Aerofotogrammetria 3.3 TECNICHE E METODI DEL TELERILEVAMENTO Per sfruttare tutti i vantaggi che il telerilevamento ci offre, dobbiamo essere in grado di estrarre le informazioni significative contenute nelle immagini telerilevate attraverso la loro analisi e interpretazione. A questo scopo, i dati raccolti dagli strumenti del telerilevamento vengono elaborati attraverso opportune metodiche per ottenere informazioni sulle caratteristiche e lo stato di salute delle superfici indagate. L esito finale del processo è generalmente la produzione di mappe che forniscono informazioni utili per chi si occupa di studio e gestione dell ambiente. Ad ogni pixel corrisponde una misura di radianza, cioè di energia elettromagnetica proveniente dall area elementare risolta al suolo in una determinata porzione dello spettro, denominata banda. Le bande sono organizzate in k matrici, tante quante sono le bande di acquisizione del dato, di dimensione m, numero di righe, x n,numero di colonne. Figura 3.3.1 Immagine del Lago di Garda ripresa dal sensore iperspettrale Hyperion acquisita il 22 Luglio 2004 (sinistra) da cui è stato possibile elaborare una mappa tematica (destra) del contenuto di clorofilla, pigmento presente nel fitoplancton. La possibilità di ottenere mappe di concentrazione di clorofilla elaborando immagini telerilevate offre un utile strumento per il monitoraggio delle alghe negli ecosistemi acquatici e quindi per il monitoraggio di fenomeni di inquinamento come l eutrofizzazione. 3.3.1 I numeri dietro le immagini telerilevate Un immagine telerilevata ripresa con strumenti digitali corrisponde a una matrice di elementi discreti detti pixel, (parola inglese che significa elementi di un immagine, picture element) le cui dimensioni al suolo variano a seconda delle caratteristiche del sensore e della distanza di osservazione. Figura 3.3.2 Un immagine multispettrale ripresa con strumenti digitali corrisponde a k (numero di bande) matrici mxn (righe per colonne) di valori di radianza relativi ad ogni pixel dell immagine. La dimensione dei pixel e il numero di bande dipende dalle caratteristiche del sensore. Nella figura sono rappresentate le tre bande relative alle porzione di spettro del visibile (rosso, verde e blu) e le corrispondenti tre matrici di valori numerici. 3.3.2 Visualizzazione delle immagini attraverso l uso del computer Per visualizzare un immagine su un monitor RGB è sufficiente un PC con una scheda grafica e un software per la gestione delle immagini (molto simile a PAINT o PHOTOSHOP, software comunemente presenti sui nostri PC). Il valore di radianza viene tradotto in termini di numeri relativi detti anche Digital Numbers (DN) all interno di un intervallo definito dalla dinamica di rappresentazione, solitamente espressa a 8 bit, ognuno dei quali può assumere 2 valori (0 e 1). È così possibile, nel caso di 8 bit, rappresentare 256 (=2 8 ) valori discreti di DN. Un immagine multispettrale può essere visualiz- 46
Capitolo 3.3 zata banda per banda e quindi in ogni immagine avremo i pixel che vanno da valori di 0 a valori di 255 visualizzati in toni di grigio (dal nero, DN=0, al bianco, DN=255), oppure con una combinazione RGB, in questo modo si possono analizzare simultaneamente triplette di immagini. Chiamiamo a colori reali la composizione se nei canali RGB vengono caricate le bande del rosso, del verde e del blu nei rispettivi canali, ottenendo una combinazione di colori simile a quella percepita dall occhio umana per la stessa scena; a falsi colori se visualizziamo una qualsiasi altra combinazione di bande. Si parla in particolare di immagine all infrarosso falso colore IRFC (IRFC: InfraRed False Colour) quando la banda spettrale dell IR vicino viene rappresentata nel canale rosso, la banda spettrale rossa viene rappresentata nel canale del verde e la banda spettrale verde viene rappresentata nel canale del blu (per esempio per immagini acquisite dal sensore TM la composizione di bande sarà RGB: TM4, TM3, TM2). elettrico che pilota il cannone del tubo catodico. Il tubo catodico emette un fascio di elettroni riga per riga, su tutta la superficie dello schermo, nella stessa sequenza con cui il sistema di rilevamento ha esplorato la scena durante la ripresa. I pixel con valori bassi vengono rappresentati con livelli di grigio scuri (DN=0 corrisponde al nero), mentre con livelli di grigio sempre più chiari sono rappresentati i pixel con valori più alti (DN=255 corrisponde al bianco). Figura 3.3.4 Visualizzazione in bianco e nero di una immagine monospettrale. La funzione della scheda grafica è quella di rendere compatibili le diverse velocità di trasferimento dei dati, relativamente bassa quella della memoria di massa (disco) e piuttosto alta quella di scansione del monitor. Essa funge quindi da adattatore di velocità per cui un immagine viene scritta alla velocità dell unità disco e viene letta alla velocità del monitor. Figura 3.3.3 Immagine visualizzata su un monitor. 3.3.3 Il meccanismo della sintesi additiva Per comprendere il meccanismo con cui avviene la visualizzazione, si supponga di disporre di una immagine digitale in una singola banda spettrale. La matrice dei pixel viene caricata su una scheda grafica generalmente a 8 bit, e i DN dei pixel della matrice, letti da un convertitore digitale analogico (DAC), vanno a modulare l intensità del segnale Figura 3.3.5 Schema del principio di visualizzazione a colori di una immagine multispettrale, utilizzando la terna di riferimento RGB, sulla base del principio di sintesi additiva. L acronimo LUT sta per Look Up Table e corrisponde a delle funzioni di trasferimento dei digits di entrata rispetto a quelli in uscita. Lo schema di funzionamento del monitor a colori è lo stesso di quello televisivo, e cioè si basa sul concetto di sintesi additiva. Gli elementi dello schermo, ognuno costituito da un gruppo di tre fosfori, quando vengono eccitati, emettono luce nei tre colori 47
