Praktikum 14_rev.3

Kosmoseinfo töötlus ja kasutamine.

(IDRISI User's Guide p. 71-77,

v.4.0 Tutorial exercises N.12-15)

rev.2: 2/2/96; rev.3: 28/2/98

Avapraktikumis me vaatlesime lühidalt piltide kuvamise võimalusi ja selleks vajalikku töötlust. Käesolevas harjutuses uurime edasi mõningaid võimalusi, kuidas kasutada kosmosefotosid. Lähem teoreetiline tagapõhi, mille Te omandate vastavates kaugseire ja andmeanalüüsi kursustes, jääb siinkohal vaatlusest välja. Klassifitseerimismeetodite ja faktoranalüüsi osas võib täiendava materjalina soovitada: U. Pragi "Matemaatilised meetodid geograafias", Tallinn:Valgus, 1988, lk. 95-140.

Vaatleme näitena kaugseire andmeid ala kohta Lääne-Massachusettsis, kasutadades LANDSAT TM piltide nelja sagedusriba väikese ala kohta, mis on saadud satelliidilt 10 sept. 1987. Taevas oli sellel päeval selge, kuid esines mõningane vine. Nendele piltidele vastavate failide nimed on HOW87TM1, HOW87TM2, HOW87TM3 ja HOW87TM4. "HOW" eesliide näitab, et nad on Howe Hilli ala kohta Worcesteri lähedalt ja nad vastavad järgmistele lainepikkustele: TM1 - nähtavsinine, TM2 - nähavroheline, TM3 - nähtavpunane ja TM4 - lähisinfrapunane.

Kujutiste kontrastierinevuste paremaks mõistmiseks (sest silma eristusvõime on piiratud; ka pole praktikumiarvutitel eriti head kuvarid, pealegi veel erinevad nad omavahel) tuleks uurida, kuidas on pikslite heleduse jaotus (histogramm) erinevatel kujutistel. Selleks on moodul HISTO.

Sagelikasutatav viis piltide kvaliteedi parandamiseks on viia minimaalväärtused nulliks (eeldades, et mõned 0 väärtusega pikslid peaksid eksisteerima) kas lahutadades igast spektrivahemikust teatud väärtuse (moodul SCALAR) või jättes need madalad andmeväärtused ära (moodul STRETCH). “Ärajätmine” tähendab tegelikult, et etteantud miinimumpiirist väiksemad väärtused võrdsustatakse miinimumiga ja etteantud maksimumpiiristist suuremad väärtused võrdsustatakse maksimumiga. Niisugust protseduuri nimetatakse küllastamiseks (saturation). Hea kujutise loomiseks vajalik küllastuse hulk tavaliselt varieerub (üldiselt on sobivaim sageduskõvera otstest 2,5 - 5% ära jätta) ning võib nõuda mõningaid katseid ja vigade täpsustamist. Võimalikest teisendustehnikatest on enamikel juhtudel parim tingimus lineaarne venitamine küllastamisega.

Histogrammi võrdsustamine üritab panna igasse halli värvi tasemesse (vaikimisi juhul 16 taset) võrdse arvu piksleid. Kui Te üritate mõista peegeldumis/neeldumis-karakteritikuid, on parem hoida histogrammi võrdsustamise tehnikast eemale ja kasutada lineaarset küllastamisega venitamist. Pidage samuti meeles, et venitatud kujutis on üksnes vaatamiseks - kuna temaga on manipuleeritud, ei sobi ta enam analüüsiks. Andmeanalüüsiks tuleb kasutada üksnes lähteandmeid.

Kujutised HOW87TM* kannavad informatsiooni üksnes üksikute spektrivahemike kohta. Moodul COMPOSITE võimaldab luua ka kolme spektrivahemiku nn. valevärvidega sünteespildi (false color composite), mida võib otseselt näha sobiva 256-värvilise paletiga. Sünteespilt ise täidab samahästi ka teisi rolle. Näiteks on valevärvilist sünteeskujutist vaja, selleks et sooritada pildi interpreteerimiseks vajalik etalonideta klassifitseerimine.

• Kasutada kujutist HOW87TM2 kui sinist spektrivahemikku, HOW87TM3 kui rohelist spektrivahemikku ja HOW87TM4 kui punast spektrivahemikku (pange tähele, et ei kasutata esimest spektrivahemikku - nähtavat sinist - ja et igaüks ülejäänutest on ühe võrra nihkes). Seetõttu kutsutaksegi niisugust sünteespilti valevärviliseks. Lähisinfrapunane on lülitatud pildi koosseisu sinise asemel, kuna ta sisaldab informatsiooni, mis puudub nähtavates spektrivahemikes. Lisaks sellele kipub sinine spektrivahemik olema vinest tugevasti mõjustatud).
• Seejärel valida lineaarne venitus (stretch) koos küllastamisega, kasutades vaikimisi 2,5% küllastamise tingimust ja 0-ilisi andmeväärtusi mitte ära jätta.

