Ogni banda spettrale dà luogo a una diversa immagine digitale

Transcript

1 CLASSIFICAZIONE di IMMAGINI da SATELLITE per la compilazione di carte tematiche Le immagini telerilevate sono in formato RASTER. Ogni pixel che forma il raster deve essere classificato come appartenente a una certa categoria (ad esempio: terreno coltivato, edificio, bosco, ecc.), in base ai suoi valori di riflettanza nelle diverse bande spettrali. Sensori multispettrali rilevano energia elettromagnetica riflessa dalla superficie terrestre e dagli oggetti che ci sono sopra, scomponendola in diverse bande spettrali Ogni banda spettrale dà luogo a una diversa immagine digitale 1

2 IMMAGINI DIGITALI MULTISPETTRALI Da uno scanner multispettrale si ottengono tante immagini in toni di grigio quanti sono le bande spettrali. Ad esempio con lo scanner MIVIS si ottengono 102 immagini. 2

3 IMMAGINI DIGITALI COMPOSIZIONE DELLE BANDE SPETTRALI Rosso Un immagine digitale a colori reali (RGB) è composta dalla sintesi di tre immagini digitali in scala di grigio riprese nei tre intervalli dello spettro corrispondenti a luce Blu (B), Verde (G), Rossa (R). Blu Verde 3

4 IMMAGINI DIGITALI COMPOSIZIONE DELLE BANDE SPETTRALI Utilizzando un PC è possibile visualizzare immagini a colori a partire da tre immagini (R, G, B) in scala di grigio corrispondenti a diversi intervalli dello spettro elettromagnetico. Il PC è infatti in grado di sommare l intensità luminosa (indicata dal DN) delle tre immagini per restituire sul monitor un unica immagine a colori. 4

5 IMMAGINI DIGITALI COMPOSIZIONE DELLE BANDE SPETTRALI Il PC ci permette di visualizzare composizioni a colori diverse dall immagine a colori reali : Immagine in colori reali: Canali luminosi utilizzati dal monitor Rosso (R) Immagini in toni di grigio riprese nelle lunghezze d onda del: Rosso Verde (G) Verde Blu (B) Blu 5

6 IMMAGINI DIGITALI COMPOSIZIONE DELLE BANDE SPETTRALI Il PC ci permette di visualizzare composizioni a colori diverse dall immagine a colori reali : Immagine in infrarosso falso colore (IRFC): Canali luminosi utilizzati dal monitor Rosso (R) Immagini in toni di grigio riprese nelle lunghezze d onda del: IR vicino Verde (G) Rosso Blu (B) Verde 6

7 IMMAGINI DIGITALI COMPOSIZIONE DELLE BANDE SPETTRALI Il PC ci permette di visualizzare composizioni a colori diverse dall immagine a colori reali : Immagine in colori falsi, una qualsiasi altra combinazione, ad esempio: Canali luminosi utilizzati dal monitor Rosso (R) Immagini in toni di grigio riprese nelle lunghezze d onda del: IR medio Verde (G) IR vicino Blu (B) Rosso 7

8 PROCESSAMENTO DI IMMAGINI TELERILEVATE (1) CONTENUTO GEOMETRICO correzione delle distorsioni georeferenziazione (punti d appoggio) (trasformazione affine generale) E = a + b pr + c pc N = d + e pr + f p c 6 param. 3 p.ti app. ricampionamento dei valori di radianza in ciascun pixel della nuova griglia (media pesata) 8

9 Georeferenziazione Ricampionamento 9

10 PROCESSAMENTO DI IMMAGINI TELERILEVATE (1) (trasformazione affine generale) E = a + b pr + c pc N = d + e pr + f p c 6 param. 3 p.ti app. Per determinare i coefficienti della trasformazione vengono utilizzati dei punti di controllo (Ground Control Points, GCP) che devono avere le seguenti caratteristiche: devono presentare un elevato contrasto in tutte le immagini di interesse; devono essere individuati con precisione dall operatore e devono avere quindi una dimensione confrontabile con la risoluzione geometrica dell immagine (con la proiezione del pixel al suolo); non devono variare nel tempo; devono avere approssimativamente la stessa quota; devono essere ben distribuiti sull immagine. Alcuni esempi di possibili GCP sono: intersezioni di strade, spigoli di campi coltivati, piccole isole e punti particolari di corsi d acqua o bacini idrici, la cui posizione non dipenda dal livello idrico. 10

