È aperto a evoluzioni ad opera degli utenti e questa sua caratteristica, oltre a far presupporre un intenso sviluppo ed una buona diffusione del sistema, pone le basi ad approfondimenti operativi in campi estremamente diversificati. GRASS è definito GIS completo (Geographic Information Sistem): esso consente il trattamento di una gran mole di dati, è caratterizzato da funzionalità complete e facilmente estendibili e non è dedicato ad una specifica utenza. Proprio per queste sue caratteristiche il sistema GRASS rende necessario per il suo utilizzo il supporto di Workstation Unix o PC Linux. I GIS completi come GRASS (o ARCHINFO) richiederebbero un lungo periodo di apprendimento (a volte superiore l anno), ma attraverso interfacce grafiche i 28

4 tempi occorrenti all acquisizione della necessaria esperienza scendono vertiginosamente. Per utilizzare GRASS esistono due filosofie di lavoro. La prima è quella di digitare i comandi direttamente da console, la seconda utilizzando i menù a tendina con interfaccia alla Windows. Entrambe presentano sia aspetti positivi sia negativi. Probabilmente l uso dei comandi a tendina si dimostra più comodo nelle fasi iniziali dell apprendimento: l utente è maggiormente facilitato nella ricerca del comando e la presentazione delle opzioni legate ai programmi risulta più user friendly. Durante un lavoro con GRASS, si possono presentare delle operazioni da svolgere in modo ripetitivo (apertura e chiusura dei monitor, pulizia del display ) oppure processi di analisi che possono essere svolti solo da console. Acquistando maggior confidenza con il sistema informativo territoriale, comprendendone le potenzialità e i limiti, l uso della tastiera integra sempre più l utilizzo dei menù a tendina. I comandi riportati di seguito in questa relazione, sono stati sperimentati sia utilizzando la tastiera sia il menù a tendina. Verrà comunque descritto solo l approccio che nello svolgimento del lavoro si è rivelato più efficace, valutando anche: la semplicità nell introduzione degli input, non che la chiarezza delle opzioni applicabili all output. Nelle operazioni a terra nella classificazione delle diverse colture e delle diverse strutture insediative si è fatto uso del GPS III Plus. Tale strumento, ha effettuato misurazioni in assoluto e in modalità cinematica con uno scarto quadratico medio variabile tra i 4 m e i 6 m. Nella valutazione della quota sul livello del mare lo strumento si è rivelato molto impreciso, dipendendo questa misura molto dalle condizioni di nuvolosità del cielo. Si è potuto comunque utilizzare per il calcolo dei dislivelli relativi con una perfetta coincidenza dei dati anche con diverse condizioni atmosferiche. 29

5 Requisiti per installare GRASS GRASS può essere compilato su macchine WorkStation SUN, Silicon Graphics e IBM PC. Il codice sorgente è scritto in 'C' ciò permette una grande trasportabilità su differenti varianti UNIX e sistemi operativi. Le piattaforme sulle quali GRASS è stato testato dal GRASS Research Group sono: Linux 2.x, SGI Irix 5.x SUN Solaris 2.4x, 2.5x, 2.6x, SUN OS 4.x HP UX 9.x, 10.x, Microsoft Windows95/NT Requisiti di spazio: Minimo 8 megabytes RAM 140 megabytes di spazio su harddisk per i codici sorgente 120 megabytes di spazio su hard disk per i binari compilati (Linux: 40 megabytes) compilatore 'C Ottimo 32 megabytes RAM o più 140 megabytes di spazio su harddisk per i codici sorgente 120 megabytes di spazio su hard disk per i binari compilati (Linux: 40 megabytes) compilatore 'C' Motif o free Motif-clone per la compilazione in X-GRASS da 100 megabytes a parecchi gigabytes di spazio su hard disk per i dati 2.3. Il satellite Landsat7 30