Aerofotogrammetria Figura 3.3.6 Colori primari e secondari primari additivi rosso, verde e blu, con una intensità proporzionale al segnale elettrico eccitante; così, per esempio, se la terna dei DN di un pixel è (200, 200, 0) il colore del punto dello schermo che lo rappresenta apparirà con tinta gialla, secondo il modello di sintesi RGB. Essendo i livelli di intensità disponibili sullo schermo 256 per ogni colore primario, si ottiene un totale di 16.777.216 possibili colori. Modulando la potenza dei tre fasci luminosi relativi, come si può vedere nella figura 6, da tre colori si può creare l impressione, per il sistema occhiocervello, di un infinità di colori compreso il bianco. In particolare, dalla somma di blu e rosso si ha il magenta; di verde e rosso si ha il giallo, di verde e blu si ha il ciano. Il bianco è il risultato della somma di rosso, verde e blu. Ad esempio, se in un immagine a falsi colori vediamo zone che si presentano di color ciano queste avranno alti valori di radianza, o riflettanza nelle bande che abbiamo caricato nei canali del verde e del blu, mentre le aree magenta sono superfici che riflettono o emettono nelle bande spettrali che abbiamo caricato nei canali del rosso e del blu. 3.3.4 Oltre il visibile : leggiamo le immagini Figura 3.3.7 Schema delle combinazioni più comuni operate fra bande spettrali diverse nelle composizioni di immagini a colori con il sistema RGB per rappresentazioni su monitor. Le immagini sono riprese dal sensore ETM+. In particolare la prima sintesi RGB, a colori naturali, è formata dalle bande 321; la sintesi a IR falso colore è formata dalla tripletta di bande 432; l immagine a colori falsi è 543. Come si può notare le tre combinazioni mostrano informazioni differenti del territorio e ciò è possibile grazie alla visione multispettrale del sensore. La sensibilità dell occhio umano é confinata ad una piccola parte dello spettro elettromagnetico e cioè tra 0,4 e 0,7 micron di lunghezza d onda. Gli strumenti del Telerilevamento permettono di ampliare tale visione in altre porzioni dello spettro elettromagnetico, distinguendo oggetti invisibili presenti nella scena e contribuendo alla comprensione dei fenomeni che li interessano. La possibilità di visualizzare su un computer triplette di bande appartenenti a porzioni di spettro non visibili dall occhio umano, ad esempio l infrarosso(ir), consente così di indagare più in profondità il territorio. Ecco due esempi di come tali tecniche vengono impiegate negli studi del territorio. Monitoraggio dei ghiacciai: discriminare le nuvole. La risposta spettrale di una copertura nuvolosa e di una superficie innevata o ghiacciata è molto simile nel visibile: ai nostri occhi appaiono entrambe bianche, tant è vero che quando sorvoliamo le 48
Capitolo 3.3 alpi in aereo, dal finestrino non è facile distinguere cosa appare sotto di noi. Nell IR medio, invece, il comportamento di neve e nubi è molto diverso, come possiamo notare dalla figura a sinistra, dove vengono mostrate le firme spettrali di neve e nuvole e le 5 bande del TM. La composizione RGB in cui visualizziamo l immagine al PC aiuta ulteriormente nell interpretazione: al centro abbiamo un immagine TM del ghiacciaio dell Adamello RGB composta dalle tre bande del visibile, nuvole e nubi hanno la stessa risposta nel rosso nel verde e nel blu, quindi ci appaiono bianche (le riflettanze nelle bande 1, 2 e 3 sono simili tra loro e per il meccanismo di sintesi additiva viene visualizzato il colore bianco). Nell immagine a destra viene visualizzata la tripletta di bande 5, 4 e 3. La neve ha un alta riflettanza nella banda 3 (il rosso) visualizzata però nel canale del blu, e nella banda dell IR vicino visualizzata nel blu, Figura 3.3.8 Firme spettrali di neve e nubi confrontate con il dominio delle prime cinque bande del sensore TM (a); immagine a colori reali del ghiacciaio dell Adamello (b); immagine a falsi colori del ghiacciaio dell Adamello (c). mentre nell IR medio la neve riflette molto poco; il ghiacciaio appare quindi di un colore ciano (blu + verde). Le nuvole mostrano, al contrario, una riflettanza più o meno costante su tutto lo spettro, e quindi continuano a essere visualizzate in bianco. Monitoraggio della vegetazione: individuare le specie e gli stress. L immagine sottostante è stata ripresa durante un sorvolo sul parco del Ticino (estate 2003) da un aereo con a bordo un sensore MIVIS. Ecco, a confronto, come ci apparirebbe il bosco con una composizione di bande a colori reali (figura 8-b), e come con una visualizzazione con Figura 3.3.9 Firme spettrali di latifoglie e conifere (a): si noti il comportamento differente nel dominio dell infrarosso vicino; immagine a colori reali di una zona del parco del Ticino coperta da un bosco (b); immagine a falsi colori della stessa zona, nella quale sono visibile due zone ben distint 49