11 PRE-PROCESSAMENTO: GEOREFERENZIAZIONE Esempio di georeferenziazione realizzata utilizzando come riferimento cartografico la Carta Tecnica Regionale della Lombardia. Sull immagine sono stati individuati circa 30 Ground Control Points. 11

12 PROCESSAMENTO DI IMMAGINI TELERILEVATE (2) CONTENUTO TEMATICO correzioni radiometriche (diminuzione del livello di rumore) miglioramento dell immagine - manipolazione dei contrasti ( contrast stretch ) - combinazione di bande spettrali classificazione dei dati, per correlare i valori dei dati ai fenomeni territoriali e ambientali 12

13 Diminuzione del rumore Contrast stretch 13

14 Caratteristiche di riflessione spettrale nello spazio bidimensionale (Banda 5 - Banda 7) 14

15 Classificazione dei dati per correlare i valori dei dati ai fenomeni territoriali e ambientali 15

16 Classificazione 16

17 Carte tematiche ottenute dalla classificazione di immagini digitali Nella carta tematica ottenuta mediante il processo di classificazione di immagini digitali ad ogni pixel è associata un informazione di tipo spaziale (presente già nell immagine digitale) un informazione di tipo semantico, che specifica un attributo relativo ad un particolare tema d interesse, detto classe (o categoria) informazione spettrale informazione semantica Le classi d interesse non sono registrate direttamente nelle immagini, ma si devono derivare attraverso un processo detto di classificazione 17

18 I METODI DI CLASSIFICAZIONE lassificare un immagine telerilevata significa raggruppare tra loro i pixel orrispondenti a superfici omogenee al suolo. e tecniche tradizionali di classificazione si suddividono in: supervised: richiedono una fase reliminare di selezione di superfici ote al suolo e visibili sulle immagini unsupervised: richiedono una fase successiva di etichettatura dei cluster riconosciuti automaticamente. 18

19 I METODI DI CLASSIFICAZIONE: METODI SUPERVISED metodi supervised si basano sulla conoscenza a priori della natura di alcune aree campione ground truth) sull immagine da classificare. ali campioni vengono selezionati dall operatore sull immagine e costituiscono il training et di pixel necessario per costruire le funzioni discriminanti delle classi per l algoritmo d lassificazione. Conoscenza a priori dei training set ALGORITMO DI CLASSIFICAZIONE SUPERVISED 19

20 I METODI DI CLASSIFICAZIONE: METODI SUPERVISED Gli algoritmi di classificazione supervised calcolano alcuni parametri statistici per caratterizzare le classi tematiche in tutte o parte delle bande spettrali disponibili. Tali algoritmi si differenziano in base al criterio con cui viene costruita la funzione discriminante le classi e in base al criterio di assegnazione di ogni pixel dell immagine ad una classe, ad esempio: Classificatore a Massima Verosimiglianza Classificatore Parallelepipedo Classificatore Spectral Angle Mapper I pixel che non rispettano i criteri di assegnazione per nessuna classe vengono attribuiti alla classe Non classificato ; questa classe non è presente nella fotointerpretazione realizzata da operatore. 20

21 I METODI DI CLASSIFICAZIONE: METODI SUPERVISED L algoritmo della Massima Verosimiglianza Il classificatore a Massima Verosimiglianza assegna un pixel alla classe per la quale risulta massima la probabilità condizionata P(C k x), cioè la probabilità che, selezionato un pixel x della scena, esso appartenga alla classe C k. La probabilità condizionata P(C k x) viene calcolata a partire dalla probabilità P(x C k ), ossia dalla probabilità che data la classe C k si estragga un pixel di valore x, utilizzando il teorema di Bayes. Per valore x si intende il valore assunto dal pixel in tutte le bande. Secondo il teorema di Bayes: P( x Ck ) P( Ck ) P( Ck x) = P( x) dove P(C k ) è la probabilità a priori con cui la classe C k compare nell immagine, Per il classificatore a Massima Verosimiglianza la regola di assegnazione di un pixel alla classe C c è: P(C c x) > P(C k x) k diverso da c x C c È possibile assegnare una soglia minima per la probabilità condizionata P(C c x), al di sotto della quale il pixel viene assegnato al Non classificato. 21

22 I METODI DI CLASSIFICAZIONE: METODI SUPERVISED Il classificatore Box o del Parallelepipedo: assegna un pixel ad una classe quando la sua firma spettrale rientra nel range di variabilità delle firme dei pixel che costituiscono il training set; Il classificatore Spectral Angle Mapper: considera l angolo formato dai vettori che rappresentano la firma del pixel e la firma del training set nello spazio delle bande e assegna il pixel ad una classe quando tale angolo è minore di una soglia prefissata. 22

