Baza de date Earth Explorer (http://earthexplorer.usgs.gov) oferă o paletă mai diversificată de imagini și date geospațiale decât baza Global Land Cover Facility (vezi tutorialul anterior pe geo-spatial.org). Principalul avantaj este legat pe de o parte de produsele accesibile gratuit, în baza creării unui cont de utilizator cu nume și parolă (login), dar pe de altă parte și de instrumentele de căutare mai avansate. Mai mult, o serie de imagini existente în arhivă pot fi pregătite la cererea utilizatorului, în mod gratuit, atunci când status-ul acestora este de preview cu metadate (imaginea micșorată a scenei, folosită doar la previzualizare).
Un alt element de utilitate practică este descărcarea în modul bulk, a arhivei de fișiere (benzi spectrale și metadate) corespunzătoare imaginilor Landsat dorite.
Nivelul de procesare este destul de avansat, L1T, semnificând, restabilirea radiometrică, coînregistrarea cu harta topografică în proiecția UTM-WGS 84, cu modelul numeric al terenului, ceea ce oferă aceleași însușiri cu cele ale unei imagini ortorectificate (orientată exterior, la teren dar și repoziționată pe suprafața topografică). Nivelul de erori al corecțiilor geometrice este în limite foarte bune (zeci de centimetri) ceea ce oferă un avantaj important în procesarea digitală, inclusiv în combinarea cu straturi informaționale vector sau raster provenite din surse independente (ex. curbe de nivel extrase din harta topografică, clasificări orientate-obiect din fotograme aeriene digitale, vectori extrasi din harta geologică etc.).
Descărcarea imaginilor presupune parcurgerea unor etape. Tutorialul de față nu își propune să prezinte toate posibilitățile existente, de aceea unele explicații sunt foarte simple pentru a ajuta inclusiv pe cei ce se inițiază în procesarea și analiza imaginilor de teledetecție. Capturile de ecran au fost lăsate în configurația inițială pentru a asigura o bună orientare și înțelegere a comenzilor. Pentru detalii privind aceste date de teledetecție, recomandăm descărcarea și consultarea unor documentații tehnice în format pdf de la adresele de mai jos:
http://landsathandbook.gsfc.nasa.gov (manualul Landsat)
http://landsat.usgs.gov/documents/LS_DFCB_20_TM_Level_1_DFCB.pdf (documentația tehnică a produselor Landsat).
Fig. 1. Pagina de acces a portalului Earth Explorer USGS (United States Geological Survey).
Aceasta permite de la început precizarea regiunii pentru care căutăm imaginea pe baza unei adrese (pentru teritoriul SUA), dar mai ales a numărului orbitei (path) și al șirului (row), raportate la sistemul de referință al scenelor Landsat (WRS 1 sau 2). La acestea se adaugă inclusiv căutarea orientată către obiecte (features), la nivelul teritoriului SUA dar și la nivel mondial. Aceasta din urmă se limitează la elemente stocate în baza de date (ex. vulcan, oraș, ghețar, la care se va preciza denumirea geografică (aplicația este conectată la toponimele din aplicația Google Earth). Precizarea perioadei de timp acoperite de imagini se poate realiza încă de la începutul procedurii de căutare.
În figura 1 a fost introdusă identificarea WRS-2 (Worldwide Reference System-2) pentru o scenă Landsat TM care să cuprindă Bucureștiul și județul Prahova. Cunoașterea acestor elemente este legată de precizarea latitudinii și longitudinii unui punct situat în regiunea care ne interesează. În acest scop, site-ul misiunilor Landsat de la USGS oferă un instrument util, care permite conversia coordonatelor geografice în numărul orbitei și al șirului scenei Landsat căutate (http://landsat.usgs.gov/tools_latlong.php). În acest caz am obținut identificarea p182r029 în sistem WRS-2, iar baza de date a afișat coordonatele centrului și localizarea acestuia în interfața Google Earth (markerul roșu).
Alegerea imaginii după momentul înregistrării (login, butonul dreapta sus), se poate realiza încă de la accesarea portalului (fig.1). Câmpurile din partea de jos, stânga a ecranului (data range) permit precizarea perioadei de timp pentru care sunt căutate imaginile.
De exemplu, pentru a analiza evoluția teritorială recentă a Capitalei, este importantă alegerea unor imagini care să surprindă atât perioada socialistă (Landsat TM, între 1984-1989) cât mai ales perioada exploziei imobiliare recente (Landsat TM, ETM+, între 2001, momentul retrocedărilor masive de terenuri sau imobile, și 2009, cu începutul perioadei de recesiune în Europa). Câmpurile “data range” (fig. 2) oferă inclusiv posibilitatea precizării lunilor anului dorite. De exemplu, pentru analiza amintită ar fi utile imagini care să permită o cât mai bună vizualizare a construcțiilor și a tramei stradale urbane, pe fondul unei vegetații în fenofazele incipiente sau către finalul sezonului (ex. martie sau octombrie).
Fig. 2. Precizarea perioadei de timp pentru care sunt căutate imagini Landsat TM, în cazul aplicației de analiză a dinamicii urbane a Bucureștiului (între 1984-2009). Se observă alegerea imaginilor din luna martie.