Aerofotogrammetria IR falso colore (figura 8-c). Mentre l occhio umano vede un bosco più o meno omogeneo; la composizione B permette di distinguere una zona a forma regolare più scura in corrispondenza di una coltivazione di conifere. Il fenomeno si spiega con il fatto che la diversità del comportamento spettrale di conifere e latifoglie (figura 8-a) non è apprezzabile ad occhio nudo, ma solo nel dominio dell IR vicino, regione dello spettro in cui la radiazione solare riflessa dalla vegetazione è condizionata dalla struttura delle foglie e della chioma. È quindi fondamentale, quando siamo di fronte ad un immagine telerilevata, conoscere le bande spettrali in cui essa è visualizzata. Il primo strumento per procedere ad un analisi delle immagini è quindi l istogramma di frequenza. Per istogramma di un immagine intendiamo una rappresentazione in grafico della frequenza con cui compare ogni valore di DN (normalmente da 0 a 255) nella scena. Nel grafico della funzione istogramma di una immagine digitale, sull ascissa compaiono i numeri indice DN e sull ordinata la frequenza, assoluta o relativa, cioè il numero di pixel che all interno della matrice immagine hanno quel livello di grigio DN. Esso quindi caratterizza un immagine dal punto di vista statistico, ma non fornisce alcuna informazione circa la disposizione spaziale dei livelli di grigio nell immagine stessa. L istogramma fornisce inoltre informazioni sul valore minimo e massimo dei 3.3.5 Analisi delle immagini telerilevate livelli di grigio dell immagine. Inoltre è possibile verificare i valori di DN per cui è massima la frequenza, Abbiamo visto che un immagine telerilevata altro cioè la moda dell istogramma non è che una o più matrici di numeri. I livelli di grigio, così come tutti i colori, altro non sono che una rappresentazione grafica di misure di energia radiante. In quanto tale, è possibile trattare un immagine come una popolazione statistica di valori di radianza o di riflettanza. Ad esempio possiamo costruire un grafico che misuri il numero di volte in cui lo stesso valore di DN compare all interno della stessa scena. Questa funzione viene chiamata istogramma. Figura 3.3.11 Un immagine con istogramma unimodale si presenta come una scena uniforme, in questo caso si tratta di una zona agricola. Differentemente un immagine bimodale presenta due oggetti predominanti nella scena, con caratteristiche spettrali ben diverse, in questo caso si tratta di un corso d acqua che scorre in un contesto prevalentemente agricolo Figura 3.3.10 Un immagine è una matrice di numeri. 50 Dall istogramma possiamo anche ricavare il valore medio e la varianza dell immagine. La media dà un idea della luminosità dell immagine: se è bassa, ci si aspetta che l immagine sia rappresentata con livelli di grigio scuri cui corrispondano valori di radianza bassi; se il valore medio è alto, avviene il contrario. Il valore medio da solo
Capitolo 3.3 non descrive in modo adeguato l insieme di dati. È interessante infatti conoscere come i valori dei pixel variano rispetto al loro valore medio. La varianza descrive il contrasto dell immagine Se la varianza è bassa, ci si aspetta di trovare poche variazioni nei livelli di radianza e quindi l immagine apparirà piuttosto omogenea e, in generale, con un valore basso di contrasto. Elementi di statistica. Sia N il numero di pixel che costituiscono un immagine e sia n x il numero dei pixel dell immagine con valore x (dove x=0, 1,..., 255), allora si definisce istogramma h x la funzione che associa ad ogni valore x la sua frequenza espressa in termini percentuali: L istogramma risulta quindi costituito dalla collezione delle frequenze {h0, h1, h2,..., h255} e rappresenta una stima della distribuzione discreta di probabilità dei livelli di grigio nell immagine. Sia il valore del pixel in riga i, colonna j e banda k, sia N il numero dei pixel dell immagine, allora si definisce valore medio dell immagine in banda k l espressione: Si definisce varianza, o scarto quadratico medio, di una immagine in banda k l espressione: 3.3.6 Tecniche di miglioramento delle immagini La visualizzazione delle immagini sui supporti elettronici spesso risulta di qualità non soddisfacente. Infatti, i valori di radianza realmente presenti nelle immagini sono distribuiti su intervalli di livelli di grigio molto più ristretti rispetto ai livelli di luminosità possibili con i dispositivi di visualizzazione. Se, ad esempio, i valori di radianza della scena osservata Figura 3.3.12 Istogrammi di due immagini differenti: sull asse delle x ci sono i valori che un pixel può assumere nell immagine, e sull asse delle y il numero di pixel che hanno assunto quel valore nell immagine. Nel grafico si può vedere anche il valor medio e la varianza delle due immagini. L immagine rossa dunque presenta molti pixel con valore vicino al medio, e ha una varianza bassa; l immagine blu, viceversa, ha pixel che assumono un range più ampio di valori (alta varianza). in una certa banda spettrale sono molto simili fra loro, l immagine si presenterà piuttosto uniforme e con basso contrasto; se, invece, i valori di radianza sono tutti piuttosto alti, l immagine tenderà a presentarsi molto luminosa e a saturare il monitor. Per superare questi limiti tipici della fase di visualizzazione delle immagini, è necessario modulare il contrasto e la luminosità in maniera opportuna. Esponiamo qui due tecniche di miglioramento delle immagini (enfatizzazione) che è possibile realizzare con un comune programma di gestione delle immagini. Il miglioramento del contrasto. Aumentare il contrasto di un immagine implica un operazione che influenza direttamente la gamma del segnale e questo tipo di elaborazione viene in generale chiamato contrast stretching (letteralmente: stiramento del contrasto). La tecnica maggiormente utilizzata è quella di espansione lineare del contrasto (linear contrast stretching). Questa procedura espande in modo lineare l intervallo dei valori radiometrici presenti nell immagine in modo da portare il valore minimo e il valore massimo a coincidere con il valore minimo e massimo della scala di intensità (o livelli di grigio) 51