23 I METODI DI CLASSIFICAZIONE: METODI UNSUPERVISED metodi unsupervised prescindono dalla conoscenza di aree campione al suolo. I dat ell immagine telerilevata vengono raggruppati dal programma di calcolo in un certo umero di famiglie omogenee (cluster). er ottenere la mappa tematica è necessario che l operatore individui a posteriori la orrispondenza fra cluster e classi. Riconoscimento a posteriori della corrispondenza cluster - classe ALGORITMO DI CLASSIFICAZIONE UNSUPERVISED 23

24 I METODI DI CLASSIFICAZIONE: METODI UNSUPERVISED Gli algoritmi di classificazione unsupervised si differenziano in base all algoritmo utilizzato per raggruppare i pixel, in funzione del valore che assumono nelle diverse bande. Gli algoritmi più usati sono: K-Means ISODATA Generalmente le classificazioni di tipo unsupervised non prevedono la presenza della classe Non classificato. 24

25 I METODI DI CLASSIFICAZIONE: METODI UNSUPERVISED L algoritmo K-means richiede come informazione iniziale il numero di cluster nel quale deve essere suddivisa l immagine e il criterio di interruzione del procedimento iterativo. Viene costituito all inizio del procedimento un vettore arbitrario per ogni cluster, che rappresenta il vettore medio (o centro ) del cluster. Ogni pixel dell immagine è assegnato al cluster il cui vettore medio è più vicino al vettore che rappresenta la firma del pixel stesso in base alla distanza x i : firma dell i-esimo pixel m k : vettore medio del k-esimo cluster d T ( i, k) = ( x m ) ( x m ) i Il procedimento è iterativo e ad ogni iterazione viene calcolato un nuovo set di vettori medi, uno per ogni cluster e si conclude al raggiungimento del criterio di stop. k i k 25

26 nsupervised classification: esempio di clustering Immagine da classificare Diagramma a dispersione dei lori di riflettività dei pixel ll immagine in due bande spettrali Diagramma a dispersione in cui no riportati solo i centri dei quattro uster riconosciuti dai valori del agramma precedente Cluster map : i pixel sono ppresentati dal simbolo della classe cui appartengono OTA: le classi verranno identificate lo in seguito (a posteriori) 26

27 Supervised classification (pattern recognition) Immagine da classificare: i training pixels sono i seguenti acqua vegetazione vegetazione incendiata urbanizzato Carta tematica: classificazione per massima verosimiglianza acqua vegetazione vegetazione incendiata urbanizzato 27

28 Redazione di Carte Tematiche ACCURATEZZA della CLASSIFICAZIONE La fotointerpretazione e la classificazione delle immagini digitali porta all identificazione di classi (categorie) che saranno riportate sulle carte tematiche. Il risultato della classificazione, per essere rappresentativo della relativa carta tematica, deve essere opportunamente valutato per confronto con un riferimento certo (ad es. fotointerpretazione o ricognizione sul terreno): il confronto viene fatto pixel a pixel I risultati di questo confronto vengono organizzati in una matrice quadrata detta matrice dell errore di classificazione (misclassification matrix, o error matrix, o confusion matrix). E un parametro che nei GIS concorre a definire la qualità dei dati 28

29 Esempio di MATRICE DELL ERRORE DI CLASSIFICAZIONE Accuratezza globale: 76 % ( )/10000 = = 7550/10000 = 0.76 correttamente interpretato osservato al suolo Percentuale di terreno erboso interpretato correttamente: p = 300/600 = 50% 29

30 Altri parametri ottenibili a partire dalla matrice dell errore di classificazione verall accuracy: è ottenuta dividendo il totale dei pixel individuati correttamente per il mero totale dei pixel nella matrice di confusione oducer s accuracy: costituisce la probabilità che un pixel di riferimento sia classificato rrettamente. È ottenuta dividendo il numero di pixel classificati correttamente in ogni classe r il totale della colonna corrispondente. er s accuracy o affidabilità: costituisce la probabilità che un pixel classificato ll immagine rappresenti la corretta classe al suolo. È ottenuta dividendo il numero di pixel ssificati correttamente in ogni classe per il totale della riga corrispondente. Coefficiente K: K N r ii i= 1 = r 2 N x ( x x ) ( xi Σ xσ i ) i= 1 Dove r è il numero di righe della matrice di confusione, x ii è il numero di osservazioni nella riga i e nella colonna i, x is e x Si sono i totali marginali della riga i e della colonna i rispettivamente e N è il numero totale di osservazioni. Se il valore di K è prossimo a 1 la classificazione è molto buona, se è prossimo a 0 vuol dire che si sarebbero ottenuti gli stessi risultati assegnando i pixel alle classi in modo casuale. r i= 1 iσ Σi 30