Saadud kujutis ise koosneb spetsiaalsetest koodidest, mis võimaldab kõigi kolme spektrivahemiku andmeid kombineerida ühele sama füüsikalise suurusega spektriribale. Kui Te vaataksite seda kujutist COLOR-iga ebaõiget paletti kasutades, ei näeks Te midagi eriti tähendusrikast ning kujutise histogramm oleks veel vähem tähenduslik.

Etalonideta klassifitseerimine

Etalonideta klassifitseerimise ülesandeks on eristada pildil ilmnevaid antud spektrivahemikule vastavaid põhilisi mustreid (dominant spectral response patterns), mida tavaliselt nimetatakse signatuurideks (signatures), ning identifitseerida nad seejärel maapinnal olevaga. IDRISI pakub välja etalonideta klassifitseerimise mooduliga CLUSTER, mis kasutab histogrammi tippude valiku tehnikat.

Vaatleme hakatuseks maakasutuskaarti ala kohta, mille satelliidipilte me töötlema hakkame:

Järgnevalt leiame maakasutusklasside esialgse variandi. Et moodul CLUSTER töötab otseselt kolme spektrivahemiku sünteeskujutisega, mis on loodud mooduliga COMPOSIT, on ta seda tüüpi protseduuri kohta äärmiselt kiire.

• lai klassifitseerimine (broad classification) ning
• vähemtähtsate clustrite väljaviskamine (drop the least significant clusters).

Nagu võite näha, loob tingimus fine palju rohkem klastreid. Te olete nüüd klassifitseerimisdetailsuse järgmisel astmel. Edasiseks probleemiks on nende klastrite tõlgendamine (interpretation). Vaatlusalust ala tundes oleksid laiad klastrid tavaliselt kergesti interpreteeritavad. Kitsad klastrid võivad tõlgendamisel nõuda siiski hulk vaeva ja nende adekvaatsel määratlemisel on tavaliselt vaja kaarte, aerofotosid ning ala enda külastamist. Lisaks sellele selgub sageli, et lõppkaardi jaoks on vaja teatavaid klastreid liita. Näiteks, me võime leida, et üks klaster kujutab metsa varjusolevatel, teine aga sama metsa päikesepaistelistel nõlvadel. Selleks, et klastreid gruppeerida ja ümber nimetada kasutatakse tavaliselt moodulit ASSIGN.

Kujutis WORCWEST ongi tegelikult saadud satelliitpiltide etalonideta klassifitseerimisel tingimusega fine, misjärel on klastreid regruppeeritud moodulit ASSIGN kasutades.

Peakomponendid

Eelnevalt me sooritasime etalonideta klassifitseerimise, kasutades kolme sagedusriba sünteeskujutist. Edasi kerkib meie ette küsimus, kas kolm sagedusriba annavad adekvaatse iseloomustuse maapinna peegeldusvõimele sellisel juhul, kui LANDSAT-i temaatilise kaardi (Thematic Mapper) kujutis võimaldaks potensiaalselt kasutada seitsme spektraalvahemiku andmeid. Sellele vastamiseks tuleks uurida LANDSAT-i kujutistel olevat informatsiooni, kasutades peakomponentide meetodit.

Teie harjutuste kataloog sisaldab väikese andmehulga ala kohta, mis on eristatud suuremast Worcesteri regioonist ja asub vahetult lennuväljast edelas. Eelnevalt kasutatud LANDSAT TM pildi vahemikele (HOW87TM1-4) on lisatud veel kolm. Kujutiste nimedeks on H87TM1 kuni H87TM7 (st. andmekogum sisaldab 7 spektrivahemikku). Me kasutame neid, et uurida põhikomponentide analüüsi ning LANDSAT TM andmetes sisalduvat informatsiooni.

Peakomponentide arvutamine toimub IDRISI-s mooduliga PCA (Principal Components Analysis).

Käesoleval juhul on tulemuste tabelid Teie juhendi lisas 2. Nende varal saate kontrollida tehtu õigsust ja analüüsida tulemusi.

• milline vahemik korreleerub kõige rohkem esimese spektri vahemikuga?
• kas mõni vahemik korreleerub neljanda vahemikuga?
• mida järeldada madalatest, mida kõrgetest korrelatsioonidest?

