Analisi satellitare e spettrale della Baia di Kotor Montenegro

Transcript

1 Analisi satellitare e spettrale della Baia di Kotor Montenegro Progetto co-finanziato dalla Legge 19/00 Regione Autonoma Friuli Venezia Giulia

2 Analisi satellitare e spettrale della Baia di Kotor Montenegro Progetto co-finanziato dalla Legge 19/00 Regione Autonoma Friuli Venezia Giulia Responsabile scientifico: Dott.ssa PhD Romina ZAMBONI Redatto da: Dott.ssa Marta PLOS, Dott.ssa PhD Rossella NAPOLITANO Presidente: CIO Daniele GULIC

3 Sommario 1.Introduzione Analisi satellitare e spettrale della Baia di Kotor Attività programmate... 2 Creazione di un portale di progetto... 2 Verifica dei Quick-Look satellitari ed acquisto delle immagini... 2 Analisi spettrale delle immagini estive... 2 Analisi spettrali delle immagini invernali... 2 Confronto storico temporale... 3 Classificazione delle immagini per la caratterizzazione dei fondali bassi (in particolare sottocosta) Quick-Look delle immagini satellitari Il satellite Landsat Il sensore ASTER Il satellite SPOT Il satellite IKONOS Il satellite RapidEye QuickBird, WorldView-1 e Worldview Catalogo eoportal Conclusioni Elaborazione delle immagini Landsat Georeferenziazione ed Ortorettifica Generazione di un immagine multispettrale Selezione delle immagini migliori Valutazione visiva preliminare Classificazione Algoritmo Selezione delle bande Metodo Analisi delle componenti principali (PCA) Indici spettrali Indice di fluorescenza Indice di concentrazione della clorofilla Indice di torbidità Temperatura... 62

4 4.Dati in situ Batimetria Salinità Elaborazione dei dati WorldView Georeferenziazione ed ortorettifica Selezione dell immagine migliore Valutazione visiva preliminare Classificazione Analisi delle componenti principali (PCA) Indici spettrali Indice di fluorescenza Indice di concentrazione della clorofilla Indice di torbidità Conclusioni Immagini Landsat Classificazione unsupervised Analisi delle componenti principali Indici spettrali Immagine WorldView e dati di campo Classificazione unsupervised Analisi delle componenti principali Indici spettrali Prospettive per il futuro Presente e Futuro Spatial Decision Support Systems (SDSS) Indice delle figure e delle tabelle Bibliografia... 97

5 1. Introduzione Il monitoraggio ambientale costituisce una delle vie per verificare l evoluzione di un dato ecosistema e lo studio della biodiversità che lo caratterizza rappresenta la base di partenza per controllare le possibili trasformazioni nel tempo. Quantificare gli effetti delle numerose attività antropiche su organismi ed ambienti è di estrema importanza per garantire una corretta gestione e salvaguardia delle risorse naturali. Negli ultimi decenni la scelta di metodi per la valutazione della qualità ambientale si è indirizzata specialmente verso lo studio delle componenti biologiche dell ecosistema in grado di rispondere, con diversa sensibilità, alle modificazioni dell ambiente. Uno strumento assolutamente indispensabile è caratterizzato dalle immagini telerilevate che con le loro caratteristiche informative possono dare un contributo notevole allo studio evolutivo o involutivo dell ecosistema stesso. 1.1 Analisi satellitare e spettrale della Baia di Kotor I sistemi di telerilevamento aereo e satellitare hanno conosciuto negli ultimi anni una notevole evoluzione che ha consentito la messa in orbita di sistemi di osservazione della Terra sempre più sofisticati le cui informazioni, anche grazie al progresso degli strumenti informatici per l elaborazione delle immagini, sono oggigiorno alla portata di un numero sempre più vasto di utenti. Nello stesso tempo la gamma sempre più vasta di dati a diversa risoluzione sia spaziale che spettrale a disposizione sembra consentire di superare alcune limitazioni del passato relative alla possibilità di analizzare in dettaglio ambienti ecologicamente rilevanti ma di estensione limitata. Verranno acquistate due immagini satellitari, una nel semestre estivo e una in quello invernale, al fine di verificare la presenza di alcuni fenomeni all interno della Baia di Kotor. La scelta del satellite verrà fatta in base alla disposizione di immagini prive di nuvole, orientandosi principalmente su sensori ETM+ (Landsat 7) o TM (Landsat 5). L analisi dell immagine del semestre estivo permetterà di verificare in particolare la presenza di fitoplancton (o di bloom algali) nei primi centimetri della colonna d acqua utilizzando indici di analisi di biomassa fotosinteticamente attiva presenti in letteratura. L analisi dell immagine del semestre invernale, invece, permetterà di verificare in particolare la presenza di scarichi, e il loro plume di diffusione, nella Baia; in particolare si prevede per questo tipo di analisi di utilizzare le bande dell infrarosso (in particolare il termico) acquisite dal satellite. Ad integrazione dell analisi della situazione attuale, si prevede di eseguire un analisi storica di confronto dei fenomeni studiati utilizzando immagini satellitari dello stesso tipo già in possesso di DerMap S.r.l. e risalenti agli anni a cavallo del nuovo millennio. Mediante analisi satellitare multispettrale è possibile ricercare se in un corpo idrico, quali ad esempio baie, lagune, fiordi o mare, ci sono delle immissioni derivanti da scarichi; questo è attuabile grazie alla diversa densità (e temperatura) delle due masse d acqua. 1