Aerofotogrammetria del dispositivo di visualizzazione. Una caratteristica di questo miglioramento lineare del contrasto è che esso non modifica la forma dell istogramma e quindi preserva le relazioni di radianza. La luminosità. Anche questo parametro di primo controllo della leggibilità di un immagine comporta una modifica dei valori originali che si attua mediante uno spostamento costante e contemporaneo all interno dei valori DN presenti nell istogramma. Questa operazione implica di fatto uno spostamento, di un valore costante, di tutti i livelli di densità dei grigi presenti nella scena. Figura 3.3.13 La figura mostra come funziona il linear contrast stretching. Identificati i valori minimi e massimi dell istogramma, viene applicata una trasformazione matematica che espande uniformemente il range su tutti i 256 livelli di grigio disponibili. Questa operazione migliora il contrasto dell immagine rendendo più chiare le zone chiare e più scure le zone scure. Figura 3.3.14 Esempio di immagine ripresa da satellite e del relativo istogramma prima (a) e dopo l operazione di miglioramento lineare del contrasto (b) e modifica della luminosità (c). 3.3.7 Operazioni sulle immagini e indici di vegetazione Analogamente alle tecniche di enfatizzazione e di miglioramento delle immagini illustrate in precedenza, anche le operazioni fra bande mirano a produrre una nuova immagine da cui sia possibile estrarre maggiori informazioni rispetto a quella originale. Le operazioni tra bande coinvolgono infatti più canali alla volta del dato multispettrale, o più riprese nel dato multitemporale. Le operazioni più semplici sono quelle aritmetiche (somma, differenza, prodotto e rapporto), e tra queste particolare importanza rivestono la differenza e il rapporto tra bande. Quest ultima è forse l operazione più comune. Lo scopo è di evidenziare le diverse risposte spettrali delle coperture superficiali, in porzioni diverse dello spettro. In questo modo vengono calcolati gli indici di vegetazione. In particolare, è facile discriminare le superfici vegetate dalle altre dividendo la banda dell IR vicino e quella del rosso. In queste due porzioni di spettro, infatti, la vegetazione mostra alta riflettività nella 52
Capitolo 3.3 porzione dell IR in seguito alla struttura delle foglie e della chioma. La stessa vegetazione, però, assorbe fortemente nel rosso per la presenza di pigmenti come la clorofilla, e a seconda se goda di buona o cattiva salute mostra un diverso comportamento spettrale. La vegetazione stressata rispetto a quella sana, infatti, ha una riflettività più alta nel rosso e più bassa nell infrarosso, come si vede nella (figura 3.3.15). Il rapporto tra la banda IR e quella del rosso, chiamato Simple Ratio (SR) assumerà valori maggiori dell unità per le superfici coperte da vegetazione mentre sarà nell ordine dell unità per altre superfici la cui riflettività in queste due bande è simile. Lo stesso rapporto ci permette di valutare lo stato di salute della vegetazione: in generale la vegetazione stressata, rispetto a quella sana, ha una riflettività più alta nel rosso e più bassa nell infrarosso, il che si riflette in valori minori di SR. Per monitorare la vegetazione sono stati sviluppati indici di vegetazione più complessi, il più utilizzato è il Normalized Difference Vegetation Index (NDVI) che viene calcolato dalla formula: NDVI=(ρ(IR)- ρ(r))/ (ρ(ir)+ ρ (IR)) dove ρ(ir) è la riflettanza nell infrarosso vicino, e ρ(r) è la riflettanza nel rosso Figura 3.3.15 Modello della risposta di riflettanza di una pianta sana e di una pianta malata Figura 3.3.17 Ecco una semplice applicazione di questo utile indice di vegetazione. L immagine di sinistra è una composizione a colori reali di una zona agricola sovrapposta a una carta topografica; quella di destra è l immagine derivata di NDVI (da valori bassi neri e blu - a valori alti - gialli e rossi).sono evidenti i campi coperti da vegetazione (NDVI più o meno alto a seconda del vigore delle coltivazioni) che assumono colorazioni dal verde al rosso. I suoli nudi, che si riconoscono anche nell immagine a colori reali perché appaiono chiari, presentano valori bassi di NDVI e sono visualizzaticome blu o neri. 3.3.8 Dal campo al mondo Figura 3.3.16 Nel grafico sono indicate quattro firme spettrali di piantine di riso più o meno sottoposte ad uno stress. Le frecce indicano che la riflettività di piante sane è bassa nel rosso mentre è alta nel NIR; una pianta sottoposta a stress, invece, assorbe meno la porzione del rosso (l attività fotosintetica diminuisce) e riflette meno nel NIR perché la struttura delle foglie si sta deteriorando. Ecco tre esempi di applicazione dell indice di vegetazione NDVI. Tale indice, sviluppato per il monitoraggio della vegetazione, trova importanti applicazioni a differenti scale e per svariate finalità. La prima immagine si riferisce a un campo agricolo: la risoluzione è altissima e la mappa di NDVI risultante riesce a individuare le zone del campo dove la vegetazione risulta particolarmente stressata e poco vigorosa. L uso di questa mappa è evidente: essa consente ad un agricolture di individuare le zone che richiedono un trattamento particolare e di indirizzare solo lì il suo intervento. L immagine sottostante è a scala subcontinentale, e in particolare riguarda la zona occupata dalla fo- 53