31 Esempio di classificazione di immagine Landsat-TM mmagine Landsat-TM 7 giugno 1998: Comprensorio del Molentargius (CA). numeri indicano le aree dei training pixel per la classificazione di massima verosimiglianza. 31

32 Esempio di classificazione di immagine Landsat-TM Carta di uso del suolo ottenuta dall immagine Landsat 32

33 Esempio di classificazione di immagine Landsat-TM Matrice dell errore di classificazione NOTA sulla georeferenziazione La georeferenziazione dell immagine è stata fatta grazie a 15 punti di controllo (Ground Control Points) individuati con l ausilio di carte topografiche (proiezione di Gauss-Boaga, Ellissoide Internazionale, Orientamento Monte Mario, Fuso Ovest). 33

34 Rilevazione delle strutture urbane (con classificazione guidata basata su reti neurali) magine: dati dal sensore pancromatico satellite IRS-1C (Indian Remote sing Satellite, risoluzione spaziale metri). Classificazione dell immagine IRS-1C in sette classi di strutture urbane (1 Residenziali, 2 Industriali, 3-4 Strade, 5 Discariche, 6-7 Spazi aperti) 34

35 Esempio di roduzione di carta di copertura del suolo con legenda ORINE Land Cover Immagine Landsat TM in colori reali del lago di Iseo del

36 Esempio di produzione di carta di copertura del suolo con legenda CORINE Land Cover Scopo della produzione della carta di copertura del suolo: studiare le variazioni del land cover per evidenziare i cambiamenti avvenuti a causa dell attività antropica e le sue conseguenze sulla stabilità ed evoluzione del territorio. Codici CORINE utilizzati e loro significato 111 Aree urbane Superfici agrarie 245 Superfici con tracce di deforestazione Superfici a vegetazione naturale rigogliosa Superfici a pascolo o vegetazione arbustiva Aree prive o povere di vegetazione Aree umide e corpi d acqua Programma CORINE ( Comunità Europea) per coordinare attività di rilevamento, elaborazione e gestione dati territoriali. 36

37 Carta di copertura del suolo con legenda CORINE Land Cover La carta è stata prodotta con fotointerpretazione diretta a video di immagini Landsat-TM. Mappa vettoriale Land Cover Corine della zona del lago di Iseo 37

38 Urbanistica Satelliti ad alta risoluzione Venezia Immagine Ikonos della Laguna di Venezia ottenuta dalla combinazione della banda pancromatica a più alta risoluzione (1 m x 1 m) con le bande multispettrali (4 m x 4 m). 38

39 Urbanistica Satelliti ad alta risoluzione Venezia Immagine Ikonos pancromatica del Colosseo a Roma. 39

40 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Vengono utilizzate le immagini a più alta risoluzione spaziale, quindi le immagini pancromatiche Vantaggi rispetto alla ripresa fotogrammetrica: Relativamente alta ripetibilità ella presa Elevata estensione della scena ipresa Possibilità di acquisire mmagini con la medesima acilità in qualunque zona Limitazioni: Pratica indisponibilità attuale di stereocoppie (superata forse nel prossimo futuro) La pur sempre limitata risoluzione La possibile presenza di copertura nuvolosa Le applicazioni prevalenti sono nell aggiornamento cartografico e non nella redazione di carte. 40

41 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Le immagini contengo al momento della presa distorsioni geometriche e radiometriche. Prima del rilascio vengono corrette. Per applicazioni cartografiche anche le immagini distribuite come georeferenziate necessitano di un appoggio a terra con un certo numero di punti di coordinate note (GCP, Ground Control Points). In genere i parametri di presa non sono noti, quindi bisogna ricorrere a metodi alternativi. La corrispondenza tra immagine e terreno viene in genere realizzata tramite l uso di punti noti sull oggetto e a terra con modelli analitici (funzioni polinomiali, razionali, spline ) che non sono legate al particolare tipo di sensore. I costi delle tecniche che si basano sull uso di immagini satellitari dipendono dalla politica dei fornitori e dalla concorrenzialità. 41