6 1.2 Attività programmate É stata pianificata una serie di attività per questo progetto, a partire dalla semplice creazione di un portale per la condivisione di informazioni fino alla pubblicazione finale dei risultati dello studio, che seguirà tutte le fasi di elaborazione delle immagini. Di seguito sono elencati i vari passi, con una breve descrizione. Creazione di un portale di progetto La creazione di un portale di progetto permette a coloro che sono coinvolti nel progetto stesso di condividere le informazioni necessarie e concernenti le attività ed offre uno spazio per i dati in fase di elaborazione. La tecnologia PHP sta alla base di questo portale e grazie ad essa ciascuno può monitorare lo stato di avanzamento dei lavori. Verifica dei Quick-Look satellitari ed acquisto delle immagini Per l elaborazione verranno selezionati diversi satelliti. Come primo passo, verranno selezionate le immagini a media risoluzione del satellite Landsat (Landsat 5 TM e Landsat 7 ETM+) in base alla data di acquisizione, alla presenza di nuvole e alla copertura dell area di studio. Lo scopo è ottenere una o due coppie di immagini per il periodo estivo e una o due coppie per il periodo invernale, ove ciascuna coppia di immagini abbia in comune il periodo (entro una tolleranza di alcuni giorni) di acquisizione ed in modo che le due immagini siano state acquisite ad alcuni anni di distanza; ad esempio, una coppia di immagini riferite alla metà di luglio circa, una acquisita nel 1985 e una nel Le immagini Landsat forniranno una prima idea generale delle condizioni della baia e permetteranno di testare alcuni indici spettrali dal momento che il Landsat è un sensore molto conosciuto e diffuso nel settore del telerilevamento e del monitoraggio, e pertanto sono stati pubblicati numerosi studi sugli indici spettrali, sulla classificazione delle immagini e sull analisi delle componenti principali. Dopo l acquisizione delle immagini del satellite Landsat, lo studio si concentrerà sul reperimento di un immagine a più alta definizione e maggiore dettaglio. Se possibile, si procederà ad acquistare un immagine satellitare ad alta risoluzione (spaziale e spettrale), scelta fra quelle fornite dai satelliti disponibili sul mercato (Ikonos, Aster, SPOT, WorldView, ecc.). L analisi di questa seconda immagine avrà il fine di recuperare informazioni più dettagliate sulle aree occupate dalle colture di ostriche. Analisi spettrale delle immagini estive Questa analisi permette di verificare la presenza di fenomeni di bloom algale (dovuti a condizioni di eutrofizzazione) nei primi centimetri della colonna d acqua. L analisi verrà eseguita in particolare mediante l uso di indici per l analisi ed il monitoraggio di biomassa fotosinteticamente attiva presenti in letteratura. Analisi spettrali delle immagini invernali Questa analisi permette il controllo della presenza di eventuali scarichi e del loro plume di diffusione. L analisi verrà condotta tramite indici combinati che utilizzano l infrarosso (IR) e l infrarosso termico in particolare. 2

7 Confronto storico temporale Mediante l utilizzo di immagini acquisite in anni differenti è possibile verificare il ripetersi di un dato fenomeno. Per questa ragione le immagini verranno acquisite a coppie distanziate fra loro di anni ma appartenenti allo stesso periodo dell anno, e confrontate dopo l elaborazione e la generazione di indici. Classificazione delle immagini per la caratterizzazione dei fondali bassi (in particolare sottocosta) Questa fase verrà affrontata con l esecuzione di un analisi combinata sulle bande spettrali mediante algoritmi di classificazione, per mettere in evidenza la morfologia dei fondali che raggiungono profondità massima di alcuni decimetri. In base alla pendenza del fondale vicino alla costa, l analisi potrebbe rivelarsi possibile sia per le immagini Landsat che per l immagine ad alta risoluzione, oppure solamente per quest ultima; il fondale potrebbe infatti essere già molto profondo entro una distanza dalla costa inferiore a quella rilevabile dai pixel da 30 m che caratterizzano l immagine Landsat, che non sarebbe quindi in grado di mostrare l area a fondale basso vicina alla costa. 3

8 2. Quick-Look delle immagini satellitari Esistono molti sensori per il monitoraggio dell ambiente marino (tabella 2.1); lo scopo principale di questa attività è studiare i colori del mare, la temperatura standard della superficie marina (Standard Sea Surface Temperature, SST) e la dinamica dell acqua del mare. Tab. 2.1: Sensori disponibili per il monitoraggio di ambienti marini La qualità principale di questi satelliti è la risoluzione spettrale, studiata in modo specifico per l osservazione del sistema marino e per la determinazione dei cambiamenti nel fitoplancton (attraverso la misurazione dei cambiamenti nella concentrazione di clorofilla), per la valutazione della biomassa fitoplanctonica, della materia organica colorata disciolta, dei sedimenti sospesi e delle proprietà del fondale. Il difetto di questi sensori è la risoluzione spaziale, in genere troppo bassa per il monitoraggio costiero; in questo ambiente, secondo molti articoli di letteratura, i fenomeni fisici e biologici richiedono una migliore risoluzione spaziale. La figura 2.1 mostra un immagine dal satellite MODIS, che riprende l area della baia di Kotor, con la risoluzione spaziale di 1 km. Fig. 2.1: Immagine dal satellite MODIS dell area di interesse (risoluzione spaziale 1 km) 4

9 Per questo motivo la ricerca di immagini satellitari si è concentrata sui principali satelliti in commercio che presentassero caratteristiche di media o alta risoluzione spaziale. 2.1 Il satellite Landsat Il primo satellite oggetto della ricerca è stato il Landsat, per il vasto archivio di immagini provenienti dai suoi sensori e per il fatto che le immagini sono scaricabili in via gratuita, oltreché per il fatto che il Landsat, essendo operativo dal 1972, consente con più facilità la generazione di serie storiche di immagini. Il Landsat 5 TM (Thematic Mapper) in particolare è stato messo in orbita nel 1984, il Landsat 7 ETM+ (Enhanced Thematic Mapper Plus) nel 1999, anche se Il 31 maggio 2003 lo Scan Line Corrector (SLC) nel sensore ETM+ ha riscontrato dei gravi problemi tecnici. Il SLC è costituito da una coppia di piccoli specchi che ruotano intorno ad un asse in sincrono con il movimento dello specchio principale del sensore ETM+. Lo scopo del SLC è di compensare il movimento progrado (lungo la direzione di movimento) del mezzo spaziale cosicché le acquisizioni che ne risultano siano allineate le une con le altre. Senza il contributo del SLC lo strumento acquisisce le immagini a zig-zag, e per questo motivo alcune aree vengono registrate due volte ed altre vengono tralasciate completamente. Il risultato effettivo è la totale mancanza di circa un quarto dei dati nel Landsat 7 dopo che il SLC ha avuto problemi. [ Le caratteristiche spettrali dei sensori Landsat TM e Landsat ETM+ sono illustrate nella tabella 2.2. Uno dei siti web dai quali è possibile scaricare gratuitamente immagini dai Landsat è: Tab. 2.2: Caratteristiche dei sensori TM ed ETM+ Sono risultate disponibili 20 immagini (dal 1987 al 2007) riguardanti l area di studio per i sensori Landsat TM, ETM+ ed SRTM (Figura 2.2). 5