6 I dati costituiscono un potente strumento per l'acquisizione di informazioni sul territorio da inserire all'interno dei GIS, nel nostro caso da inserire in GRASS. Attualmente, il Landsat 7 è il satellite che meglio unisce esigenze di risoluzione, contenuto informatico e frequenza di aggiornamento con un costo accettabile (infatti il prezzo di una full-scene è compreso tra 600 e 1500 $). Purtroppo, come vedremo, nonostante la buona frequenza con cui il satellite rileva le immagini, ci si è dovuti accontentare di immagini relative al 22 agosto 1999 e al 23 maggio 2001, in quanto la stagione delle piogge che in questo periodo imperversa sulla regione non permette di acquisire immagini più recenti sgombere da nubi. Fig. 2.1: Localizzazione delle immagini acquistate [16]. Il Landsat 7 è stato lanciato il 15 aprile del 1999 da una base in California. L'orbita circolare eliosincrona si sviluppa ad un'altezza di 705 km, ha un nodo discendente a ore 10:00 (incrocio con il piano equatoriale nella fase discendente dell'orbita), ha un periodo di 98,9 minuti, quindi il satellite compie circa 14,56 giri attorno alla terra al giorno. Lo strumento che misura la radiazione emessa e riflessa dalla superficie terrestre è il sensore ETM+ Enhanced Thematic Mapper Plus che significa Rilevamento Tematico Aumentato. Questo nuovo sensore acquisisce immagini a otto bande 31

7 spettrali, delle quali tre sono di luce visibile, tre sono di infrarossi, una di infrarosso termico e una in pancromatico; mentre le prime sette bande hanno una risoluzione geometrica di 30 metri, quest'ultima ha una risoluzione di 15 metri ed è estesa dal visibile al vicino infrarosso nel range spettrale compreso tra 0,52 e 0,9 mm. Fig. 2.2: Spettro elettromagnetico e bande dell ETM+ [17]. Banda [mm] Denominazione Risoluzione spaziale [m] Banda 1 (Blu) Banda 2 (Verde) Banda 3 (Rosso) Banda 4 (vicino IR) Banda 5 (medio IR) Banda 6 (IR termico) Banda 7 (medio IR) Pancromatico 15 Tab. 2.3: Caratteristiche delle bande del sensore ETM+ [17]. Un'importante caratteristica dei dati Landsat è quella di offrire una copertura, per ogni singola scena, estremamente elevata: 180x170 km per tutte le bande offerte. Infatti la zona di nostro interesse è coperta da un'unica scena con indubbi vantaggi economici. A ciò si aggiunge un miglioramento nella precisione della calibrazione geometrica, infatti, la geometria di ripresa del sensore, pressochè verticale, 32

8 consente di ottenere distorsioni estremamente basse all'interno dell'immagine, per cui utilizzando i soli quattro punti di controllo forniti insieme alla scena è possibile una buona correzione geometrica del dato mediante semplici rotazioni dell'immagine stessa La georeferenziazione La collocazione di un immagine in un sistema di riferimento terrestre ossia il collegamento tra ogni singolo pixel della foto e la sua posizione spaziale corrispondente nella realtà, viene chiamata georeferenziazione. Essa consente la localizzazione dei dati sul territorio e di affiancare o unire correttamente più immagini. Il materiale a nostra disposizione sono due foto Landsat ogni una costituita da otto immagini.tiff che rappresenta le diverse bande di acquisizione del fotogramma. Si é quindi reso necessario eseguire tale operazione per localizzare le immagini nello spazio. Questo processo consiste nell attribuire ad ogni pixel le coordinate spaziali nel sistema di riferimento, scelto precedentemente nella creazione del database di GRASS. Nel formato GeoTIFF, viene memorizzato il valore X ed Y (in coordinate UTM/WGS84) del primo pixel in alto a sinistra dell immagine (comprendendo anche eventuali pixel neri di contorno), che con l informazione del pixel size (per Landsat 30 metri) permette ai software di calcolare la coordinata di ogni punto dell immagine. In questo caso la scena utilizzata è pathoriented e non map-oriented. L'immagine è il più fedele possibile all originale come acquisita dal satellite, però non è orientata a Nord, ma secondo la direzione di acquisizione del satellite (la path). Il Geotiff riconosce esattamente la coordinata del primo punto in alto a sinistra, ma sbaglia a calcolare tutti gli altri e quindi la scena non viene localizzata correttamente. I software infatti pensano che la prima riga dell immagine sia sempre alla stessa quota di Y (latitudine). 33