Aerofotogrammetria Figura 3.3.19 Mappa di valori di NDVI della zona amazzonica del Brasile, la mappa è stata eleborata a partire da un immagine multispettrale MODIS. http://earthobservatory.nasa.gov/ Figura 3.3.18 Mappa di valori di NDVI di una risaia situata nel parco del Ticino ottenuta da un immagine iperspettrale. resta amazzonica in America del Sud. Qui l indice di vegetazione può essere utile per monitorare variazioni stagionali oppure cambiamenti di uso del suolo, in particolare per individuare zone disboscate o interessate da incendi. L ultima immagine mostra un territorio su scala globale. In questo caso i valori di NDVI vengono spesso utilizzati come dati di ingresso per modelli più o meno complicati in grado di fornirci informazioni circa l anidride carbonica assorbita dalla vegetazione terrestre e quindi sottratta dall atmosfera. Essendo l anidride carbonica un gas serra, tali informazioni si rivelano estremamente utili per lo studio dei cambiamenti globali, uno studio oggetto di interesse di tutta la comunità scientifica negli ultimi tempi. 3.3.9 Dalle immagini alle mappe Lo scopo fondamentale delle tecniche di telerilevamento, in particolare dell analisi numerica delle immagini, è quello di arrivare a un prodotto denominato mappa tematica e il processo attraverso il quale è possibile passare dall immagine di partenza a questa mappa è detto classificazione. Figura 3.3.21 Dalla scena del territorio ripresa nell immagine telerilevata alla mappa tematica, attraverso il processo di classificazione. Una mappa tematica può essere vista come un mezzo per visualizzare una certa caratteristica del Figura 3.3.19 Mappa di valori di NDVI della zona amazzonica del Brasile, territorio in modo spazialmente distribuito. Sulla la mappa è stata eleborata a partire da un immagine multispettrale MODIS. base di una carta topografica o geografica vengono espressi, tramite simboli qualitativi e quantitatihttp://earthobservatory.nasa.gov/ 54
Capitolo 3.3 vi, gli aspetti del territorio che vogliamo rappresentare. Ad esempio possiamo raffigurare la distribuzione di un determinato fattore fisico o biologico (il tipo di vegetazione, l uso del suolo o la distribuzione delle risorse idriche); l entità di fenomeni naturali (precipitazioni, pressione, venti) oppure fattori economici sociali come i dati demografici. Ogni aspetto rappresentato prende il nome di tema e viene evidenziato per mezzo di adeguati segni grafici o colori. Figura 3.3.22 Esempi di mappe tematiche, del continente africano: la prima (a) è una mappa di vegetazione; la seconda (b) è la mappa della precipitazione del 29 settembre 2004, infine la figura (c) è una mappa tematica che evidenzia la densità di popolazione. Per leggere una mappa tematica è necessario osservare la legenda, che ci dice quali classi vengono rappresentate, con quali simboli e a che scala. 3.3.10 L interpretazione visiva Una buona parte dell interpretazione e dell identificazione degli oggetti di studio nelle immagini telerilevate è fatta manualmente, cioè da un interprete umano. L interpretazione visiva può fatta osservando e confrontando immagini stampate su formato fotografico oppure interpretando l immagine visualizzata sullo schermo del computer. Sia le immagini in formato fotografico, sia quelle digitali possono essere visualizzate in bianco nero (monocromatiche), o a colori, combinando le diverse bande di acquisizione dell immagine. Cosa osservare per interpretare un immagine. Nel processo di interpretazione di una immagine telerilevata, vengono analizzati alcuni parametri caratteristici dell immagine, come il contrasto, la tessitura, la forma, ecc., messi in evidenza a seconda del particolare problema da risolvere e del particolare campo di applicazione: la pianificazione territoriale, la mappatura delle colture agricole e delle foreste o lo studio della geomorfologia e così via. Nell immagine (figura 3.3.24), che riprende una 55
Aerofotogrammetria zona del Parco del Ticino, sono evidenziati con i cerchi gialli alcuni elementi utili per classificare l immagine. Questi elementi sono poi descritti analiticamente di seguito nella pagina seguente. Il tono corrisponde al livello di intensità di un immagine monocromatica o alla combinazione di livelli di intensità per una immagine multispettrale (colore). Il colore è una caratteristica primaria della maggior parte degli elementi naturali presenti sulla superficie terrestre, mentre può essere meno decisivo per gli elementi artificiali. Ad esempio, in questa figura viene mostrata una parte di bosco, dove due tipi di vegetazione mostrano un colore completamente differente causato dalla loro differente risposta spettrale. Per le immagini in bianco e nero, il fotointerprete deve sviluppare la capacità di riferire i toni di grigio a possibili colori o possibili intensità di risposta alle diverse lunghezze d onda, tenendo conto delle condizioni climatiche, stagionali e di illuminazione. Questa è un area in cui le potenzialità del computer sono molto più ampie di quanto non possa offrire la semplice osservazione dell esperto umano. L analisi del tono è alla base delle tecniche di classificazione automatica di immagini multispettrali. La forma è data semplicemente dal contorno geometrico di un oggetto. Essa è l elemento più comune e più importante per l identificazione di un oggetto. Spesso il semplice contorno contiene una così sorprendente quantità di informazioni circa la natura e la funzione di un oggetto che, senza alcuna altra