10 Fig. 2.2: Risultati della ricerca di immagini Landsat e SRTM sul sito web della Global Land CoverFacility L acronimo SRTM indica la missione Shuttle per la topografia mediante radar (Shuttle Radar Topography Mission) e si riferisce ad una missione per il reperimenti di dati di elevazione ad una scala pressoché globale per generare il più completo database topografico digitale ad alta risoluzione del pianeta. L SRTM era costituito da un sistema radar montato sullo Space Shuttle Endeavour durante una missione di 11 giorni nel febbraio del SRTM è un progetto internazionale cui fa capo l Agenzia Nazionale per l Intelligence Geospaziale (NGA) americana, la NASA, l Agenzia Spaziale Italiana (ASI) ed il Centro Aerospaziale Tedesco (DLR). Il risultato è una serie di dati a varie risoluzioni spaziali possibili, inclusi 1 km e 90 m per l intero pianeta e 30 m per gli Stati Uniti. La GCLF (Global Land Cover Facility ) fornisce la maggior parte dei dati del USGS oltre che alcune edizioni speciali. Satellite Sensor Capture Resolution Pixel Resolution Space Shuttle Endeavor C-band and X-band 1 secondo d arco 30 metri 3 secondi d arco 90 metri 30 secondi d arco 1 km Tipo scena Dimensioni scena Proiezione Gradi 1 grado latitudine X 1 grado longitudine geografica WRS km X 185 km UTM Mosaico global geografica Tab. 2.3: Caratteristiche del sensore SRTM e del prodotto 6

11 Le specifiche del SRTM sono illustrate in tabella 2.3, mentre la figura 2.3 mostra un esempio delle immagini per l area di interesse. Fig. 2.3: Esempi di immagini SRTM (Filled Finished-A e Filled Finished-B) Un altro sito web per scaricare immagini satellitari è il sito del Servizio Geologico statunitense, lo USGS Global Visualization Viewer ( che ha in archivio immagini dal 1987 ad oggi (Figura 2.4) 7

12 Fig. 2.4: Interfaccia sito web USGS Alcune immagini possono essere scaricate direttamente dal sito, mentre altre richiedono la compilazione di un ordine; restano comunque gratuite, e vengono spedite solitamente poco dopo l ordine. Per il Landsat, l area di studio è compresa nei path/row 187/31 e 187/30. La tabella 2.4 illustra la lista di immagini scaricate dai due siti. L5 si riferisce al satellite Landsat 5 TM e L7 al Landsat 7 ETM+. path/row 187/30 path/row 187/31 24/07/1987 L5 01/09/1984 L5 10/01/1989 L5 09/08/1987 L5 16/07/1993 L5 24/07/1987 L5 08/12/1999 L7 02/08/1999 L7 06/07/2001 L7 08/12/1999 L7 15/06/2002 L5 19/07/2000 L7 23/06/2002 L7 04/07/2003 L5 02/02/2003 L7 22/09/2003 L5 04/07/2003 L5 20/07/2003 L5 20/ L5 20/07/2009 L5 22/09/2009 L5 22/09/2009 L5 23/07/2010 L5 23/07/2010 L5 08/08/2010 L5 08/08/2010 L5 24/08/2010 L5 24/08/2010 L5 Tab. 2.4: Immagini Landsat scaricate per l area di interesse 8

13 2.2 Il sensore ASTER La tabella 2.5 mostra le specifiche per le bande del sensore Aster. sottosistema n banda range (µm) VNIR (Visibile - infrarosso vicino) SWIR (infrarosso medio) TIR (Infrarosso termico) risoluzione spaziale (m) Nadir locking 3 Backward locking (Stereoscopic Image - Base/Height Ratio = 0.6) applicazioni principali Cartografia di scogliere coralline Modelli numerici del terreno Geologia Monitoraggio dei ghiacciai Classificazione del territorio e verifica delle modificazioni Superfici ai poli e classificazioni delle nuvole Umidità del suolo Bilancio energetico Sviluppo urbano Stress e sviluppo della vegetazione Monitoraggio dei vulcani Cartografia delle zone umide Geologia Esplorazione mineraria Classificazione del territorio e verifica delle modificazioni Bilancio energetico Monitoraggio dei vulcani Monitoraggio degli incendi Geologia Classificazione del territorio e verifica delle modificazioni Superfici ai poli e classificazioni delle nuvole Umidità del suolo Emissività della superficie Bilancio energetico Cinetica della temperatura superficiale Sviluppo urbano Stress della vegetazione Monitoraggio dei vulcani Cartografia delle zone umide Tab. 2.5: Caratteristiche del sensore ASTER È possibile scaricare le immagini ASTER da due siti web: un sito giapponese: il sito del servizio geologico americano: Dalle ricerche risulta la disponibilità di 18 immagini dell area di studio, ma alcune di esse non sono utilizzabili perché non coprono completamente la baia di Kotor o per la presenza di nuvole (Figura 2.5). 9

14 Fig. 2.5: Risultati della ricerca di immagini ASTER dal sito web giapponese Selezionando le immagini una a una è possibile vedere i dettagli, le anteprime dei tre sensori (VNIR, SWIR, TIR) e la copertura nuvolosa. Sfortunatamente i sensori SWIR dell ASTER non sono più in funzione a causa di temperature insolitamente alte registrate in questo sensore. Le immagini ASTER di questo sensore, acquisite dopo il 2008, non sono utilizzabili e mostrano dei fenomeni di saturazione e striping. Tutti i tentativi fatti di abbassare la temperatura dello SWIR sono stati inefficaci, e non è stata messa in previsione alcuna operazione ulteriore sul sensore. Inoltre, i rilevatori di temperatura dello SWIR hanno mantenuto livelli relativamente alti fra l aprile 2007 e il 15 gennaio 2008, ed alcuni dei dati acquisiti in quel periodo risultavano affetti da saturazione. Anche se i dati vengono rielaborati con database radiometrici aggiornati, la saturazione e gli effetti dello striping sono comunque presenti in alcuni dati, in particolare quelli acquisiti nel periodo di temperature notevolmente elevate, fra il 22 settembre 2007 ed il 15 gennaio I dati dei sensori VNIR e TIR continuano ad essere di qualità eccellente e continuano a rientrare nei requisiti della missione. In conclusione, si raccomanda l uso dei dati provenienti dall ASTER SWIR solo se acquisiti prima dell aprile La figura 2.6 mostra un confronto fra un immagine dell agosto 2003, con il SWIR perfettamente funzionante, ed un anteprima di un immagine acquisita nel novembre 2008, nella quale manca l immagine del SWIR. 10

15 Fig. 2.6: Esempio di un immagine ASTER per il 2003 con tutti i sensori ancora funzionanti (in alto) e di un immagine del novembre 2008, con l immagine SWIR mancante (in basso) 11