Vaatame nüüd komponentide kokkuvõtvat tabelit, kus on kujutatud iga komponendi (veergude kaupa) omaväärtused (eigenvalues) ja omavektorid (eigenvektors).

Panused faktorpanuste tabelis (table of loadings). osutavad korrelatsioonimäärale uute komponentide (veerud) ja originaalvahemike (read) vahel.

Etalonidega klassifitseerimine

Etalonideta klassifitseerimisel polnud meil vaja mingit eelnevat informatsiooni uuritaval alal eksisteerivate maakasutustüüpide kohta. Me lihtsalt soovisime pildilt leida domineerivad spektriklassid, millele me omistasime teatud tõlgenduse.

Etalonidega klassifitseerimisel määrame eelnevalt teatud näidised, nn. etalonalad. Seejärel me kogume statistikat nende alade kohta ning alles pärast seda hakkame klassifitseerima, liigitades piksli sellesse maakasutusklassi, mille etaloniga tema heleduskarakteristikud on kõige sarnasemad.

Praktikumi käesoleva juhendi lisas 3 antud kaardil on näidatud välitööde tulemused peakomponentide analüüsi juures vaadeldud piirkonnas. Etalonalad luuakse tavaliselt suurema kujutise jaoks, kasutades informatsiooni selle väikese ala kohta. Igale teadaolevale maakasutustüübile omistatakse täisarvuline identifikaator ning määratletakse üks või enam sellele tüübile vastavat etalonala.

Järgnev protseduur kirjeldab etalonalade määratlemise ja digitaliseerimise meetodid. Etalonalad võib digitaliseerida suvalises järjekorras, kuid ei tohiks vahele jätta ühtegi numbrit seeriast, so., kui Te kasutate 7 erinevat maakasutusklassi, siis teie identifikaatorid peavad olema 1-7. Peale selle on väga tähtis tähele panna, et Teie etalonalad peaksid olema esinduslikud (representatiivsed):

• nii homogeensed, kui võimalik (so. nad peaksid sisaldama üksnes üht teatud maapinna tüüpi) ja
• peaksid sisaldama adekvaatse hulga piksleid statistilisteks hinnanguteks.

Põhiline rusikareegel on, et iga etalonala pikslite hulk (so. kõikide etalonalade kogusumma ühe maapinna tüübi jaoks) peaks olema vähemalt 10 korda suurem, kui spektrivahemike arv. Niisiis, kuna selles ülesandes me kasutame 7 spektrivahemikku, siis peaksime omama mitte vähem, kui 70 pikslit iga maakasutustüübi kohta (pikslite arvus võite veenduda, kasutades moodulit EDITSIG).

Etalonala peaks olema polügon, mis piirab omaduse tüübi maksimaalselt homogeenset ala. Kui Teil on rohkem kui üks etalonala iga üksiku maapinna tüübi kohta, tuleks kasutada sama identifikaatori numbrit. Näiteks, kui Teil on kaks etalonala sügava vee kohta, andke mõlemale seesama identifikaator.

Pärast seda, kui Teil on etalonalade vektorfail, olete valmis, et luua oma signatuurfaile (signature files). Signatuurfailides on statistiline informatsioon etalonalade peegeldusomaduste kohta erinevates spektrivahemikes.

SIGCOMP loob spektrivahemikele vastavate mustrite graafiku, selleks et selgitada, millised etalonalad võiksid omavahel sarnased olla.

• tõenäosusfunktsiooni tihedusele tuginev moodul MAXLIKE (Maximum Likelihood classification), mis heade etalonalade puhul annab parimaid tulemusi, kuid mille kasutamine võib olla (sõltuvalt arvutist ja kujutise suurusest) küllaltki aeganõudev;
• signatuurfailide miinimumidele ja maksimumidele tuginev moodul PIPED (parallelepiped classification), mis on küll kõige kiirem, aga ei anna reeglina rahuldavaid tulemusi (selleks peaksid klassid olema üksteisest väga selgelt eristuvad);
• moodul MINDIST (Minimum Distance to Means), mis klassidesse jagamisel võtab aluseks taksonoomilise kauguse etalon(alade) keskväärtustest, kasutades kas tavalist (raw) või standardhälvega normaliseeritud (standardized) kaugusi (soovitav kasutada seda!); on arvutuskiiruselt vahepealne ja annab seni parimaid tulemusi, kuni etalonalad pole just väga head.

Kasutage ka mooduleid MAXLIKE ja PIPED. Võrrelge saadud tulemusi omavahel, mooduliga MINDIST saadud tulemustega ja kujutisega WORCWEST. Iseloomustage erinevusi oma protokollis.

