Esperienze pratiche di utilizzazione di GRASS e QGIS nell'ambito del monitoraggio ambientale

Transcript

1 Esperienze pratiche di utilizzazione di GRASS e QGIS nell'ambito del monitoraggio ambientale Aspetti tecnici relativi allo sviluppo di: Una procedura di aggiornamento della CFRS e Una metodologia per la mappatura dei danni alla vegetazione Michele Downie

2 Il telerilevamento come strumento di appoggio al monitoraggio Disponibilità di innumerevoli tipi di sensore: Risoluzione geometrica da 30m a 40cm. Caratteristiche spettrali pancromatico/multi-banda Programmabilità di acquisizione su richiesta Possibilità di scelta dell'immagine ottimale in funzione delle esigenze dello studio Magnitudine del fenomeno Aspetti spettrali del fenomeno Durata/frequenza del monitoraggio

3 Il telerilevamento come strumento di appoggio al monitoraggio Possibilità di disporre di immagini digitali di qualità buona e costante nel tempo Caratteristiche tecniche del sensore Correzioni geometriche e radiometriche delle immagini Durata del programma spaziale relativo alle piattaforme

4 Obbiettivi comuni alle metodologie che hanno influenzato le scelte operative Assistere le attività di aggiornamento e monitoraggio, facilitando l'identificazione dei cambiamenti, e introducendo elementi di sistematicità. Disporre di procedure abbastanza snelle e relativamente poco dispendiose ma anche stabile e ripetibile. Sviluppare delle metodologie sufficientemente chiare e comprensibili per una più facile divulgazione e trasmissione del know how. Promuovere l'impiego dell'open Source.

5 Software impiegato GRASS: elaborazione delle immagini Classificazione Analisi zonali e matrice di confusione Calcoli su e tra i raster come produzione di NDVI o knoledge base Esportazione nuove immagini generate in formato tiff QGIS Visualizzazione ed enfatizzazione (stretch dinamico) Generazione di shapefile e fotointerpretazione a video

6 Fotointerpretazione vs classificazione Fotointerpretazione: Classificazione: Richiede minori competenze specialistiche riguardo l'elaborazione di immagini Permette la generazione di raster tematici in tempi anche molto brevi Permette un processo più complesso di astrazione, classificazione e categorizzazione semantica degli oggetti interpretati È più flessibile in caso sia di situazioni ambientali particolari, sia di impiego di materiale etereogeneo Assicura la massima coerenza nella classificazione evitando i rischi di inconsistenza presenti all'interno del lavoro di una persona, tra più persone e tra più periodi ripetuti nel tempo

7 Condizioni i di stress Le condizioni di stress che possono alterare la firma spettrale tipica, possono essere tutti quelli che si collegano ad una alterazione del tessuto a palizzata quali attività fotosintetica, traspirazione, turgore cellulare attività vegetativa. Per interpretare lo stress della vegetazione da dati telerilevati, l'operatore deve essere a conoscenza di quattro fattori fondamentali: il possibile stress ambientale capace di indurre danni. le possibili sindromi indicative dei danni indotti. gli effetti dei danni sulla risposta spettrale. gli effetti risultanti dai cambiamenti di comportamento spettrale sulle immagini.

8 Aspetti fondamentali della classificazione automatica La classificazione si distingue tra guidata e non guidata, in entrambi i casi il termine automatico è fuorviante. È necessaria una adeguata conoscenza del territorio studiato. Lunga esperienza relativa al tipo di immagine impiegata. La classificazione si sviluppa mediante un processo iterativo ed interattivo.

9 Classificazione vs classificazione NON GUIDATA Imposizione a priori del numero di classi può essere cambiato L'effettiva discriminazione in classi si basa sulle classi spettrali effettivamente distinguibili Si inizia a lavorare su ciò che è effettivamente discriminabile, adattando a ciò la classificazione Le classi spettrali possono essere aggregate Tale sistematicità analitica rende il metodo più adatto ad operatori meno esperti GUIDATA Imposizione a priori delle classi di legenda che può essere perfezionata Richiede la preparazione del training set L'aggiustamento delle aree di training e delle classi prevedono un lungo processo interattivo Occorre una conoscenza di dettaglio del territorio La necessità di una grande capacità di sintesi rende il metodo adatto ad operatori di esperienza

10 Esempio di un applicativo: aggiornamento CFRS

11 Sequenza delle elaborazioni necessarie alla classificazione INPUT/OUTPUT ELABORAZIONE Bande ETM (blu, verde, rosso, vicino i-rosso, 2 medi i-rosso) Statistiche per ogni cluster (media e deviazione standard) Mappa muta CLUSTERING: individuazione delle classi spettrali i CLUSTER Mappa preliminare con i cluster classificati Mappa finale Sviluppo sistema classificazione e aggregazione dei cluster Matrice di confusione Valutazione della commission omission e accuratezza CLASSIFICAZIONE: assegnazione di un cluster ad ogni pixel ASSEGNAZIONE: descrizione di ogni cluster tramite confronto con alta risoluzione AREE CONTROLLO: incrocio con un campione di punti di controllo (VHR o rilievi)

12 Comandi di GRASS per la classificazione non guidata r.in.gdal (Geospatial Data Abstraction Library - OSI) r.mask i.group i.cluster i.maxlik r.reclass r.kappa r.report r.mapcalculator

13 r.mask Raster che delimita esattamente l'estensione da processare

14 r.group Rappresenta un set ordinato di raster sovrapposti trattati come una singola entità

15 i.cluster Questo comando richiede: La selezione di un gruppo e sottogruppo di immagini La quantità di cluster ritenuta più opportuna Alcuni parametri tipo numero iterazioni e convergenza Produce: Il nome del signature file statistiche prodotte per ogni cluster nel signature file sono: media varianza e matrice di covarianza Un report con i valori statistici e la Class Separability Matrix

16 Valori medi dei cluster (classi spettrali)

17 i.maxlik Impiega il metodo della massima verosimiglianza Richiede: Gruppo e sottogruppo Il signature file Produce: Un raster di cluster Un raster di probabilità

18 Mappa muta e mappa finale

19 r.reclass Richiede il raster classificato una tabella di conversione Produce un raster con i valori aggregati assegnati

20 Alta risoluzione: attribuzione classi ai cluster Classificazione Aree di Controllo

21 r.kappa Richiede: la mappa finale un raster di aree di controllo Produce: la matrice di confusione (colonna verità, riga classificazione) La commision valutata lungo le righe (affluiscono) L'omission valutata lungo le colonne (confluiscono) Il valore K esprime l'accuratezza per ogni classe e in totale (varia da 0 a 1)

22 r.report Può essere impiegato durante il processo interattivo in cui si sta sviluppando la legenda Richiede La mappa preliminare Un set di aree controllo Produce: Una tabella con riportate le classi riscontrate in ogni cluster

23 Calcolo del cambiamento: r.mapcalculator Applica il principio dei sistemi esperti dove una serie di condizioni if con relativi operatori e connettori logici e di scelte logiche basate sui valori delle immagini in entrata I raster in questo caso sono le classificazioni finali di due diversi periodi

24 Logica del cambiamento PRESENTE PASSATO classi

25 Cambiamento

26 Esercizio: Visione delle maschere principali di GRASS Creare un database, location e mapset Importare raster da formato tiff Fare una classificazione a 10 classi Eseguire il calcolo di NDVI: float(inr RED) / (INR + RED) Fare uno stretch: if ( A <= 'MIN', 0, if (A >= 'MAX', 255, (A-'MIN')*255/('MAX'-'MIN'))) Produrre un composito a colori Esportare i raster in formato tiff