Continuarea căutării în arhiva de imagini Landsat (Fig. 3) este înlesnită de filtrarea după senzorul care a preluat imaginea. Acest pas presupune o reîntoarcere, în anumite cazuri la pagina proiectului Landsat (USGS sau NASA Goddard Space Flight Center), unde există prezentarea senzorilor Landsat.
De exemplu, imaginile la rezoluția spațială de 30 m caracterizează doar senzorii Landsat 5 TM și Landsat 7 ETM+, în timp ce imaginile pancromatice la 15 m sunt obținute numai de către senzorul Landsat 7 ETM+ începând cu 15 aprilie 1999. Un alt aspect important este separarea imaginilor cu defectul SLC-off, caracteristice numai senzorului ETM+, cu începere din mai 2003. Acestea prezintă linii de scanare lipsă și sunt prevăzute în arhiva de descărcat cu un “kit de reparații’’, fomat dintr-un strat cu rol de mască derivat din imagini Landsat TM ce au rezultat din înregistrări realizate în paralel de senzorul Landsat 5 TM (plasat pe orbită la 01 martie 1984), reactivat între timp din motive tehnice. Prin aplicarea acestuia la imaginea defectă se poate restaura, cel puțin teoretic integritatea setului de date spațiale și spectrale.
Fig. 3. Prezentarea setului de date disponibile în bara din stânga hărții. Alegerea acestora presupune o minimă documentare asupra caracteristicilor acestora, dar mai ales asupra tipului de imagine sau produs derivat, rezoluție spațială, spectrală, radiometrică și temporală. În cazul căutării imaginilor Landsat, se poate seta ,,Landsat Archive” mai ales, dar există și alte posibilități (ex. Landsat Legacy, Landsat MRLC, explicate în site-ul proiectului Landsat USGS).
Fig. 4. Selectarea senzorului care a preluat imaginea prin detalierea componentelor arhivei de imagini Landsat. În acest caz au fost bifate imaginile Landsat TM, obținute de senzorii de la bordul sateliților Landsat 4 și 5, după luna iulie 1982 (L 4-5 TM). În fereastra hărții a fost mărită scara de vizualizare și se poate observa marcat cu roșu, centrul scenelor satelitare căutate (p183r029).
Un alt aspect al căutării imaginilor îl constituie criteriile tehnice de selecție a acestora (additional criteria, butonul de sub bara cu tipuri de date din fig. 4). În mod curent, peste această etapă se poate trece, dar, în condiții de căutare avansată, analistul de imagini poate preciza mai multe caracteristici (Fig. 5).
Fig. 5. Precizarea unor criterii suplimentare (additional criteria) în scopul căutării avansate a imaginilor Landsat TM.
Câmpurile în care acestea pot fi precizate se află în stânga hărții și constau în completarea: ID-ului din baza de date (dacă este știut), a orbitei și a șirului, acoperirii noroase în procente, al stației de sol (dacă imaginea nu a fost centralizată la EROS data center), nivelul de procesare și momentul preluării (zi, noapte). De obicei imaginile de la stațiile de sol sunt la un alt nivel de procesare decât cele centralizate la USGS.
Accesul la imaginile disponibile se face prin butonul rezultate (results), care conduce la afișarea în format mult diminuat, de previzualizare, a tuturor scenelor Landsat care întrunesc condițiile căutării în baza de date (Fig .6). Acestea apar în bara din stânga hărții, pe care poate fi afișată și acoperirea spațială de detaliu a scenei satelitare.
Fig. 6. Afișarea scenelor ce respectă cerințele căutării noastre, în bara din stânga hărții, cu elementele caracteristice de bază (ID-ul stocat în arhiva de imagini, data de preluare de către sensor, orbita, șirul).
O serie de butoane pot ajuta selectarea scenei dorite pentru descărcare în vederea procesării și analizei. În exemplul de față apare scena p183r029 ce acoperă sudul României cu dimensiunea de 185×170 km și centrul situat între București și Pitești. Imaginile din stânga sunt falscolor și au diferite grade de acoperire noroasă. Harta din dreapta prezintă zona acoperită de scena satelitară dorită (footprint).
Previzualizarea poate oferi și o imagine mai mare a scenei căutate, pentru a se examina calitatea acesteia și a se decide dacă va fi descărcată. În acest caz se poate acționa butonul previzualizare (alăturat urmei de pas) care aduce în fereastra hărții, varianta în format mărit a scenei satelitare selectată (Fig. 7). Imaginea corespunde previzualizării din bara de la stânga hărții.
Fig. 7. Activarea previzualizării în format mărit a scenei satelitare Landsat TM p183r029 din data de 04 octombrie 2006 , prin acționarea butonului de previzualizare (în verde). Imaginea este translatată după coordonatele UTM-WGS 84, asociate produsului Landsat 1T (coînregistrat la teren).