9 Utilizzando dal menù a tendina il comando Query with mouse e selezionando con il mouse i vertici dell immagine, si ottengono le coordinate del punto ancora da georeferenziare. Generalmente, con questo processo si vuole applicare una rototraslazione con variazione di scala. Sul file mtl.tif vengono forniti i valori esatti di sud (S) ed est (E) dei quattro vertici della foto. Il fatto stesso di utilizzare un immagine digitale fissa implicitamente un sistema di riferimento formato dalle righe e colonne di pixel sull immagine. Utilizzando il comando i.info da tastiera, è possibile conoscere le dimensioni in pixel della figura, ossia il numero di righe e di colonne che la compongono, le coordinate UTM dei vertici della regione e la risoluzione N-S e E-O. Per la realizzazione occorre importare le ortofoto dal database con il comando da tastiera, r.in.gdal. Pur trattandosi di file.tiff, GRASS non è stato in grado di importare le immagini con il comando (a tendina) Import -> Raster Maps scegliendo poi il formato Tiff. Si è assegnata ad essi una nuova denominazione in base alla banda di appartenenza. Automaticamente essi venivano trasformati in file raster leggibili da GRASS. Successivamente si procedeva alla creazione dell imagery group con Image-> Create/Modify Imagery Group. In questo ambiente chiamato, per semplicità, GEOREF, venivano direttamente caricati i file raster per la conseguente georeferenziazione. Con Image-> Target Imagery Group, veniva indicato al programma dove porre l output del processo di rotazione. Per ragioni di semplicità si e optato ancora per il gruppo GEOREF. Alla fine dei calcoli, all interno di esso, si sarebbero trovati sia i raster provenienti dalle ortofoto che i file georeferenziati prodotti dal programma. Dal menù a tendina di GRASS selezionando Raster-> Image processing > Rectification-> Setting ground control points è possibile operare un analisi dell ortofoto che permette di georeferenziarla in modo quasi automatico. La procedura osservata è la seguente: con il mouse sono individuati i quattro vertici della foto; in maniera automatica compaiono le coordinate fittizie di questi 34

10 ultimi. A questo punto si possono sostituire una per una con il valore reale secondo l orientazione a Nord in coordinate UTM. Viene lanciato il programma raster-> Image processing > Rectification > Affine transformation. Introdotte le coordinate così ottenute, GRASS procede, utilizzando un algoritmo interno, ad una compensazione della trasformazione affine. Per questo processo sono a disposizione solo quattro punti, numero minimo accettabile ma allo stesso tempo sono quelli più esterni alla figura, che permettono una migliore georeferenziazione. Questo perché è più semplice ruotare accuratamente un immagine tenendola agli spigoli piuttosto che usando quattro perni molto vicini tra loro e localizzati in una zona qualunque del raster Elaborazione dati GPS I dati forniti dal GPS (vedi allegato E) sono stati importati grazie al programma Mapsource in ambiente Windows di qui salvati come file.txt leggibile anche in ambiente Linux e preparati per essere letti da GRASS, incolonnando i dati come segue: coordinata UTM X coordinata UTM Y Label Tramite il comando a tendina Import-> Sites-> ASCII si sono importati i punti in GRASS e visualizzati poi con Site-> Display-> Display site markers. Con questo comando è inoltre possibile scegliere il colore, la forma e la dimensione da assegnare ai punti. Già a prima vista quando si sono riportati i punti sulla foto si sono distinte subito le zone abitate e gran parte delle strade come anche il lungo ponte sullo Zambesi (6 km). In tutto sono stati rilevati 264 punti, la maggior parte dei quali lungo lo Zambesi, nell intento di ottenere un campione il più possibile rappresentativo per le diverse classi. 35

11 Fig. 2.5: Localizzazione dei punti rilevati all'interno del Distretto di Caia Utilizzo dei file in formato Mapinfo Nella relazione di ACF (Action Contre la Faim), ONG francese presente nel distretto di Caia alla fine degli anni 90, erano presenti alcuni file.tab, leggibili da Mapinfo, utili per lo studio del territorio. La metodologia usata per trasformare tali file in raster utilizzabili da GRASS è stata la seguente: in Mapinfo si è dapprima aperto il file contenete i dati di interesse. Dal menù a tendina si è selezionato tools, Arklink, Mapinfo -> Arcinfo. Si è scelto il file.tab corrispondente con le opzioni Add Table to Export File e Polygon. Si è proceduto con Save Table to List in Single Precision e si è quindi lanciata la trasformazione con Translate. A questo punto si è ottenuto il file *.e00. 36