16 Come già accennato, anche le immagini ASTER possono essere ordinate dal sito dello USGS (Figura 2.7 e 2.8) Fig. 2.7: Anteprima immagine ASTER del giugno 2008 Fig. 2.8: Anteprima immagine ASTER del settembre 2006 Dal momento che ci sono dei problemi con i sensori SWIR, il periodo di acquisizione relativamente breve se confrontato con quello del Landsat (le immagini ASTER sono disponibili fino al 2001), la complete assenza di immagini invernali ed il costo delle immagini (90 euro l una) hanno fatto sì che questo sensore non venisse considerato utile per questo studio. 2.3 Il satellite SPOT Il sistema SPOT (Satellite Pour l'observation de la Terre) include una serie di satelliti e di risorse per la raccolta di dati a terra per il controllo e la programmazione del satellite, la produzione di immagini e la loro distribuzione. I satelliti sono in orbita grazie ai razzi di lancio Ariane 2, 3 e 4. La compagnia SPOT Image distribuisce immagini ad alta risoluzione, raccolte dallo SPOT da ogni parte del globo. SPOT 1 è stato lanciato il 22 febbraio 1986 con una risoluzione di 10m sul pancromatico e 20m sul multispettrale. Missione annullata il 31 dicembre SPOT 2 è stato lanciato il 22 gennaio 1990 e ritirato in luglio SPOT 3 è stato lanciato il 26 settembre Il funzionamento si è interrotto il 14 novembre SPOT 4 è stato lanciato il 24 marzo SPOT 5 è stato lanciato il 4 maggio 2002 con risoluzione di 2.5 m, 5 m and 10 m. Le caratteristiche degli SPOT sono riassunte nella tabella

17 Tab. 2.6: Specifiche dei satelliti SPOT La ricerca di immagini SPOT può essere effettuata direttamente il sito dedicato ( come mostra la figura 2.9; lo stesso sito ospita il Bundle Kompsat-2 (KOrean MultiPurpose SATellite), un satellite ad altissima risoluzione dell Istituto per la Ricerca Aerospaziale Coreana (KARI). KOMPSAT-2 acquisisce immagini in bianco e nero (Pan) ad una risoluzione di 1 m e a colori (MS) su 4 bande sia del visibile (rosso, verde, blu) che dell infrarosso ad una risoluzione di 4 m. L acquisizione simultanea delle immagini pan e MS permette di ricavare delle immagini a 1 m come prodotto standard. Le immagini del KOMPSAT-2 coprono un footprint di 15km x 15km. Fig. 2.9: Ricerca immagini SPOT 13

18 I risultati della ricerca sono illustrate in figura 2.10; l anteprima consente di visualizzare l immagine Kompsat-2 del 21 maggio Le informazioni sul Kompsat sono disponibili contattando il loro customer service. Fig. 2.10: Risultati della ricerca immagini SPOT Esiste una sola immagine dello SPOT 4 che copra l area di studio, acquisita in Febbraio 2009 con 10 m di risoluzione, bianco e nero. I costi sono: per una scena completa, con elaborazione per ortorettifica: 2500 Euro; per una scena più ristretta (30 x 30 ) con elaborazione per ortorettifica: 1250 Euro l una (Figura 2.12); per livelli di elaborazione 1A, 2B e 2A: 1900 Euro l una (scena completa). Fig. 2.11: Immagine SPOT del 4 febbraio 2009 Fig. 2.12: Il rettangolo blu rappresenta un quadrato di 30 x 30 per la selezione di una scena più ristretta 14

19 2.4 Il satellite IKONOS Le specifiche per il satellite IKONOS sono riassunte in tabella 2.7. Tab. 2.7: Specifiche del satellite IKONOS Le immagini acquisite dal sensore montato sul satellite IKONOS sono disponibili sul sito della GeoEye ( ); le immagini disponibili coprono un periodo che va dal 2001 al Il problema principale in questo caso è l ampiezza della strisciata (swath), dato che è cosi ristretta da rendere necessario l uso di 5 immagini per coprire l area di studio. Le quattro immagini più recenti (due risalenti al 6 luglio 2010 e due al 16 giugno 2010) coprono solo la metà dell area di interesse (figura 2.13) Fig. 2.13: Immagini IKONOS del

20 Le immagini acquisite nel dicembre 2006 coprono la quasi totalità dell area, ma le aree di Kotor e Dobrota non sono coperte (figura 2.14) Fig. 2.14: Immagine IKONOS del dicembre 2006 L area di Kotor è presente nelle immagini acquisite il 29 settembre 2006 (figura 2.15) e in parte in altre due immagini, acquisite il 2 febbraio 2006 ed in maggio Fig. 2.15: Immagine IKONOS del 29 settembre

21 Il problema principale nell utilizzare immagini risalenti a date diverse è che non possono essere utilizzate contemporaneamente con il metodo del mosaicking, perché le stagioni alle quali si riferiscono sono totalmente diverse, anche se è possibile comunque effettuare delle elaborazioni puntuali in aree di interesse specifiche. Esiste un altro modo per visualizzare le immagini IKONOS: Google Earth (figura 2.16). Il risultato comunque non cambia. Fig. 2.16: Risultati della ricerca di immagini IKONOS su Google Earth 17

22 2.5 Il satellite RapidEye Le immagini acquisite dai satelliti RapidEye (specifiche riportate in tabella 2.8) possono essere recuperate sul sito: Tab. 2.8: Caratteristiche del satellite RapidEye Non esistono immagini che coprano l area di studio al momento (figura 2.17). Fig. 2.17: Ricerca immagini RapidEye 18

23 2.6 QuickBird, WorldView-1 e Worldview-2 Le immagini dai satelliti QuickBird, WorldView-1 e WorldView-2 (specifiche riassunte in tabella 2.9) sono disponibili sul sito della DigitalGlobe: (figure 2.18 e 2.19). Tab. 2.9: Specifiche dei satelliti Quickbird, WorldView-1 e Worldview-2 Fig. 2.18: Sito web DigitalGlobe 19

24 L immagine è stata acquistata dal sito web della MapMart che permette di ordinare le immagini personalizzando l area di interesse e caricando sulla richiesta uno shapefile dell area nel sistema di coordinate (lat/long) WGS84. La ricerca ha prodotto diversi risultati (figura 2.20). Fig. 2.19: Interfaccia per la ricerca di immagini Fig. 2.20: Risultati della ricerca 20

25 Il sito web permette la visualizzazione delle anteprime delle immagini (Figure 2.21 e 2.22). Fig. 2.21: Anteprima dell immagine QuickBird Fig. 2.22: Anteprima di due immagini WorldView del 2 luglio 2010 Il satellite WorldView si rivela particolarmente utile grazie alle sue bande multispettrali adatte per gli studi in ambiente marino. La nuova banda introdotta in questo satellite, la Coastal Band (banda per la costa), con 21