42 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici La realizzazione di modelli stereoscopici avviene attraverso due approcci: Modelli fisico-geometrici o parametrici: viene descritto il processo di acquisizione dell immagine (ex. Eq di collinearità). Risultati molto accurati, anche dell ordine della frazione del pixel. Modelli generalizzati o non parametrici: tramite relazioni funzionali di tipo matematico che non tengono conto del processo fisico, funzioni polinomiali, polinomiali razionali o spline. Molto usate soprattutto perché non dipendono dal tipo di piattaforma e sensore. 42

43 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Per la produzione di immagini utili per l aggiornamento cartografico occorre avere informazioni tridimensionali sulla morfologia del terreno: il DTM utilizzato deve avere caratteristiche di precisione e di passo della griglia idonei al raggiungimento della precisione prefissata, in relazione alla scala della carta, ovviamente operando all interno dello stesso DATUM. Le variazioni di moto e assetto del satellite influenzano la scala media dell immagine acquisita e di conseguenza le dimensioni del pixel a terra e la forma delle immagini. Le variazioni di velocità possono provocare la sovrapposizione o sfasamento di linee di scansione. 43

44 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Verifica della qualità metrica di carte ottenute da immagini satellitari ad alta risoluzione. Verifica della possibilità di utilizzo di immagini satellitari per la produzione e aggiornamento di CTR. Verifica effettuata con diversi metodi all interno del software OrthoEngineSE (PCI): Equazioni polinomiali 3D Thin Plate Spline Metodo rigoroso implementato da Toutin, basato su un metodo fotogrammetrico che tiene conto simultaneamente delle grandezze descrittive dell assetto del sensore al momento dell acquisizione, dell orientamento interno ed esterno e delle distorsioni dovute a variazioni dei parametri orbitali. Per determinare i 27 GCP, il DTM e i 7 Check Points è stata utilizzata la CTR in scala 1:

45 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Modelli parametrici: Descrivono fisicamente la trasformazione tra spazio immagine e spazio terreno, applicando principi di fotogrammetria, orbitografia, geodesia e cartografia. Le distorsioni sono dovute a : Posizione, velocità e assetto della piattaforma Orientamento e caratteristiche ottico-geometriche del sensore Curvatura terrestre Proiezione cartografica 45

46 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Equazioni polinomiali 3D Spline: Interpolano tutti i punti di controllo contemporaneamente e le funzioni risultanti presentano la minima curvatura diventando quasi lineari a grande distanza dai punti. Così l influenza di un singolo GCP rimane localizzata. Queste funzioni sono utili quando si ha a che fare con entità piane. 46

47 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Le funzioni polinomiali e le TPS intervengono localmente ed è necessario un elevato numero di GCP, mentre con il metodo rigoroso il raddrizzamento si può realizzare anche con pochi punti di controllo (almeno quattro punti noti nelle 3 coordinate). 47

48 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Immagine utilizzata: IKONOS Geo (4.6 x 4.2 Km) ripresa in un area de comune di Taranto. La morfologia del territorio è pressoché pianeggiante. 48

49 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici 49

50 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Thin Plate Spline 50

51 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici 51

52 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Confronto fra l accuratezza raggiunta nell ortorettifica quando il set di punti di appoggio deriva. dalla cartografia da un rilievo sul terreno condotto in corrispondenza di punti che presentano nell immagine determinate caratteristiche geometriche di riconoscibilità Analisi condotta con il metodo rigoroso con 20 GCP e 40 CP dedotti da cartografia e rilevati con metodologia GPS-RTK (correzioni via GSM) 52

53 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici E stata utilizzata un immagine acquisita dal sensore Ikonos II nell area di Bologna e un DTM con passo di 40m derivato dalla cartografia regionale 1:5000. L area è caratterizzata da un vasta porzione pianeggiante a sviluppo insediativo e da un area collinare con rilievi che raggiungono i 400 m s.l.m. usione tra il DTM e l immagine multispettrale (4m x 4m di risoluzione geometrica) 53

54 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Risultati ottenuti prendendo i punti a terra sulla cartografia. Classi d frequenza rappresentativ del confronto fra i valori delle coordinate ricavate dall ortoimmagine e quelle ottenute da cartografia per 40 CP. Risultati ottenuti prendendo i punti a terra con GPS-RTK. Classi di frequenza rappresentativ del confronto fra i valori delle coordinate ricavate dall ortoimmagine e quelle ottenute dal riliev GPS-RTK per 40 CP. 54