informazione aggiuntiva, il fotointerprete è in grado di riconoscere immediatamente se un oggetto è artificiale o naturale. La dimensione è in genere riferita all area di un oggetto ma può indicare anche la semplice dimensione lineare, quale la lunghezza di una pista di aeroporto. Anche se non in modo cosciente, appena si osserva un immagine, il sistema occhio-cervello assegna immediatamente una scala a quello che vede. Questo avviene non in senso quantitativo, ma semplicemente per confronto rispetto alla dimensione degli oggetti riconosciuti (una casa, un lago, Figura 3.3.23 L interpretazione visiva viene fatta a partire da immagini stampate (a) o visualizzate su uno schermo(b). Figura 3.3.24 Un immagine in IRFC di una zona del parco del Ticino con indicati nei cerchi gialli esempi di elementi tipici da osservare per un interpretazione manuale. 56
Capitolo 3.3 un continente); in modo proporzionale si calcolano le dimensioni degli altri elementi presenti nell immagine o di tutta l immagine. La figura mostra la pista dell aeroporto di Malpensa con alcuni aerei. Il modello (o pattern) può essere definito come la disposizione nello spazio delle forme degli oggetti che presentano delle caratteristiche geometriche e di periodicità ben definite. Si consideri, ad esempio, la disposizione regolare degli alberi di un pioppeto rispetto a quella apparentemente irregolare degli alberi di un bosco. Esistono, in diverse scale, pattern per ambienti controllati dall uomo e per elementi naturali, quali ad esempio un reticolo idrografico o un paleoalveo come quello mostrato in figura. Il riconoscimento di un modello implica una qualche forma di conoscenza a priori dell ambiente che si sta osservando. Questa considerazione è valida sia per la interpretazione automatica che per quella manuale. La tessitura descrive la struttura delle variazioni spaziali della luminosità all interno di un elemento. Essa determina l aspetto liscio o rugoso di una certa superficie; ad esempio, a certe lunghezze d onda, una foresta e un corpo d acqua presentano la stessa intensità media di livelli di grigio, ma la tessitura uniforme di uno specchio d acqua e quella variegata dell insieme delle chiome degli alberi ne permettono una facile identificazione, come si può vedere nella figura a sinistra (dove la striscia nera corrisponde certamente ad un corso d acqua). L ubicazione indica sia la posizione geografica di un oggetto sia la posizione di un elemento rispetto ad altri. Alcuni autori in realtà distinguono i due concetti e indicano con ubicazione la posizione geografica e con associazione la collocazione relativa di un oggetto. L ambiente in cui è inserito un oggetto aiuta sicuramente alla sua identificazione. Ciò è particolarmente vero per gli elementi naturali e, per gli elementi antropici, quelli legati all agricoltura, intendendo come ambiente la morfologia, la quota, l esposizione, il clima, eccetera. 3.3.11 Classificazioni automatiche. Nel processo di classificazione automatica, a ogni pixel dell immagine, in base alle sue caratteristiche spettrali, viene assegnata un informazione, un etichetta di tipo semantico, cioè la classe, o categoria, di appartenenza: gruppi di pixel con comportamento spettrale simile vengono classificati come appartenenti a una delle classi della legenda della mappa tematica. Questo processo viene fatto automaticamente dal calcolatore per mezzo degli algoritmi di classificazione che suddividono un insieme (in questo caso di pixel) in gruppi di oggetti caratterizzati da un certo grado di associazione più alto rispetto a quello tra i pixel appartenenti a classi diverse. Esistono due tipi di classificazioni, a seconda se nella analisi si prescinde o ci si basa sulla conoscenza del territorio: unsupervised e supervised. Le classificazioni unsupervised. La classificazione unsupervised è un processo che prescinde dalla conoscenza diretta del territorio e che raggruppa i pixel dell immagine in cluster, gruppi, secondo una certa legge regolata dall algoritmo classificatore che si basa unicamente i valori di riflettività del pixel. La classificazione unsupervised risulta molto utilizzata e utile per analizzare aree poco conosciute o difficilmente accessibili, oppure quando si vuole conoscere il numero di classi e la separabilità tra loro Figura 3.3.25 Esempio di grafico bidimensionale: sull asse delle ascisse vengono posti i valori dei pixel nella banda del rosso, sull asse delle ordinate i valori nell infrarosso vicino. I punti si raggruppano in nuvole (cluster), tipicamente in queste due zone dello spettro si riescono a distinguere cluster di superfici vegetate e non vegetate. 57
Aerofotogrammetria attraverso un indagine esplorativa dell immagine. Ecco come funziona una classificazione unsupervised semplice, prendendo in considerazione solo due bande: i valori dei pixel di un immagine, nelle bande del rosso e dell infrarosso, vengono messi automaticamente dal computer in un grafico come quello in figura (3.3.25). Si può notare che si raggruppano i pixel che si comportano in modo simile: l acqua assorbe nel rosso e nel l infrarosso e quindi avrà valori bassi di riflettività: i suoi pixel si concentrano all origine degli assi. I pixel coperti da vegetazione hanno alta riflessione nell IR e assorbono radiazioni rosse quindi si posizionano nella zona a sinistra del grafico, infine i pixel senza copertura vegetale (suolo nudo) hanno media riflessione nell IR e nel R quindi si raggruppano nel centro del grafico. Il computer, automaticamente, per mezzo degli algoritmi di