Un alt element este legat de afișarea metadatelor imaginii alese (următorul buton din dreapta previzualizării). Aceste informații au o mare valoare pentru analiză, întrucât produsul imagine Landsat 1T nu are calibrarea radiometrică realizată (în vederea stocării în baza de date s-a efectuat numai restabilirea liniilor de scanare, înainte de trecerea la corecțiile de geometrie). Lista parametrilor poate fi obținută pe display (figura 8) dar poate fi descărcată și odată cu arhiva ce include benzile și datele imaginii. Identificarea scenei (http://earthexplorer.usgs.gov/resources/helpdocs/dict/landsat_dictionary.html#landsat_scene_identifier) , în cazul exemplului nostru, este ușor de citit prin separarea ID-ului în grupuri de litere și cifre după cum urmează:
LT5 (Landsat 5 TM, satelit și senzor)
183 (orbită), 029 (șirul) din WRS-2
2006 anul preluării
277 numărul zilei din anul 2006
MOR00 stația de sol la care a fost captat semnalul ce a devenit imagine (Moscow, Russia) și versiunea produsului (00 seminifică imagine de bază).
Fig. 8. Afișarea (aici parțială) a metadatelor datelor imaginii în tabel, cu precizarea ID-ului, a senzorului, a modului de lucru, stației de sol și mai ales a timpilor de calibrare și poziției centrului și colțurilor scenei satelitare. Importanța acestor date este foarte mare în calibrarea imaginilor în radianță sau reflectanță, deoarece datele inițiale sunt în formatul byte (0-255).
Descărcarea propriu-zisă (download) presupune ca utilizatorul să primească acordul administatorului bazei de date, după crearea unui cont și logarea la portalul de date geospațiale. Aceasta se face prin comanda login din bara dreapta sus (scris în albastru), după ce s-a completat un formular cu datele utilizatorului. Aceasta obligă la utilizarea în scop de educație și cercetare a datelor ce vor fi descărcate și la citarea provenienței acestora, în contextul diferitelor lucrări elaborate.
Prin acționarea butonului de download (săgeata verde verticală, în dreapta celui de metadate) se trece la afișarea posibilităților de descărcare.
De notat faptul că nu oricare dintre imaginile prezentate este pregătită pentru descărcare. În acest sens se poate formula o cerere în acest scop, prin acționarea butonului în formă de coș de cumpărături ce apare, în anumite cazuri, în dreapta săgeții verzi ce semnifică posibilitatea de descărcare imediată a arhivei. De asemenea există și opțiunea de a aduna mai multe scene în vederea descărcării ulterioare. Aceasta este accesibilă prin apăsarea unui buton cu denumirea “add to bulk download”.
Fig. 9. Opțiunile de descărcare a unei imagini Landsat TM.
Pentru a descărca imaginea cu toate benzile dorite se alege Level 1 Product, care reprezintă o arhivă cu imagini Geotiff ce pot fi procesate în soft-uri de analiză ca benzi spectrale separate sau ca fișer unitar (header cu extensia .hdr în soft-ul ENVI 3.4, de pildă). În acest moment se poate trece la activarea opțiunii și apoi la descărcarea propriu-zisă cu precizarea folderului în care va fi transferat fișierul.
Fig. 10. Structura datelor din arhiva corespunzătoare unei imagini Landsat TM, descărcată din baza de date Earth Explorer USGS. În bara de sus apare arhiva iar în fereastră sunt fișierele (condiții de utilizare, metadatele produsului, previzualizarea ca imagine în format JPG, două fișiere de metadate pentru calibrarea imaginii și în final cele șapte benzi spectrale, inclusiv infraroșul termal).
Finalizarea descărcării presupune deschiderea arhivei (Fig. 10), dar vizualizarea informațiilor se va realiza în interfața unui software specializat de analiză, așa cum apare și în ferestrele de dialog ce preced descărcarea. Calitatea datelor este deosebită la nivel de vizualizare (Fig. 11), iar analistul va stabili mai târziu pașii de urmat în vederea procesării imaginilor și extragerii datelor de interes (algoritmi, succesiune de algoritmi).
Fig. 11. Sector de subscenă Landsat TM din data de 24 iulie 2009 de pe Valea Prahovei (Azuga-Bușteni-Poiana Țapului) la rezoluția de 30 m, nivelul L1T, vizualizată în programul ENVI 3.4. Imagine falscolor 453 (stânga) și banda 2 (verde), în dreapta. Sursa imaginilor este baza de date Earth Explorer USGS.
]]>Imaginile satelitare Landsat semnifică poate cel mai important episod din istoria teledetecției și a observării Pământului. Între 26 iulie 1972 și 18 noiembrie 2011, misiunile celor șase sateliți (vezi), au produs o arhivă impresionantă, având în vedere faptul că înregistrarea aceleiași zone (scenă satelitară) s-a efectuat la intervale de 19 zile (la primii sateliți), respectiv 16 zile (la sateliții Landsat 5 și Landsat 7). Senzorii folosiți (optici, și de la Landsat 5, optici și în infraroșul termal)_ au produs imagini de rezoluții spațiale medii (ex. 30 m în multispectral, 15 m în pancromatic și 60 m în infraroșul termal, la senzorii de pe Landsat 7 ETM+). Principalul avantaj al acestor imagini în constituie rezoluția spectrală remarcabilă, care permite numeroase combinații și mai ales valoroase posibilități de analiză digitală cu ajutorul pachetelor software specializate.