55 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Risultati ottenuti prendendo i punti a terra sulla cartografia. Nel secondo caso gli scarti si abbassano fin all ordine del metro. Due punti presentano scarti superiori a due metri. Tali punti sono nell area collinare, ch non rappresentata co sufficiente dettaglio n DTM (NB dedotto da CTR 1:5000) Risultati ottenuti prendendo i punti a terra con GPS-RTK. 55

56 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici I valori degli scarti riscontrati consentono di ipotizzare un uso di tale rodotto per l aggiornamento della cartografia alla scala 1:5000 a meno el corretto riconoscimento degli oggetti facenti parte della base di dati che si vuole aggiornare. Risultati ottenuti prendendo i punti a terra con GPS-RTK. 56

57 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Conclusioni La dimensione di 0.60 m x 0.60 m a terra di un pixel del sensore QuickBird corrisponde alla dimensione di un pixel ottenuto da una scansione a 1200 dpi di un fotogramma aereo idoneo alla produzione di CTR a scala 1: A parità di scala media dell immagine un vantaggio è dato dalla notevole superficie abbracciata dalla singola scena rispetto alla corrispondente copertura di un fotogramma (vantaggi nelle operazioni di orientamento). 57

58 Utilizzo di immagini satellitari ad alta risoluzione a fini cartografici Conclusioni Attualmente le stereocoppie sono difficilmente disponibili, quindi le applicazioni si limitano ad ortofotoproiezioni tramite l associazione della singola immagine a un DTM. Per superare il problema della non conoscenza dei parametri di presa e della piattaforma si possono superare utilizzando modelli non parametrici. Costi: per la produzione e aggiornamento di CTR con queste tecniche, oltre al costo (notevole) delle immagini si deve tener conto della necessità di acquisizione di software dedicati. 58

59 Esempio di georeferenziazione Software ENVI Immagine Landsat TM del lago d Iseo del 01/09/1992 Sono stati individuati 40 punti di controllo (GCP) relativi alla CTR della Regione Lombardia (1:10000) 59

60 La carta di riferimento e l immagine 60

61 I punti di controllo (GCP) 61

62 L errore individuato sui GCP 62

63 L errore individuato sui GCP 63

64 L errore individuato sui GCP 64

65 L errore individuato sui GCP 65

66 Punti di controllo Immagine Landsat TM ell OltrePo del Settembre

67 Punti di controllo 67

68 I ordine Nearest Neighbour 68

69 II ordine Nearest Neighbour 69

70 III ordine Nearest Neighbour 70

71 IV ordine Nearest Neighbour 71

72 I ordine Bilinear 72

73 II ordine Bilinear 73

74 III ordine Bilinear 74

75 I ordine Cubic Convolution 75

76 II ordine Cubic Convolution 76

77 III ordine Cubic Convolution 77

78 III ordine Tipi di ricampionamento Nearest Neighbour Cubic Convolution 78

79 36 GCP (bianco Check Points 5 CP (verde) 79

80 RMS per i tre ordini del polinomio 80

81 Scarti dei Check Points nella coordinata Est 81

82 Scarti dei Check Points nella coordinata Nord 82

83 RMS Root Mean Square Error (RMSE) is defined as the positive square root of the mean square error (MSE). MSE is the mean square of any residual. RMSE is the also called the standard error of estimate. Operational: RMS errors typically increase with forecast time. RMS is generally greater in Winter than in Summer, because Summer typically has more moderate weather compared to Winter. RMS is very useful to verify the wind vector which is decomposed to the u and v components. Advantages: simple to produce, RMSE/MSE measures provide useable statistics to verify model forecasts, and are applicable to a large number of analysis and forecast elements, and model types. Disadvantages: RMSE and MSE tend to conceal intensity (SLP and height) and movement (position/directional) errors. The nature of these errors is sensitive to the variance within the data field. They must be normalized or the score regionalized before a great deal of emphasis is placed upon the interpretation of the RMSE and MSE value. They are particularly sensitive to large differences, and to any data field smoothing or filtering in the analysis and forecast model. 83

84 Bibliografia Jones C. Geographical Information Systems and Computer Cartography. Addison Wesley Longman, Richards J. A. Remote sensing digital image analysis. Springer - Verlag, Zilioli E. (a cura di) Appunti e spunti di telerilevamento. CNR e Regione Lombardia, Milano, Esempi di classificazione di immagini digitali telerilevate tratti da Rivista Italiana di telerilevamento, annate