classificazione assegna l etichetta suolo o prato o bosco o acqua ai pixel dell immagine a seconda della posizione sul grafico. stramento. È tipicamente un processo ripetitivo che viene eseguito in modo automatico dal computer; fase di valutazione. La verifica dell accuratezza della mappa tematica prodotta avviene mediante il confronto fra la classe di appartenenza di un certo numero di pixel (test pixels) nota grazie a rilievi di campo e l etichetta che viene assegnata dal processo di classificazione automatica, al fine di valutare gli errori commessi. Generalmente la scelta dei pixel di verifica viene fatta utilizzando gli stessi strumenti usati per la scelta dei pixel di training. Figura 3.3.26 Prime tre fasi di una classificazione di un immagine, in questo caso si tratta di un immagine iperspettrale Le immagini mostrate in queste foto rappresentano un esempio di classificazione automatica unsupervile classificazioni supervised. La classificazione su- sed ottenute a partire dalle sole bande del rosso e pervised si basa sulla conoscenza a terra di alcune dell infrarosso. Il classificatore riesce a distinguere aree dette aree campione, note e ben localizzate sul- quattro classi di pixel che hanno un comportamenl immagine, rappresentative delle classi di copertura della futura mappa tematica. La procedura di classificazione è la seguente: fase di addestramento. Definite le classi di interesse, si individua, attraverso di rilievi sul terreno, un certo numero di pixel rappresentativi di ognuna delle classe di interesse; questi pixel (training pixels) vengono presentati al computer per addestrarlo a riconoscere i prototipi di ogni classe e affinché apprenda e si costruisca le regole di decisione sulla cui base riconoscere gli elementi di una classe da quelli di un altra; fase di assegnamento. Una volta che il classificatore è stato addestrato a riconoscere le differenti categorie, le regole di decisione sviluppate durante la fase di addestramento vengono usate per associare a tutti i pixel dell immagine una etichetta delle categorie di addestramento. Praticamente attraverso un programma di calcolo tutti gli altri pixel dell immagine vengono presentati, uno alla volta, al computer che assegna loro l etichetta relativa ad Figura 3.3.27 Immagine IRFC (a) e relativa mappa tematica di uso del una delle classi tematiche di interesse sulla base suolo ottenuta da una classificazione unsupervised utilizzando solo le bandelle regole di decisione definite nella fase di adde- de del rosso e dell infrarosso (b). 58
Capitolo 3.3 to differente nelle bande del rosso e dell infrarosso vicino. A questo punto ogni pixel viene riconosciuto come appartenente a una delle quattro classi e viene visuallizzato con un colore differente, secondo la legenda visualizzata in basso. Questo procedimento rende possibile di ottenere, così, una mappa tematica di uso del suolo in cui sono evidenti le aree occupate da acqua, suolo, bosco o prato. Aumentando il numero delle informazioni fornite al calcolatore ed usate per classificare l immagine, si possono ottenere classificazioni più dettagliate utilizzando metodologie supervised: aumentando le bande usate o le aree training si possono ad esempio ottenere più categorie. Ecco una classificazione di uso del suolo (Land Use) ottenuta da un immagine da un senrore SPOT XS in cui sono presenti 10 classi differenti. La mappa tematica sottostante è invece relativa a una zona del lago di Garda ed è la mappa tematica della vegetazione acquatica. Figura 3.3.28 Mappa tematica di uso del suolo del Parco del Ticino Figura 3.3.29 Mappa tematica della vegetazione acquatica di una zona del Lago di Garda. In grigio sono evidenziate le zone non classificate. 3.3.12 Il confronto multitemporale Una delle caratteristiche principali del Telerilevamento da satellite è la possibilità di riprendere un territorio ad intervalli di tempo più o meno regolari. Il confronto delle immagini così ottenute si rivela molto utile per il monitoraggio di fenomeni con una evoluzione dinamica, come le perturbazioni atmosferiche, i cambiamenti climatici, la desertificazione, lo stato della vegetazione, lo scioglimento dei ghiacciai, la deforestazione, lo sviluppo urbano ed altri processi. La risoluzione temporale, vale a dire l intervallo con cui un sistema ripassa sulla stessa area della superficie terrestre, dipende dalle caratteristiche orbitali dei satelliti e può variare dai pochi minuti dei geostazionari, come il Meteosat, alle ore del NOAA fino ai 16 giorni del Landsat e del Terra, o ai 26 dello Spot. Nel caso dei sensori ottici, la possibilità di disporre di immagini nell arco di tempo desiderato dipende anche dalle condizioni atmosferiche. Per que sto il telerilevamento ottico spesso si avvale dell integrazione di informazioni provenienti da altri satelliti, come i radar, che riescono a penetrare le nuvole. Ecco alcuni esempi di applicazioni nell ambito del monitoraggio ambientale che possono avvalersi del confronto multitemporale a partire da dati telerilevati. Scioglimento dei ghiacciai e global change. I dati provenienti da satellite rappresentano un utile strumento per il monitoraggio di aree remote del pianeta, come i ghiacciai, dove organizzare campagne di rilevamento frequenti è difficile e costoso. La possibilità di disporre di dati aggiornati su queste zone è molto importante se si considera che i ghiacciai costituiscono un indicatore molto sensibile delle variazioni del clima globale (Global Climate Change), un fenomeno che la comunità scientifica ha interesse a tenere sotto controllo per le conseguenze che può avere sull economia e sull equilibrio dell ambiente. Per capire, ad esempio, di che entità sia lo scioglimento dell Adamello, uno tra i più importanti ghiacciai dell arco alpino, sono state analizzate tre immagini ottiche del sensore Landsat-TM raccolte 59