LISA 1

Cross-tabulation of worcwest (columns) against clust1 (rows)

	1	2	3	4	5	6
1	0	34904	33033	27964	15581	395
2	0	0	0	0	0	0
3	0	0	0	0	0	0
4	8521	0	0	0	0	2126
5	0	0	0	0	0	0
6	0	0	0	0	0	0
Total	8521	34904	33033	27964	15581	2521

	7	8	9	10	11	12
1	26560	5634	0	0	0	0
2	12964	0	3368	224	23720	2764
3	9351	0	3221	1150	0	0
4	0	0	0	132	0	342
5	0	0	0	4161	0	4036
6	0	0	3613	1903	0	0
Total	48875	5634	10202	7570	23720	7142

	13	14	Total
1	0	0	144071
2	0	1471	44511
3	0	460	14182
4	0	0	11121
5	2089	0	10286
6	710	3	6229
Total	2799	1934	230400

LISA 2

Principal Components Analysis

VAR/COVAR	h87tm1	h87tm2	h87tm3	h87tm4	h87tm5	h87tm6	h87tm7
h87tm1	19.36	11.72	17.74	22.99	42.24	8.58	19.01
h87tm2	11.72	9.47	12.55	33.96	40.96	5.65	15.64
h87tm3	17.74	12.55	20.20	23.83	48.88	9.05	21.74
h87tm4	22.99	33.96	23.83	606.05	370.12	5.60	82.75
h87tm5	42.24	40.96	48.88	370.12	329.80	21.38	96.77
h87tm6	8.58	5.65	9.05	5.60	21.38	8.50	10.47
h87tm7	19.01	15.64	21.74	82.75	96.77	10.47	35.30

COR MATRX	h87tm1	h87tm2	h87tm3	h87tm4	h87tm5	h87tm6	h87tm7
h87tm1	1.000000	0.865584	0.896827	0.212218	0.528601	0.668724	0.727225
h87tm2	0.865584	1.000000	0.907277	0.448274	0.732874	0.629802	0.855495
h87tm3	0.896827	0.907277	1.000000	0.215375	0.598823	0.690495	0.814087
h87tm4	0.212218	0.448274	0.215375	1.000000	0.827869	0.078081	0.565691
h87tm5	0.528601	0.732874	0.598823	0.827869	1.000000	0.403770	0.896793
h87tm6	0.668724	0.629802	0.690495	0.078081	0.403770	1.000000	0.604335
h87tm7	0.727225	0.855495	0.814087	0.565691	0.896793	0.604335	1.000000

COMPONENT	C 1	C 2	C 3	C 4	C 5	C 6	C 7
% var.	86.53	11.16	1.51	0.37	0.17	0.17	0.07
eigenval.	890.14	114.83	15.53	3.85	1.79	1.78	0.76
eigvec.1	0.054120	0.296839	0.593818	-0.200546	-0.700889	-0.157711	-0.001105
eigvec.2	0.061791	0.183477	0.288507	-0.133304	0.384113	-0.078814	-0.841283
eigvec.3	0.060015	0.336180	0.425261	-0.206332	0.594060	-0.126948	0.539387
eigvec.4	0.802033	-0.531541	0.256571	0.024390	0.030113	0.075744	0.033759
eigvec.5	0.569662	0.565599	-0.507758	-0.015992	-0.073847	-0.303181	-0.011716
eigvec.6	0.022177	0.184993	0.243596	0.947939	0.033021	-0.079144	-0.002201
eigvec.7	0.146243	0.358533	0.017669	0.000000	-0.029203	0.921347	-0.004654

LOADING	C 1	C 2	C 3	C 4	C 5	C 6	C 7
h87tm1	0.366946	0.722886	0.531826	-0.089418	-0.212893	-0.047863	-0.000219
h87tm2	0.599055	0.638897	0.369463	-0.084987	0.166828	-0.034201	-0.238578
h87tm3	0.398372	0.801506	0.372870	-0.090066	0.176656	-0.037718	0.104731
h87tm4	0.972001	-0.231374	0.041073	0.001944	0.001635	0.004109	0.001197
h87tm5	0.935887	0.333748	-0.110188	-0.001728	-0.005435	-0.022295	-0.000563
h87tm6	0.226973	0.680047	0.329322	0.638006	0.015140	-0.036257	-0.000659
h87tm7	0.734338	0.646630	0.011719	0.000000	-0.006569	0.207079	-0.000684

LISA 3

Etalonalade skeem

(Idrisi Student Manual p.146 või Idrisi for Windows Version 2 Tutorial Exercises, .94)