Cu toate problemele tehnice apărute de-a lungul timpului (ex. defecțiunile sistemului de corectare a liniilor de scanare din mai 2003, în limba engleză SLC-off), imaginile Landsat MSS, TM și ETM+, sunt poate cele mai utilizate în studiul teledetecței și analizei imaginilor la cele mai diferite niveluri, de la cel de licență, la cel de doctorat.
Site-urile oficiale de internet ale misiunii Landsat, manageriată de către USGS (United States Geological Survey) și NASA-Goddard Space Flight Center (http://landsat.gsfc.nasa.gov), oferă toate informațiile de la istoric, caracteristici ale imaginilor, exemple de imagini și aplicații, dar mai ales date necesare calibrării imaginilor (conversiei valorilor digitale de tip byte în cantități fizice de tipul radianței, reflectanței sau al temperaturii radiante, după caz).
Manualul de utilizare al imaginilor Landsat 7 ETM+ (download în format .pdf, alături de o documentație completă ce include și normele juridice ale utilizării datelor), este un document de un real folos atât pentru studenți dar mai ales pentru cercetătorii din cele mai diverse domenii, de la fizicieni la geologi, geografi, ingineri silvici, agronomi etc.
Deși misiunea Landsat este în prezent încheiată, pentru anul 2013 este prevăzută inițierea proiectului LDCM (Landsat Data Continuity Mission, vezi site-ul proiectului), prin plasarea pe orbită a lui Landsat 8.
Accesul la aceste date este posibil în mod gratuit prin intermediul unor portaluri consacrate de date geospațiale. Acestea vor constitui obiectul a două tutoriale separate, primul dedicat paginii Global Land Cover Facility (GLCF), iar al doilea portalului Earth Explorer, administrat de USGS (http://earthexplorer.usgs.gov).
Pentru învățământ dar și pentru cercetare, datele LANDSAT (MSS, TM, ETM+), și nu numai, pot fi accesibile gratuit pe un site aparținând Universității din Maryland/SUA, cu portalul GLCF (Global Land Cover Facility, cu adresa http://glcf.umiacs.umd.edu/.
Pentru interpretarea geografică a scenelor/subscenelor satelitare LANDSAT TM și ETM+ este necesară în primul rând, identificarea în baza de date a regiunii care face obiectul cercetărilor. În acest scop există WRS-2 (Worldwide Reference System, generația a doua), un sistem de localizare, în care fiecare scenă este codificată în funcție de numărul orbitei satelitare, numită și path și simbolizată cu p, respectiv în funcție de numărul linei, al rândului de scene orientate pe direcția paralelelor (row). Fiecare scenă LANDSAT are un cod format din p…r… , pe baza căruia poate fi identificată în cadrul hărții Globului (Fig. 1).
Fig. 1 Harta micșorată și simplificată, corespunzătoare sistemului de numerotare a scenelor Landsat 4, 5 și 7. Fiecare scenă este o combinație între orbită (p, path) și șirul corespunzător (r, row). Pe harta a fost încadrat teritoriul României. Exemplu, scena în care se încadrează municipiul Brașov este simbolizată p183r028.
Fig. 2 Pagina de intrare a portalului Global Land Cover Facility dezvoltat la Universitatea din Maryland, în colaborare cu NASA, prin care se pot accesa baze de date geosațiale (imagini de teledetecție și date derivate, date de elevație SRTM etc.).
Din pagina de acces (figura 2), există posibilitatea de a pătrunde în baza de date geospațiale (ESDI, engl. Earth Science Data Interface), la care căutarea se poate efectua cu ajutorul hărții sau, dacă se cunoaște numerotarea scenei, folosind valorile ,,p” și ,,r” corespunzătoare (ex. pentru Muntenia se va căuta p183r029).
În figura 3, apare portalul accesat cu instrumentele de căutare amintite. De reținut că arhiva prezintă numai o selecție de scene Landsat, considerate sugestive și deci utile procesului didactic, dar care se pot integra și în diferite aplicații de cercetare. Acestea necesită doar o precizare adecvată a sursei de proveniență.
Baza de date poate oferi la cerere, prin crearea unui cont de utilizator, și alte imagini sau seturi de date, în cazul în care acestea sunt disponibile. Mai mult, cei interesați pot fi permanent informați privind noile seturi de date introduse sau orice alte modificări. Un ghid de căutare și download a datelor există la adresa http://glcf.umd.edu/library/guide/datadownload.shtml.
Există trei căi de accesare a informației, de la căutarea pe harta Globului, pe care se suprapune acoperirea spațială a seturilor de date disponibile, la căutarea bazată pe datele de identificare a scenelor în sistemul WRS-2. La acestea se adaugă și posibilitatea de căutare a unor produse diferite, imagini de teledetecție cu diferite rezoluții spațiale (ex. AVHRR, ASTER, MODIS, IKONOS, QuickBird), date derivate din acestea (strate raster multitemporale cu vegetația și acoperirea terenului), dar și date de elevație (ex. modele digitale ale terenului SRTM). Acestea nu constituie însă, obiectul tutorialului nostru.