26 una lunghezza d onda compresa fra i 400 nm ed i 450 nm, permette analisi specifiche sulle aree costiere, ed è particolarmente adatta per studi sulla batimetria. In effetti il satellite fornisce informazioni anche nel range dell ultravioletto, e per fondali bassi (fino a 20 m, a seconda della trasparenza dell acqua) è possibile monitorare i cambiamenti repentini delle aree costiere (ad es. foci fluviali o monitoraggio di ripascimenti di sabbie) con una frequenza che prima non era possibile. [ 2.7 Catalogo eoportal Il sito web (Figura 2.23) permette la ricerca di dati da osservazioni satellitari forniti da diversi provider di dati; i prodotti, provenienti da diverse fonti, possono essere confrontati e le immagini in anteprima possono essere visualizzate per permettere la scelta del miglior tipo di immagini a seconda delle necessità dell utente. Fig. 2.23: Sito web eoportal Catalogue Una volta definiti i criteri di ricerca richiesti, la ricerca può iniziare. Il risultato viene visualizzato nella tabella dei risultati della ricerca nella parte inferiore destra della pagina. Vengono visualizzati alcuni campi fra cui identificazione numerica della riga, numero identificativo o denominazione dell oggetto, data di inizio e data di fine. Inoltre, ciascuna riga ha un box di verifica, che indica se la copertura spaziale del risultato sia visualizzata sulla mappa. La figura 2.24 mostra un esempio dei risultati della ricerca. Fig. 2.24: Risultati della ricerca su eoportal 22

27 È possibile visualizzare i dettagli completi del prodotto o della collezione di immagini selezionando un singolo risultato e cliccando sull icona con la lente di ingrandimento posizionata in basso rispetto ai risultati. Questa azione permetterà l apertura di una nuova finestra contenente molti campi aggiuntivi che descivono i risultati visualizzati. È possibile anche visualizzare l anteprima del prodotto, che è caratterizzata da una risoluzione inferiore rispetto all immagine originale, ma comunque con dettaglio sufficiente ad ottenere una buona visione del prodotto. L anteprima può anche essere elaborata (stretching e/o miglioramento del contrasto) (Figura 2.25). Fig. 2.25: Esempio dei dettagli completi di un prodotto 2.8 Conclusioni Le immagini del satellite Landsat permettono un indagine di tipo storico dei cambiamenti avvenuti nella baia di Kotor dagli anni 80. Per le aree di maggior interesse, come quelle dove sono presenti le colture (figura 2.26), possono essere utilizzate alcune immagini con una risoluzione spaziale e spettrale migliore. Fig. 2.26: L area di studio è compresa nella linea rossa; le aree gialle indicano le colture. 23

28 3. Elaborazione delle immagini Landsat L elaborazione delle immagini Landsat ha richiesto una serie di fasi che verranno descritte in dettaglio nelle sezioni seguenti: Georeferenziazione ed ortorettifica; Generazione di un immagine multispettrale; Scelta delle immagini migliori; Valutazione visiva preliminare (generazione di un color composite); Calcolo di indici spettrali; Confronto storico. 3.1 Georeferenziazione ed Ortorettifica Il primo passo da effettuare durante l elaborazione di immagini telerilevate è collocarle nello spazio, ovvero assegnare loro un sistema di coordinate e verificare la corrispondenza degli elementi dell immagine con gli elementi reali, in termini di coordinate: questo processo è detto correzione geometrica. Durante questa fase, specialmente quando si ha a che fare con aree montuose, sono frequenti dei notevoli errori nel posizionamento geografico. Questi errori possono essere ridotti se le distorsioni dovute all angolo di osservazione del sensore ed i rilievi topografici vengono modellati con un modello digitale del terreno (DEM o DTM) durante il processo di rettifica, chiamato per questo ortorettifica. Nel nostro caso questo passo non è stato necessario, dato che il nostro studio si è concentrato su aree costiere e marine, mentre l ortorettifica basata sul DEM è necessaria in caso lo studio si concentri su aree dell entroterra e sulla vegetazione. Il processo di georeferenziazione fornito dai produttori di immagini Landsat si è rivelato sufficiente per lo scopo dello studio; le immagini scaricate dal sito web del Landsat erano già georiferite nel sistema di coordinate UTM WGS84, zona 34N (figura 3.1); per questo motivo, in alcuni casi è stato necessario convertire il sistema di coordinate di alcuni dati in situ o digitalizzati dal Lat/Long a UTM, così da avere completa uniformità e coerenza in termini di sistemi di coordinate. Fig. 3.1: Sistema di coordinate delle immagini Landsat 24

29 3.2 Generazione di un immagine multispettrale Il primo passo in questa fase è aprire tutte le 7 immagini (corrispondenti alle 7 bande spettrali acquisite per ciascuna scena dal satellite) con il software ENVI v. 4.7 (figura 3.2) Fig. 3.2: Le 7 bande formano un unico gruppo, gestibile con ENVI 4.7 Le bande sono state raggruppate in un singolo file, per facilitarne la manipolazione, salvandole in formato ENVI meta (figura 3.3). Fig. 3.3: Le immagini sono state salvate in formato ENVI meta 25

30 Il software richiede la scelta delle immagini da unire (figura 3.4) e permette di riordinarle (figura 3.5). Fig. 3.4: Scelta delle immagini da unire nel file Fig. 3.5: Scelta dell ordine delle bande 26

31 3.3 Selezione delle immagini migliori Alcune immagini del Landsat 5 TM e le immagini del Landsat 7 ETM+ sono state importate in format TIFF in ArcGIS 9.3 per la selezione di quelle da utilizzare per le fasi successive di elaborazione (figura 3.6). Fig. 3.6: Immagini Landsat importate in ArcGis Per un confronto storico fra le immagini estive se è deciso di preferire le immagini acquisite dal Landsat TM dato che quelle del Landsat ETM+ presentano dei gap dal 2003 ad oggi. Dato che le immagini invernali del Landsat 5 TM non sono disponibili negli archivi, le analisi per le immagini invernali sono state effettuate sulle immagini del Landsat 7 ETM+ acquisite prima del maggio In base all area di studio, alla presenza di nuvole ed al periodo di acquisizione, sono state selezionate le seguenti immagini (tabella 3.1): Immagini selezionate 24/07/1987 L5 09/08/1987 L5 23/07/2010 L5 24/08/2010 L5 08/12/1999 L7 02/02/2003 L7 periodo estate inverno Tab.3.1: Immagini Landsat importate in ArcGIS 27

32 Fig. 3.7: Immagini estive dal Landsat 5 TM Fig. 3.8: Immagini invernali dal Landsat 7 ETM+ Alcune immagini mostrano chiaramente la presenza di nuvole, mentre le immagini invernali presentano delle ombre che potrebbero influenzare i risultati dell elaborazione dato che in corrispondenza delle ombre, il DN (Digital Number) diminuisce (figure 3.7 e 3.8). 28