12 Questo procedimento è stato eseguito sia per i limiti delimitando la zona soggetta all analisi, sia per le zone paludose del Distretto utilizzate poi come confronto con le mappe ottenute. Si sono importati questi file in GRASS con il comando m.in.e00 e si è creata la struttura dati del file vettoriale con il comando v.support Le maschere Il programma r.mask consente all utente di bloccare alcune zone di una mappa dall analisi, nascondendole alla vista di altri comandi di GRASS. Brevemente si dice: creare una maschera. Definendo una maschera si consente alla maggior parte dei programmi di GRASS di operare solo sui dati che ricadono dentro all area mascherata ed ignorare quelli al di fuori [18]. Con il comando r.mask si può rimuovere la maschera corrente, crearne una nuova oppure uscire dal programma. Per la seconda opzione il programma richiede il nome di un raster già esistente. Si ricorda che il raster è una matrice ed ogni elemento è contraddistinto da un particolare valore. I diversi valori prendono il nome di categorie. Viene richiesto dal programma di assegnare un valore di 1 o 0 ad ogni categoria della mappa. Le aree alle quali viene dato il valore di categoria 1 diverranno parte della maschera al contrario i territori ai quali viene associato il valore di categoria 0 diventeranno zone senza significato e la loro presenza sarà ignorata dai programmi GRASS lanciati successivamente. È importante sottolineare che gli spazi dentro la maschera non sono nascosti, i settori fuori la maschera saranno, invece, ignorati. Importato il vettoriale dei confini del Distretto si è escluso subito il resto dell'immagine, per avere così un'analisi più puntuale della zona e allo stesso tempo escludere una notevole parte del territorio ininfluente ai fini dell'analisi che avrebbe quanto meno triplicato i tempi dell'analisi. Con il comando r.digit, scegliendo l opzione area, si è creato il raster confini distrettuali, che escludesse le zone prive di interesse. Queste ultime assumevano il 37

13 valore di categoria 1, mentre l area del distretto veniva classificata come categoria 0. A questo punto si è applicata la maschera al distretto. Si è così ottenuta una mappa che conservasse nell'interno del distretto le sue caratteristiche inalterate e non attribuisse alcun significato alle zone dei confini distrettuali. Questo procedimento è stato usato per escludere anche le zone nuvolose presenti all'interno dei confini del distretto. Nel caso della foto relativa a agosto occupano solo una piccola parte del territorio nella zona a est mentre per quanto riguarda la foto di maggio la zona del distretto e ricoperta sia nella fascia centrale sia in parte nel sud. Ciò andrà inevitabilmente a ripercuotersi sui risultati finali delle mappe prodotte, in quanto molti dei punti rilevati al suolo ricadono malauguratamente nella zona d ombra prodotta dalle nuvole. Fig. 2.4: Maschere utilizzate per le immagini di agosto e di maggio Procedura per il riconoscimento dei diversi tipi di uso del suolo Un immagine per un computer è semplicemente una matrice in cui i numeri indicano il valore della funzione luminosità (o i valori della funzione colore) in quel punto. In questo lavoro si vogliono elaborare ed interpretare i dati forniti 38

14 dalle immagini analizzando a distanza il comportamento delle superfici sfruttando l energia elettromagnetica [19]. GRASS permette di usare più tecniche di analisi del territorio, in questo caso ne sono state prese in considerazione 3, una di classificazione non supervisionata e due di classificazione supervisionata La classificazione non supervisionata Questo tipo di approccio viene appunto definito non supervisionato in quanto l operatore non istruisce il programma sulle diverse caratteristiche spettrali delle classi da individuare all interno dell immagine. Questa operazione si esegue con GRASS tramite i comandi da tastiera, i.cluster e i.maxlik. Prima di lanciare il comando i.cluster si devono creare dei gruppi e dei sottogruppi di immagini tramite il comando i.group in particolare nei sottogruppi devono venire comprese tutte le bande che si intendono far analizzare successivamente al programma (non meno di due files o bande). Questo tipo di procedura è un requisito fondamentale di input e va effettuata sempre, prima di ogni tipo di classificazione sia essa non supervisionata che supervisionata. Per semplicità nel corso del lavoro tutti i sottogruppi sono stati chiamati con il numero delle bande che li costituivano (1-8). i.cluster genera le firme spettrali delle diverse classi usando l algoritmo di clustering migrating means. Questo algoritmo sceglie casualmente i centri dei singoli cluster, prendendo comunque visione dei dati dell immagine e costruendo i diversi cluster in base alla riflettanza spettrale dei diversi pixel. Associa poi i pixel successivi al cluster meno distante. Questa operazione viene di seguito iterata. L operatore deve comunque inserire sei parametri di partenza : numero di classi; numero minimo dei pixel al di sotto del quale un cluster deve scomparire; valore dei cluster al di sopra del quale due cluster rimangono distinti; 39