Fig. 3. Căile de acces la imaginile de teledetecție date derivate, prin portalul Global Land Cover Faculity și interfața specializată ESDI (Earth Science Data Interface). Cea mai simplă cale este prima (Map Search sau căutarea pe hartă), ce nu necesită cunoașterea în prealabil a datelor exacte de identificare ale scenei satelitare Landsat.
După afișarea hărții Globului și mai ales a produselor (seturilor de date geospațiale) disponibile, se poate afla mai întâi ce poate oferi baza de date, în funcție de necesitățile noastre. Pe bara din stânga hărții apar în detaliu seturile de date disponibile. Ceea ce este important este că nu toate acestea acoperă întreaga suprafață terestră, atât spațial cât mai ales temporal. Informații utile legate de acestea se pot afla din paginile web ale diferitelor proiecte și misiuni de teledetecțe, dar și de pe site-ul GLCF.
În figura 4, apar numai patru categorii de date și produse oferite de pagina GLCF (imagini Landsat, imagini ASTER, produse MODIS, produse AVHRR). A fost activată doar o categorie de imagini (Landsat TM), care apar la nivel de acoperire spațială, prin apăsarea comenzii de actualizare a hărții (update map).
Din imaginea afișată a ecranului, rezultă că scenele Landsat TM acoperă cu precădere, în baza de date GLCF, teritorii ce corespund mai mult uscatului terestru, inclusiv unor arhipelaguri de insule. De aceea, terenul acoperit cu date spațiale de acest tip apare în nuanțe de roșu. Harta nu arată decât foarte sumar cât de consistentă este acoperirea multitemporală a acestor scene satelitare Landsat (areale cu nuanțe mai închise sau mai deschise). Aceste aspecte pot fi cunoscute prin detalierea condițiilor de căutare a imaginilor. Harta poate fi vizualizată în diferite formate prin setarea din dreapta sus a ecranului, ceea ce ajută și mai mult utilizatorul în cunoașterea acoperirii spațiale.
Fig. 4. Vizualizarea acoperirii spațiale a unui strat sau nivel de date reprezentat prin imagini satelitare Landsat TM. În bara din stânga apar tipurile de date geospațiale din arhivă. Prin actualizarea hărții (update map, săgeata albastră) se poate afla ce regiuni apar în imaginile căutate. Posibilitățile de căutare (săgeata roșie) apar deasupra ferestrei hărții (tip de informații geospațiale, date de identificare, coordonate geografice, regiune, vectori, diferite straturi de hartă). Bara de instrumente din partea superioară a hărții (săgeata portocalie) permite detalierea unei anumite regiuni, deplasarea pe hartă, selectarea-deselectarea imaginii sau setarea unui cadru spațial în limitele căruia se va realiza căutarea imaginilor.
Căutarea imaginilor se poate efectua diferit, în funcție de nivelul de expertiză al utilizatorului și de informațiile disponibile (Fig. 4). Deasupra barei de instrumente atașate hărții, apar mai multe comenzi: tipul de imagine sau produs și data, orbita-șirul din sistemul de nomenclatură WRS1 sau 2, coordonatele geografice ale colțurilor zonei căutate, denumirea regiunii căutate, zona dorită delimitată cu ajutorul unui vector (puncte, poligon).
Fig. 5. Vizualizarea în spațiul regional a scenelor satelitare Landsat TM disponibile. Terenul acoperit de imagini este colorat în nuanțe de roșu (mai ales uscat).
Detalierea căutării imaginilor Landsat este posibilă prin folosirea unor câmpuri speciale situate în partea de jos a hărții. Opțiunile sunt numeroase, însă importante sunt două aspecte:
Proprietățile acestor produse sunt ușor de căutat în pagina GLCF, la adresa http://glcf.umd.edu/data/landsat. Setările cerințelor (require) sau excluderii (exclude) permit o filtrare a imaginilor și produselor derivate prin setarea update map.
Fig. 6. Detalierea căutării la nivel de imagini și produse derivate, în limitele regiunii precizate pe hartă. Câmpurile permit pe de o parte o filtrare după dată a imaginilor Landsat, însă există și posibilitatea de a selecta sau elimina imagini și produse diferite. Acestea sunt valabile pentru toate imaginile din baza de date și necesită o informare în prealabil asupra proprietăților lor. Ex. selectarea Level 1G semnifică alegerea unei scene sau a unor scene Landsat corectate geometric și radiometric, orientată la teren, cu o anumită proiecție.
Alegerea scenei Landsat L1G dorite de pe hartă este ușor de realizat prin selectarea zonei căutate (săgeata de selecție din bara de comenzi atașată hărții de bază). În cazul nostru am optat asupra scenei satelitare în care se află Brașovul și o parte a Carpaților Curburii, deoarece ne interesează (de exemplu) o analiză regională asupra pădurilor din Munții Postăvaru și Piatra Mare (Fig. 7). Selectarea imaginilor se poate face pentru mai mulți senzori Landsat (TM, ETM+) și pentru o perioadă bine precizată.