33 Un altro fattore da tenere presente nell analisi delle aree costiere è la marea. Tutte le immagini che sono state scelte sono state acquisite in condizioni di bassa marea, come mostra la seguente serie di figure (le figure 3.9 e 3.10 mostrano le fasi tidali per il giorno di acquisizione di ciascuna immagine satellitare; il satellite copre l area di studio alle 9.17 del mattino). Fig. 3.9: Fasi di marea nel giorno dell acquisizione immagini estive Fig. 3.10: Fasi di marea nel giorno dell acquisizione immagini invernali 29

34 3.4 Valutazione visiva preliminare Una delle prime operazioni che può essere effettuata sulle immagini satellitari è una combinazione semplice delle diverse bande in RGB (Rosso, Verde, Blu); in tal modo è possibile generare immagini con colori diversi per evidenziare strutture, elementi e caratteristiche che non possono essere viste in immagini a colori reali. Di seguito (figure da 3.11 a 3.16) sono riportati alcuni esempi di color composite. Fig. 3.11: RGB color composite (rosso-verde-blu): composite in colori reali; è come una fotografia, evidenzia le aree sommerse e le colonne di fumo 30

35 Fig. 3.12: RGB color composite (NIR-rosso-verde): è simile ad una foto scattata con una macchina all infrarosso. La vegetazione è rossa, le aree urbane sono blu. La linea di costa è ben definita, ma è comunque possibile identificare alcune strutture sommerse. Fig. 3.13: RGB color composite (NIR-SWIR-rosso): Il confine acqua-terra è ben definito, i terreni umidi appaiono più scuri. 31

36 Fig. 3.14: RGB color composite (SWIR-NIR-verde): Le alghe appaiono azzurre, le conifere sono più scure delle piante decidue, l acqua è blu scuro, la vegetazione è verde e le aree spoglie da vegetazione o urbane sono rosa Fig. 3.15: RGB color composite (TIR-verde-blu): Questo color composite mostra efficacemente la differenza di temperatura nel corpo d acqua. È stato necessario applicare una maschera per la terraferma per evidenziare le differenze di temperatura. 32

37 Fig. 3.16: RGB color composite (SWIR-verde-blu): Questo composite è molto utile per il riconoscimento di chiazze oleose. L anomalia, se presente, acquisisce un colore rosso su fondo scuro. 33

38 3.5 Classificazione La classificazione può essere operata con diverse metodologie: se sono presenti poche informazioni (o nessuna) sull area di studio, si preferisce una classificazione di tipo unsupervised. Algoritmo La classificazione unsupervised va usata per raggruppare i pixel in set di dati basati esclusivamente sulla statistica, senza alcuna classe di controllo definite dall operatore. La classificazione unsupervised può essere effettuata con tecnica ISODATA o K-Means. La classificazione unsupervised di tipo K-Means calcola le medie iniziali delle classi equamente distribuite nello spazio di dati, e poi in modo iterativo raggruppa i pixel nella classe più vicina utilizzando una tecnica di distanza minima. Ciascuna iterazione ricalcola le medie e riclassifica i pixel in funzione delle nuove medie. Tutti i pixel vengono assegnati alla classe più vicina a meno che non venga specificato un limite di distanza o deviazione standard, nel qual caso alcuni pixel potrebbero non venire assegnati ad alcuna classe se non incontrano i criteri selezionati. Il processo continua finché il numero di pixel in ciascuna classe varia di meno del limite di variazione selezionato o finché viene raggiunto il massimo numero di iterazioni. Selezione delle bande Sono state selezionate le bande 1, 2, 3 e 4, perché: Banda 1: Blu ( nm); viene diffusa dall atmosfera ed illumina le zone d ombra meglio delle lunghezze d onda maggiori (il blu è l estremità a lunghezza d onda minore nello spettro del visibile). Il blu penetra l acqua limpida meglio di altri colori. Viene assorbito dalla clorofilla, e per questo le piante non riflettono molto in questa regione dello spettro. I campi coltivati appaiono scialbi e scoloriti. In ogni caso, è utile per la discriminazione fra suolo e vegetazione, per la mappatura di foreste, per l identificazione di manufatti. Banda 2: Verde ( nm); penetra l acqua piuttosto bene e genera un buon contrasto fra acqua limpida e torbida (fangosa). È utile per l identificazione di idrocarburi e oli sulla superficie dell acqua; la vegetazione (piante) riflette meglio il verde di qualsiasi altro colore. Le costruzioni sono ancora visibili. Banda 3: Rosso ( nm); penetra poco nell acqua. Riflette il fogliame secco, ma non così bene il fogliame vivo che presenta clorofilla. È utile per l identificazione dei tipi di vegetazione, dei suoli e delle componenti urbane (città e paesi). Banda 4: Infrarosso vicino (NIR, nm, più rosso del rosso, ma non visibile); buono per la mappatura delle coste e del contenuto di biomassa. Molto buono per il riconoscimento e l analisi della vegetazione. [ 34

39 Metodo Fig. 3.17: Selezione del metodo unsupervised dall interfaccia ENVI Il primo passo è la scelta dell immagine da elaborare e dell area da classificare. Dopo l apertura dell interfaccia per la classificazione unsupervised (figura 3.17), possono essere selezionate la regione di interesse (ROI) o il file vettoriale di ENVI (EVF) (figura 3.18). Fig. 3.18: Selezione dell area da classificare Il secondo passo è la scelta delle bande da classificare (figura 3.19). 35

40 Fig. 3.19: Selezione delle bande per la classificazione (in questo caso, dalla 1 alla 4: blu, verde, rosso e NIR) Va infine scelto il numero di classi da generare nella mappa ed il nome del file in output (figura 3.20). Fig. 3.20: scelta delle classi e dell output I risultati della classificazione per le immagini estive è mostrato in figura 3.21; la classificazione delle immagini invernali è riportata in figura

41 24 luglio luglio agosto agosto 2010 Fig. 3.21: Classificazione delle 4 immagini estive 37

42 8 dicembre febbraio 2003 Fig. 3.22: Classificazione delle 4 immagini invernali La classificazione delle immagini invernali, acquisite dal satellite nel dicembre 1999, presenta copertura nuvolosa, ombre e neve che risultano fonte di confusione per l algoritmo di classificazione; l immagine acquisita in febbraio mostra chiaramente come l algoritmo confonda le ombre con l acqua. 38

43 Per una classificazione più selettiva è possibile mascherare la terraferma e classificare solamente l area marina; per questo fine, il software fornisce un opzione di maschera (figura 2.23), ed è possibile selezionare lo shapefile dell area di studio. Fig. 3.23: Applicazione della maschera Le figure 3.24 e 3.25 mostrano i risultati della classificazione sulle stesse immagini estive ed invernali, alle quali è stata applicata una maschera per la terraferma. 39