Aerofotogrammetria Figura 3.3.30 Composizione in falso colore (RGB: 543) delle immagini Landsat TM/ETM+ per gli anni 1986, 1993, 1999; nella immagine in basso è evidenziata la dinamica dell estensioni di ghiacciaio nel tempo. negli ultimi 20 anni circa in tre momenti diversi. È risultato così che nel 1986 l area ghiacciata era di 46.62 km2, nel 1993 di 42.31 km2, e nel 1996 di 33.52 km2 (aree evidenziate rispettivamente in verde, giallo e rosso nelle immagini). Le mappe così ottenute mostrano con evidenza l andamento temporale del fenomeno che procede verso un progressiva regressione del ghiacciaio. Monitoraggio di un alluvione. La possibilità di disporre di dati multitemporali relativi ad una stessa area è estremamente importante per valutare i cambiamenti che vi sono avvenuti, ad esempio, prima e dopo il verificarsi di un evento catastrofico. È questo il caso delle alluvioni, un evento che colpisce frequentemente un territorio ad alto grado di dissesto idrogeologico come l Italia. In caso di forti precipitazioni, che possono causare fenomeni di esondazioni fluviali, l utilizzo dei dati ottici è però fortemente limitato dalla presenza di una fitta copertura nuvolosa. In questo caso per tenere sotto controllo il fenomeno si possono utilizzare dati Radar che grazie alla loro capacità di penetrare le Figura 3.3.31 Immagini ER-1 pre evento e post evento. Le aree scure sono quelle corrispondenti alle superfici d acqua relative al solo fiume Ticino nell immagine del 3 ottobre 1994 ed indicanti anche le aree allagate nell immagine del 9 novembre 1994. Grazie all analisi dei cambiamenti change detection le aree allagate sono però più facilmente individuabili come mostrato nella mappa finale (aree azzurre dell elaborato). 60 nuvole, sono in grado di fornire informazioni sullo stato della superficie sottostante,. In figura vediamo un esempio di tale applicazione nell alluvione verificatasi a Pavia nell autunno del 1994. Analizzando le differenze tra due immagini radar del satellite ERS-1 è stato possibile identificare le aree di cambiamento ovvero quelle interessate dall esondazione del fiume Ticino. 3.3.13 Analizzare il cambiamento La rilevazione dei cambiamenti mediante analisi di immagini telerilevate acquisite su di una stessa area in tempi diversi può essere effettuata sia confrontando direttamente le risposte spettrali contenute nelle immagini multitemporali, sia confrontando tra loro le mappe ottenute mediante opportune elaborazioni alle singole date. Analisi spettrale. Le tre immagini di seguito riportate sono il risultato dell acquisizione del sensore Landsat TM nell estate del 2002 avvenuta su un area delle alpi Lombarde nel Parco dello Stelvio. La rappresentazione a Falsi colori (RGB:432) serve ad evidenziare la componente vegetale che nell immagine acquisisce una tipica colorazione rossa. La prima immagine di giugno mostra quanto sia ancora estesa la copertura nevosa; copertura che decresce invece nella seconda immagine (17 giugno) fino a scomparire nell ultima (19 luglio). Nell immagine di luglio le zone che appaiono di color bianco corrispondono infatti ad aree nuvolose. Figura 3.3.32 Confronto di tre immagini Landsat TM relative alle aree a pascolo del parco dello Stelvio.
Capitolo 3.3 Figura 3.3.33 Risposta spettrale di una zona a pascolo relativa alle tre date delle immagini. A metà luglio la vegetazione esprime il massimo del suo vigore da cui si potrà derivare la sua produttività. urbanizzazione. Nell esempio sottostante si è voluto analizzare il cambiamento delle aree urbanizzate all interno del Parco del Ticino e circostanti l aeroporto di Malpensa. Per far ciò sono state recuperate dagli archivi dei dati LANDSAT TM una immagine telerilevata anteriore alle opere (aprile 1994) ed una posteriore a quegli stessi lavori (ottobre 1999). Le immagini sono state classificate con metodi automatici da cui sono state prodotte mappe delle aree artificiali (strade, case, capannoni, ecc.). Il confronto tra queste mappe ha permesso di evidenziare il cambiamento nella struttura del territorio. Figura 3.3.35 Modello teorico del confronto tra mappe Analizzando come varia nel tempo la risposta spettrale di un area vegetata nelle tre immagini, è possibile ricavare importanti informazioni sulla crescita dei pascoli alpini. La figura seguente mostra come sia possibile monitorare la crescita della vegetazione e predirne perciò l andamento della produttività. La prima firma è la più bassa perché si riferisce ad un periodo in cui è appena avvenuto il disgelo; la seconda firma invece testimonia la crescita della vegetazione, che raggiunge il suo apice a metà luglio, periodo di massima produttività. Confronto tra mappe. L analisi dei cambiamenti può essere effettuata anche analizzando la cartografia tematica prodotta dalle singole immagini. A livello metodologico il confronto diretto tra due mappe può essere fatto mediante operazioni di differenza pixel a pixel, individuando perciò le aree in cui è avvenuto un cambiamento. Il confronto tra mappe è particolarmente indicato, per esempio, per studiare le trasformazioni avvenute in un territorio a seguito di episodi di inquinamento, di eventi come alluvioni, incendi, o di aree interessate da fenomeni di deforestazione o di nuova 61