Trecerea la previzualizare și descărcarea datelor folosind un protocol de ftp, este posibilă prin acționarea comenzii din partea de jos a hărții (preview and download). Aceasta oferă mai întâi o imagine micșorată a scenei (o combinație falscolor), precum și datele de bază ale acesteia.
Fig. 7. Selectarea scenei Landsat dorite (săgeata portocalie) și trecerea la previzualizare și descărcarea în regim ftp (săgeata roșie). Harta arată deja acoperirea spațială a imaginii dorite (conform WRS), iar seturile de date Landsat pot fi diversificate prin bifarea tipurilor de senzori din bara de date (stânga). În cazul nostru au fost selectate imagini Landsat TM dar și ETM+.
Fig. 8. Scena Landsat TM este previzualizată (imaginea micșorată falscolor), împreună cu datele de bază ale acesteia (senzorul, datele de identificare, data preluării, denumirea produsului și gradul de procesare, țara, ID-ul din baza de date, volumul de informație comprimat și real). În tabel sunt prezente două scene satelitare dintre care una sau ambele pot face obiectul descărcării în scop de analiză și procesare.
Imaginea selectată se află stocată pe un server specializat, la o adresă .ftp (Fast Protocol Transfer) cu o cale (path) precizată la începutul listei de fișiere gata de descărcare (Fig.9). Acestea sunt în număr diferit, în funcție de imaginea Landsat. Prima condiție este dată de numărul benzilor spectrale (șapte la Landsat TM, opt la Landsat ETM+, cu banda termală la două nivele de intercepție a radiației), la care se adaugă un fișier de metadate (datele imaginii, utile mai ales calibrării acesteia în radianță sau reflectanță), fișiere de previzualizare, fișiere de utilizare (credite) etc. Informația la nivel de bandă spectrală este arhivată (imagini în format tiff arhivate, cu extensia tiff.gz) și necesită descărcarea individuală, dezarhivare și apoi vizualizare în pachete software care operează cu imagini de teledetecție și care recunosc proiecții cartografice (comerciale sau open source).
Fig. 9. Lista fișierelor accesibile prin ftp pentru scena Landsat ETM+ nivel L1G ortorectificată, data 05-06-2000. Descărcarea se realizează individual și necesită în primul rând preluarea arhivelor ce corespund benzilor spectrale.
Identificarea fișierelor în vederea procesării lor și a vizualizării imaginilor este explicată în tabelul de mai jos. Datele corespund unei alte scene Landsat ETM+ nivel L1G, cu aceași acoperire ca a celei din figurile 7, 8 și 9 (altă dată de preluare).
Path (calea, adresa de internet a locației imaginii) : ftp://ftp.glcf.umiacs.umd.edu/glcf/Landsat/WRS2/p183/r028/L71183028_02820020510.ETM-USGS/
Fișierul | Mărimea arhivată | Mărimea reală | Momentul stocării |
---|
FISIERE DE CĂUTARE ȘI VIZUALIZARE PRELIMINARĂ
L71183028_02820020510.browse.jpg | 84337 bytes | - | Mon Sep 29 15:58:25 EDT 2003 |
L71183028_02820020510.preview.jpg | 5442 bytes | - | Mon Sep 29 16:02:37 EDT 2003 |
BENZI SPECTRALE
L71183028_02820020510_B10.tif.gz | 24151508 bytes | 62533030 bytes | Mon Sep 29 16:03:27 EDT 2003 |
L71183028_02820020510_B20.tif.gz | 25535431 bytes | 62533030 bytes | Mon Sep 29 15:59:09 EDT 2003 |
L71183028_02820020510_B30.tif.gz | 28473312 bytes | 62533094 bytes | Mon Sep 29 15:59:49 EDT 2003 |
L71183028_02820020510_B40.tif.gz | 32752650 bytes | 62533094 bytes | Mon Sep 29 16:00:56 EDT 2003 |
L71183028_02820020510_B50.tif.gz | 34158255 bytes | 62533030 bytes | Mon Sep 29 16:01:49 EDT 2003 |
L71183028_02820020510_B61.tif.gz | 5502861 bytes | 15692430 bytes | Mon Sep 29 16:02:10 EDT 2003 |
FISIER DE METADATE (DATELE IMAGINII)
L71183028_02820020510_MTL.txt | 6967 bytes | - | Mon Sep 29 15:57:41 EDT 2003 |
BENZI SPECTRALE
L72183028_02820020510_B62.tif.gz | 6915704 bytes | 15692366 bytes | Mon Sep 29 16:02:25 EDT 2003 |
L72183028_02820020510_B70.tif.gz | 31921277 bytes | 62533030 bytes | Mon Sep 29 16:04:33 EDT 2003 |
L72183028_02820020510_B80.tif.gz | 110392804 bytes | 249225522 bytes | Mon Sep 29 15:56:55 EDT 2003 |
INSTRUCȚIUNI DE FOLOSIRE, CREDITE
README.GTF | 7352 bytes | - | Mon Sep 29 15:57:59 EDT 2003 |
Modul de codificare al imaginii este compus după structura de mai jos, precizată de către Institute for Advanced Computer Studies, University of Maryland, SUA.