44 24 luglio luglio agosto agosto 2010 Fig. 3.24: Classificazione delle 4 immagini estive mascherate 40

45 41 8 dicembre febbraio 2003 Fig. 3.25: Classificazione delle 4 immagini invernali mascherate

46 3.6 Analisi delle componenti principali (PCA) L analisi delle componenti principali (Principal Components Analysis, PCA) fornisce un valido aiuto alla classificazione delle bande del TM per lo studio della profondità del mare e della struttura del fondale. Di tutti gli algoritmi presenti in letteratura per la determinazione delle proprietà batimetriche dei dati Landsat TM, la PCA sembra essere la migliore alternativa nel caso non siano state effettuate analisi in situ nel momento in cui il satellite acquisiva l immagine dell area di studio. La PCA è una tecnica statistica che trasforma dei dati multivariati costituiti da variabili intercorrelate in un set di dati che sono combinazioni lineari delle variabili originali. Per le analisi da telerilevamento, una trasformazione in componenti principali (figura 3.26) è basata sull analisi della relazione fra bande diverse e sulla rotazione di assi per fornire un set di bande non correlate le une con le altre. Per questa ricerca sono state usate la TM1 e la TM2 (figura 3.27). La prima componente (PC1) contiene la varianza relativa alla profondità del mare, mentre la seconda (PC2), ortogonale alla prima, contiene la varianza associata alla struttura del fondale [Althausen et Al., 2003]. Fig. 3.26: Interfaccia di trasformazione delle componenti principali Fig. 3.27: Scelta delle bande (sono evidenziate la TM1 e la TM2) 42

47 Come per la classificazione di tipo unsupervised, l ultimo passo è la scelta dei parametri di output (figura 3.28). Fig. 3.28: Scelta dei parametri di output Le figure dalla 3.29 alla 3.32 mostrano i risultati per le immagini estive ed invernali: due bande separate, PC1 e PC2, combinazioni lineari non correlate delle variabili di input, che forniscono informazioni sulla profondità e la struttura del fondale. 43

48 24 luglio luglio agosto agosto 2010 Fig. 3.29: Risultato per la PC1 su immagini estive, contenente informazioni sulla varianza associata alla profondità 44

49 45 8 dicembre febbraio 2003 Fig. 3.30: Risultato per la PC1 su immagini invernali, contenente informazioni sulla varianza associata alla profondità

50 24 luglio luglio agosto agosto 2010 Fig. 3.31: Risultato per la PC2 su immagini estive, contenente informazioni sulla varianza associata alla struttura del fondale 46

51 47 8 dicembre febbraio 2003 Fig. 3.32: Risultato per la PC2 su immagini invernali, contenente informazioni sulla varianza associata alla struttura del fondale

52 Le due PC sono poi state combinate con una hybrid routine (figure 3.33 e 3.34) con la TM3 per ottenere una classificazione dell ambiente ad acqua bassa [Althausen et Al., 2003]. 24 luglio luglio agosto agosto 2010 Fig. 3.33: Risultato della combinazione di PC1, PC2 e TM3 per le immagini estive 48

53 8 dicembre febbraio 2003 Fig. 3.34: Risultato della combinazione di PC1, PC2 e TM3 per le immagini invernali È stato poi effettuato un ulteriore tentativo eseguendo una correzione atmosferica con il metodo del dark object, ma non ci sono stati miglioramenti significativi nella qualità della classificazione. 49

54 3.7 Indici spettrali Un immagine satellitare fornisce potenzialmente una grande quantità di dati, ma solo pochi di essi possono essere identificati facilmente senza un adeguata elaborazione dell immagine. La tecnica del band ratioing è una delle più semplici ed efficaci tecniche di elaborazione per la generazione di immagini che evidenziano alcune caratteristiche o componenti particolari nell immagine satellitare. In questo caso, ad esempio, per lo studio di un corpo d acqua marina, alcuni dei fattori più importanti sono: Valutazione delle condizioni del fondale: Comparto biologico (es. Materia organica); Comparto sedimentario (es. Potenziale di ossidoriduzione): Valutazione statistica delle condizioni meteorologiche: Venti prevalenti; Direzione dei venti; Intensità dei venti; Precipitazioni; Valutazione delle acque: proprietà chimico-fisiche: Temperatura (superficiale e profonda); Salinità; Ph; O 2 ; Nutrienti; Fosforo; BOD (domanda biologica di ossigeno); Torbidità; Valutazione delle acque: inquinanti: Metalli; Pesticidi; Idrocarburi; Clorofilla; Valutazione delle dinamiche delle correnti: tempeste marine (frequenza, intensità, ecc). Naturalmente, non tutti questi fattori possono essere quantificati con dati telerilevati, ed è preferibile, se non necessaria, un integrazione di dati telerilevati e dati in situ. In ogni caso, alcuni di questi parametri sono stati studiati con il metodo del band ratioing sulle immagini e sono stati calcolati diversi indici spettrali. Il processo consiste nell operare dei rapporti fra due o più Digital Number, associati a ciascun pixel che costituisce l immagine, e che rappresentano l intensità di luce che il sensore del satellite registra in un determinato range dello spettro di luce. 50

55 Indice di fluorescenza Questa elaborazione permette di mettere in evidenza eventuali anomalie meglio di quanto faccia il semplice color composite; in questo modo eventuali fenomeni come perdite di idrocarburi e oli possono essere identificate con facilità dato che le sostanze oleose in genere hanno una maggiore riflettenza rispetto all acqua di mare, specialmente nel range spettrale del blu: ciò è dovuto alla fluorescenza indotta da lunghezze d onda inferiori ai 400 nm dei raggi solari. È stato sviluppato un indice di fluorescenza (F), i cui risultati sono illustrati nelle figure 3.35 e 3.36: F Blu Rosso Blu Rosso B1 B3 B1 B3 [Dessì et Al., 2008] L algoritmo è basato sulla relazione esistente fra i range del blu e del rosso (rispettivamente, le bande 1 e 3 del sensore Landsat TM) per cui all aumentare del contributo del blu, aumenta il valore di F. All aumentare del valore di F, è presumibile che vi siano anomalie causate da componenti oleosi o idrocarburi. 51

56 52 Fig. 3.35: Risultati del band ratioing per il calcolo dell indice di fluorescenza sulle immagini estive

57 53 Fig. 3.36: Risultati del band ratioing per il calcolo dell indice di fluorescenza sulle immagini invernali