15 la percentuale dei pixel che non si sposta da un cluster all altro tra due iterazioni successive (percentuale di convergenza); numero massimo di iterazioni dopo le quali si desidera fermare l analisi; l intervallo di campionamento espresso in termini di righe e colonne. Viene così generato un file delle firme spettrali definite dal vettore media e dalla matrice di varianza e covarianza. Il secondo passo è quello di lanciare il comando i.maxlik. Come input viene richiesto il file generato da i.cluster e poi viene richiesto il nome del file raster che sarà generato. Il classificatore di massima verosimiglianza usa i dati forniti da i.cluster e determina a quale classe ogni pixel dell immagine ha la più alta probabilità di appartenere. Pur effettuando numerose prove facendo variare i sei parametri precedentemente citati, i risultati ottenuti non sono stati molto accurati come è possibile vedere in Fig.2.5. Questo anche vista l impossibilità di utilizzare i dati presi sul campo, tramite il GPS, unici in grado di definire in maniera precisa le caratteristiche di uso del suolo, e per le dimensioni elevate dei pixel, 30 m, che associano ad un'area di 900 m 2 un unico colore, riducendo le informazioni sulle caratteristiche del suolo. 40

16 Sena Caia Fig. 2.5: Mappe ottenute con la classificazione non supervisionata La classificazione supervisionata Nel primo approccio supervisionato, si sono usati in sequenza i comandi i.class e i.maxlik. Quando viene lanciato il comando i.class, sul monitor compare un interfaccia grafica propria del comando e provvista di un menù. Le due finestre di destra sono dedicate all immagine da analizzare, sulla sinistra compaiono gli istogrammi dell analisi spettrale per ogni banda del sottogruppo utilizzata nell analisi. Vengono evidenziati anche la media, la deviazione standard, il valore minimo e quello massimo presenti. In questo modo è possibile creare delle mappe di training per ogni tipo di classe dalle quali poi il comando i.maxlik partirà per analizzare l intera area. Questa sequenza di comandi è stata scartata quasi subito per due ragioni fondamentali: il programma calcola per ogni area campione analizzata la firma spettrale, ciò comporta che due aree della stessa classe abbiano comunque una firma spettrale diversa che la fa appartenere perciò ad una classe diversa. Questo comporta l accorpamento a posteriori delle classi uguali. 41

17 nell immagine non è possibile interagire sull interfaccia per sovrapporre i punti presi a terra con il GPS, questo non risulta un problema per i fiumi e per le zone più densamente abitate in quanto riconoscibili ad occhio nudo ma risulta praticamente impossibile il riconoscimento delle zone coltivate dei terreni incolti e delle foreste. Si è infine optato per l utilizzo dei due comandi i.gensig, accoppiato con il comando i.maxlik. Il primo passo da compiere per poter lanciare il comando i.gensig è quello di creare una mappa di training dove siano individuate le diverse classi in cui suddividere il distretto. La creazione di questa mappa avviene, a differenza del comando i.class, utilizzando preventivamente l immagine vera e propria che compare sul monitor selezionato. Oltre all utilizzo dello zoom questo permette sia la sovrapposizione di file vettoriali che dei punti presi a terra. Ciò a permesso una buona accuratezza nella definizione dei limiti delle aree di addestramento delle diverse classi. La mappa viene sviluppata utilizzando dapprima il comando r.digit, che in GRASS consente di tracciare linee e delimitare aree etichettandole con un numero e una descrizione, in questo caso, del tipo di suolo. Successivamente tramite il comando r.patch, sono state unite in un unico raster tutte le aree catalogate, senza perdere di specificità. Per comodità si sono scelte 6 classi: case; fiumi; fiumi minori; palude; campi coltivati; terreno incolto. Nella preparazione della mappa si sono catalogate anche delle aree non delimitate dai punti a terra che erano comunque riconducibili a una delle classi sopra citate perché riconosciute dai sopralluoghi effettuati. Si è visto come i dati in nostro possesso riguardassero una parte limitata del territorio dell intero distretto, un 42