L7/ misiunea LANDSAT 7/ 1/nivelul de prelucrare (level)/ 183/ numărul orbitei sau path/ 028_/ numărul șirului sau row/ 028/ numărul rândului sau row / 20020510 /data înregistrării-anul,luna,ziua./ ETM/ tipul de senzor- USGS/managerul proiectului.
Fiecare bandă spectrală este o imagine digitală, în sistem 8 biți (byte) stocată sub forma unui fișier arhivat, după următorul sistem.
L7/ misiunea LANDSAT 7/ 1 /nivelul de prelucrare (level)/ 183 / numărul orbitei sau path/ 028_ / numărul rândului sau row/ 028 / numărul rândului sau row / 20020510 /data înregistrării-anul,luna,ziua/ B20 / numărul benzii (aici banda 2, verde 0,52-0,60µm)/ tif. /extensia fișierului imagine/ gz /situația fișierului (arhivat)
Fig. 10. Scena Landsat ETM+ p183r028, din 10 mai 2002, extrasă din baza de date GLCF, previzualizată în format mult diminuat ca imagine falscolor în combinația benzilor 4 (infraroșu apropiat), 3 (roșu) și verde (2), la nivelul căreia a fost delimitată regiunea ce va face obiectul analizei ulterioare.
Analiza geografică a unei imagini LANDSAT presupune într-o primă etapă alegerea spațiului ce va face obiectul interpretării. Scena satelitară cuprinde un volum informațional deosebit de mare de ordinul milioanelor de pixeli, și necesită software special pentru analiză (ex. ENVI, ERDAS etc.). Din această cauză, este necesară, după alegerea scenei (Fig. 10) sau scenelor aferente suprafeței studiate, și extragerea de subscene din suprafața scenei. Dacă regiunea analizată este cuprinsă în două sau mai multe scene, se poate construi un mozaic de imagini. Citarea sursei imaginilor din baza de date GLCF este obligatorie. Regulile sunt precizate la adresa http://glcf.umd.edu/data/landsat.
]]>Articolul iși propune să pună în lumină intr-un desfașurator istoric o ramură intens studiată în domeniul recunoașterii formelor sau computer vision numită: Structuri din Mișcare.
Aceasta ramură aparte, Structuri din Mișcare, studiază procesele de extragere a informației spațiale dintr-un șir de inregistrări bidimensionale a unei realitații fizice. Ca și model de referință studiază cum anume ochiul sau viziunea umană poate percepe și procesa conceptul “spațiu”, iar prin analogie încearcă sa găsească metodele numerice fezabile pe un sistem de calcul.
Deoarece o imagine nu este nimic altceva decât o inșiruiure numerică a unor intensități luminoase, care pot fi captate cu un senzor (un CCD spre exemplu), este foarte dificil de însușit o corelare între aceste masurători numerice și concepte umane ințelese ca fiind geometrii. Acele concepte pe care orice ființă umană (și nu numai) le ințelege cu ușurință, sunt pe cât de simple pe atât de imposibil de mimat sau descifrat numeric, cum ar fi câteva de bază: distanță, adâncime, margine, contur, etc.
Foarte important de notat în metodele descrise în acest articol este noțiunea de fezabilitate a unei metode numerice. Nu orice metodă este fezabilă și aplicabilă oricât ar parea ea de logică sau plină de sens matematic absolut. Este mai mult decât dificil de găsit o metodă fezabilă, de multe ori ea nu are logică, ori este inspirată din pură intuiție, și dacă nici intuiție atunci mai sunt șanse de căutare în modelele banale ale naturii. Fezabilitatea algoritmică definește ce se poate și ce nu pe un sistem de calcul, care este de altfel o creație inginerească limitată. Ideea de fezabilitate numerică a fost introdusă și la preocupat pe însăși Alan Turing, părintele științei moderne numită astăzi Informatică, devenit celebru după descifrarea codului ENIGMA, utilizat de nemți în comunicațiile radio din al doilea război mondial, descifrare care a influențat decisiv soarta războiului.
1988: Chris Harris și Mike Stephens, doi cercetători la compania The Plessey Company PLC din Marea Britanie, publică lucrarea intitulată A combined corner and edge detector, considerată a fi un pas foarte important în a defini niște repere cheie solide din punct de vedere numeric. Practic, ei reușesc în mod fezabil translatarea concepului uman ‘punct de reper’ în ceva exprimabil numeric, având proprietați clar definibile și determinabile cu un aparat matematic. Se enunță astfel pentru prima oară necesitatea de a introduce conceptul numit descriptor local, mai exact, în lucrare, se consideră ca fiind practic un punct luat după o regulă numerică de-a dreptul banală: colțurile !
Figura 1: Detecția colțurilor Harris pe un raster reprezentând geometrii compuse.