58 Indice di concentrazione della clorofilla L eutrofizzazione dei corpi idrici può essere quantificata con la concentrazione della clorofilla contenuta nelle cellule del plancton algale. La clorofilla è un agente fotosinteticamente attivo, che contribuisce al colore dell acqua. Esiste una grande quantità di studi in letteratura sull uso del telerilevamento per la mappatura della clorofilla a, un indicatore di concentrazione algale ed un parametro fondamentale per la valutazione delle condizioni dei corpi idrici. La conoscenza della quantità di fitoplancton presente ha importanti implicazioni per la produzione primaria ed il ciclo del carbonio così come per il monitoraggio dello stato dei corpi idrici. La gran parte degli studi riguardanti il telerilevamento applicato allo studio della clorofilla è basata sulla relazione empirica fra la radianza in alcune bande ristrette e la concentrazione di clorofilla, o fra quest ultima ed il band ratioing. La tecnica usata in questo caso coinvolge il band ratioing fra le bande che sono risultate più influenzate dalla presenza di clorofilla a e sono ritenute le più significative per lo studio di questo fenomeno. È stato sviluppato un indice relativo di clorofilla (C), ed i risultati sono illustrati nelle figure 3.37 e C Blu Rosso B1 B3 [Usali et Al., 2008] 54

59 55 Fig. 3.37: Risultati del band ratioing per il calcolo dell indice di concentrazione di clorofilla sulle immagini estive

60 56 Fig. 3.38: Risultati del band ratioing per il calcolo dell indice di concentrazione di clorofilla sulle immagini invernali

61 Indice di torbidità La torbidità dell acqua è l espressione delle proprietà ottiche dell acqua, che fanno sì che la luce venga diffusa ed assorbita anziché trasmessa direttamente. Per questo motivo la torbidità è spesso considerata il contrario della limpidezza. Dato che la torbidità è spesso causata dalla presenza di materia sospesa, la misura della torbidità viene spesso utilizzata per calcolare la concentrazione dei sedimenti fluviali sospesi. Alcuni studi concentrati sulla mappatura della torbidità hanno dimostrato che il rapporto fra la banda 3 e la banda 2, o fra la banda 4 e la banda 3 del Landsat TM sono utili per l analisi della torbidità dei laghi. Siccome il nostro bacino di interesse non è di tipo lacustre ma marino, anche se semi-chiuso, abbiamo analizzato l efficienza di entrambi gli indici suggeriti. La miglior correlazione con la torbidità si ha per la riflettanza nella regione del rosso, per cui sono stati sviluppati due algoritmi di torbidità relativa (figure da 3.39 a 3.42): T RG Rosso B3 e Verde B2 T IR NIR Rosso B4 B3 [Usali et Al., 2008] 57

62 58 Fig. 3.39: Risultati del band ratioing per il calcolo del primo indice di torbidità (T RG ) sulle immagini estive

63 59 Fig. 3.40: Risultati del band ratioing per il calcolo del primo indice di torbidità (T RG ) sulle immagini invernali

64 60 Fig. 3.41: Risultati del band ratioing per il calcolo del secondo indice di torbidità (T IR ) sulle immagini estive

65 61 Fig. 3.42: Risultati del band ratioing per il calcolo del secondo indice di torbidità (T IR ) sulle immagini invernali

66 Temperatura La misura della temperatura superficiale del mare è importante in un gran numero di applicazioni oceanografiche. I cambiamenti di temperatura possono causare variazioni nelle proprietà dell acqua di mare e nella vita che essa sostiene. La temperatura dell acqua di mare può essere misurata con un temometro standard al mercurio da campioni d acqua raccolti da una nave, ma questo funziona solo per la temperatura superficiale. Con le applicazioni del telerilevamento si può misurare la temperatura pellicolare (cira 20 mm) della superficie marina, nell interfaccia acqua-aria. La misura dell infrarosso termico viene influenzata negativamente dalla presenza di vapore acqueo e nuvole in atmosfera, per cui il paragrafo iniziale sulla scelta delle immagini in base alla copertura nuvolosa assume particolare importanza in questo caso. Per questa misura sono state usate la banda 6 del Landsat 5 TM e la banda 61 del Landsat 7 EMT+ ( mm), collocate nella regione dell infrarosso termico dello spettro elettromagnetico. I DN associati a ciascun pixel sono stati convertiti in radianza spettrale con la seguente equazione: L λ = ((LMAX λ LMIN λ )/(DNMAX DNMIN))*(DN DNMIN) + LMIN λ Dove L λ è la radianza spettrale, i valori LMIN, LMAX, DNMIN e DNMAX possono essere ricavati dalle informazioni dell header file (metadati) che viene fornito con i dati Landsat e DN è il digital number (che varia da 0 a 255). Le radianze spettrali vengono quindi convertite in satellite brightness temperature (figure 3.43 e 3.44) utilizzando la seguente relazione, simile all equazione di Planck con due parametri indipendenti: T B K K1 ln L 2 1 [Schott and Volchok, 1985; Wukelic et al., 1989] Dove L λ è la radianza del corpo nero per una temperatura, T B, integrata sulla banda 6 (o 61), e K 1 e K 2 sono due parametri indipendenti con il valore rispettivo di K 1 = W m -2 sr -1 µm -1 e K 2 = K per il Landsat 5 TM, e K 1 = W m -2 sr -1 µm -1 e K 2 = K per il Landsat 7 ETM+. Dato che T B è misurata in Kelvin, l equazione è stata modificata per una conversione automatica alla scala Celsius. 62

67 63 Fig. 3.43: Risultati del calcolo della temperatura superficiale del mare per le immagini estive

68 64 Fig. 3.44: Risultati del calcolo della temperatura superficiale del mare per le immagini invernali

69 4. Dati in situ Dal portale dell Adricosm-Star IBMK sono stati recuperati alcuni dati (figura 4.1) [ La partnership ADRICOSM è stata lanciata con un iniziativa di tipo II al summit Mondiale per lo Sviluppo Sostenibile (WSSD) di Johannesburg nel 2002, da parte del Ministero Italiano dell Ambiente e della Tutela del Territorio e del Mare. La partnership si fonda sull implementazione di diversi progetti basati sul monitoraggio integrato e sulla generazione di modelli per l area costiera dell Adriatico e per gli sbocchi fluviali connessi, che generano una rete fra la superficie terrestre, i sistemi acquiferi sotterranei ed urbani e l ambiente marino, per la valutazione e la gestione dell ecosistema marino e delle risorse acquatiche. Il progetto più recente è ADRICOSM-Star che implementa la strategia di partnership ADRICOSM nell area costiera montenegrina. [ Adricosm-Star permette l accesso ai prodotti ed ai servizi derivanti dai database recuperati, dai database storici, dai dati raccolti durante le campagne previste dal progetto, e dai dati in tempo reale. I modelli numerici permettono l analisi e la previsione dello stato del mare Adriatico. Fig. 4.1: Raccolta di dati dal portale IBMK Adricosm-Star 65