18 fatto questo dovuto sia al breve periodo di permanenza sia alla mancanza di vie di accesso capillari in tutta la zona. 2.9 Elaborazione delle immagini Come già detto in precedenza le scene a disposizione riguardavano il 22 agosto 1999 e il 23 maggio Purtroppo vista la stagione la foto di maggio pur essendo significativa, presenta nella zona del distretto un gran numero di nuvole che ne riducono notevolmente l'area studiabile, parte dei punti raccolti a terra infatti ricadono nella zona "d'ombra" dovuta alle nuvole. Con i comandi r.digit e r.mask si è estromessa dall'analisi tale zona creando una maschera e aggiungendola poi alla maschera che delimita i confini del distretto. La zona di Vila de Caia e le aree circostanti, sulle quali si hanno maggiori informazioni, sono comunque analizzabili. Vista la vastità del territorio e la risoluzione a 30 m, la definizione del lavoro non ha permesso di distinguere i diversi tipi di colture, che sono spesso di dimensioni piccole ed irregolarmente distribuite, ma di definire solo le zone di terreno coltivato e incolto. Per valutare la bontà dei risultati si sono utilizzati i dati forniti dal Consiglio Distrettuale di Caia sulle aree coltivate e non (vedi par 1.3.4), si sono utilizzati anche i dati forniti da ACF, sull'ubicazione dei villaggi nel Distretto e una mappa idrografica realizzata con un GPS a terra nel Analisi sull'utilizzo del diverse combinazioni di bande di colore Come già detto nel par. 2.3 le immagini sono scomposte in 7 bande, ad ogni una delle quali compete una specifico intervallo di lunghezza d'onda. Ogni banda ha una caratteristica particolare come si vede in Tab. 2.2.: 43

19 Banda Colore Uso e caratteristiche Banda 1 azzurro visibile si usa per la differenziazione dei terreni e del [B]Blue Banda 2 [G]Green Banda 3 verde visibile tipo di vegetazione si valuta il vigore della vegetazione rosso visibile valuta l'assorbimento della clorofilla nelle [R]Red piante Banda 4 infrarosso vicino determina la riflettanza della biomassa Banda 7 infrarosso centrale determina il tenore d'acqua Tab. 2.2: Caratteristiche delle bande [17] In base alle caratteristiche di ogni banda si sono utilizzate diverse combinazioni che hanno fornito informazioni di diverso tipo. Dopo ripetute prove, le più significative sono risultate essere: 123: rappresentazione l'immagine che si ottiene dallo spettro del visibile, l'immagine è quella che si vedrebbe ad occhio nudo; 457: rappresenta l'immagine che si ottiene dallo spettro dell'infrarosso; 147: in questo caso si sono volute unire informazioni sia dello spettro del visibile sia informazioni dell'infrarosso. In particolare la banda 1 crea una distinzione tra le zone vegetate e non, la 4 mette in evidenza le zone vegetate, la 7 rileva la presenza di effettivi specchi d'acqua dal tenore d'acqua presente nel terreno e nelle piante; : con questa combinazione si è voluto tentare di fornire al programma il maggior numero di informazioni estrapolabili dalle diverse bande Combinazione 123 (RGB) 44

20 Agosto 1999 L immagine non risulta essere di facile interpretazione se si esclude la zona a nord del Distretto ove si delineano gli affluenti di destra dello Zambesi: la localizzazione dei villaggi non è attendibile e l agglomerato di Caia Vila non è individuato nella mappa; vengono mescolate in maniera impropria la categoria palude con la classe fiumi rendendo illeggibile la mappa; il terreno coltivato è ben localizzato nella zona lungo lo Zambesi. Maggio 2001 La mappa risulta di più facile lettura rispetto alla precedente: le cittadine di Caia e di Sena sono identificate molto bene; le zone paludose del distretto sono delineate in maniera nitida, per il fatto che l immagine è stata acquisita subito dopo la fine della stagione delle piogge, quando gli specchi d acqua sono ben visibili; allo stesso modo l affluente Zangue che delimita a sud il Distretto è facilmente distinguibile; il programma fa confusione nel riconoscere le zone coltivate e quelle incolte, questo soprattutto per la scarsità dei dati utilizzabili, vista la presenza di nuvole come detto nel par

21 Sena Zambesi Caia Sena Zambesi Caia Fig. 2.6: Mappe ottenute dalla combinazione RGB, agosto1999 e maggio Fiume, Case, Palude, Fiumi minori, Terreno incolto, Terreno coltivato, villaggio 46