În Figura 1. se pot observa colțurile determinate cu metoda Harris. Metoda numerică pentru a găsi aceste colțuri este una simplă, o posibilă formulă logică enunțată schematic ar fi:
Logica descrisă mai sus nu este suficientă, deoarece un singur pixel în multe cazuri nu poate neapărat defini dacă este sau nu un colț vizual al unui grup mult mai mare de pixeli. Harris a dezvoltat această idee (mai veche de altfel) și a utilizat blocuri mai mari de pixeli (patch-uri) observând diferențele în scorul unei sume calculate către toate adiacențele carteziene posibile. Diferențele obținute înspre vecinătațile permise reflectă de fapt cu adevărat lipsa sau prezența conectivităților adiacente, la un nivel de macro-pixeli, respectiv diferențele numerice indică dacă există un gol geometric, iar în acest caz se poate clasifica drept un colț. Metoda obținută de Harris este astăzi consacrată în literatura de specialitate ca Harris corners sau colțuri Harris.
Colțurile Harris în primul rând reprezintă o metodă fezabilă numeric pe un sistem de calcul, chiar și pentru sistemele anilor 1988, acesta detectează precis cu un număr redus de puncte false ‘outliers’ colțurile într-un raster dat, fapt ce a făcut metoda să fie extrem de populară și longeviva până în zilele noastre.
O intrebare firească ar fi la ce sunt bune colțurile ? Și care ar fi valoarea lor numerică ? Raspunsul se află în Figura 2. ilustrată mai jos:
Figura 2: Invarianța colțurilor detectate cu Harris.
În perechile din Figura 2. se observă un lucru important, și anume: colțurile sunt aceleași și neschimbate în ambele imagini chiar dacă imaginea din dreapta este luată vizual din alt unghi sau este mai deformată fața de prima. După această observație se poate afirma un lucru important: colțurile detectate de Harris sunt invariante la rotire, scalare și translație !
Colțurile practic leagă cu o informatie numerică două imagini raster și ne pot spune ce anume este comun între două imagini distincte deci ele pot fi numite: descriptori locali.
Figura 3: Colțuri Harris în două imagini luate în perspective diferite.
Figura 4: Imaginile coregistrate după punctele Harris.
Figura 3 și Figura 4 exemplifică un proces de coregistrare a două imagini, în prima imagine sunt determinate colțurile de tip Harris, iar în a doua imagine, pe baza colțurilor, o imagine este proiectată în cealaltă imagine, adică este coregistrată.
O implementare numerică a colțurilor Harris poate fi gasită cu usurintă pe internet, ea fiind foarte raspandită pe site-urile laboratoarelor din cadrul universitaților preocupate de recunoașterea formelor.
În timp, metoda numerică Herris, a fost rafinată și îmbunatățită, două optimizări majore sunt reprezentate prin colțurile Susan, respectiv mai recent FAST, a căror proprietăți constă într-o detecție mai sofisticată a inflexiunilor raster cu o modalitate relativ rapidă. Utilizând grafuri și arbori de decizie, în a defini dacă un pixel este sau nu colț, se obține metoda AGAST, alintată și “faster than FAST and even FAST-ER”. AGAST a apărut public în 2010 și a fost gândit din raționamente pure de sistem de calcul, fiind conceput strict pentru a satisface o singură condiție: viteză de execuție. Se consideră că viteza este mai importantă decât corectitudinea absolută, în ideea că în pașii următori, unde vor fi folosite aceste colțuri, acestea pot fi triate după diverse necesități.
Dacă detectoarele de colțuri, care produc descriptori locali, se plasează în domeniul cartezian și sunt exprimate în coordonate bidimensione X și Y, ca fiind insăși poziția lor în poza de proveniență, atunci se ridică problema acurateții acestor descriptori în scene complexe, unde simplul element geometric colț nu este îndeajuns, sau atunci când densitatea și multitudinea colțurilor poate perturba, sau cazul în care imaginea este saracă în colțuri geometrice. În acest caz, puteți să vă imaginați o scenă color, cu niște nori, unde cu siguranță simple colțuri vor produce rezultate false.
Figura 5: Descriptori SIFT într-un proces de coregistrare.
1999: David G. Lowe profesor la Universitatea British Columbia din Vancouver, Canada, introduce un nou descriptor și un proces însoțit de acesta SIFT, prescurtarea definiției fiind: “Scale-invariant feature transform”.
Ce este SIFT ? SIFT este un descriptor al cărui rezultat este exprimat ca un vector multidimensional în spațiul R, el fiind conceput cu 128 de dimensiuni. Într-un limbaj pur laic, poate fi considerat o înșiruire de numere atribuite unui pixel, care reflectă influența adiacențelor asupra pixelului din imagine. Acesta ar putea reprezenta “horoscopul” personal: Cine este pixelul din raster ? Ce îl face pe el unic într-o imagine ? Poate că pixelul observat mai atent, luând în considerare vecinii lui, prezintă nuanțe violet spre rosu s.a.m.d., care îi confirma o identitate complet unică. De altfel, afirmația laică enunțată, este doar o analogie ilustrativă, SIFT operând doar pe intensitățile imaginilor gri, nu color.
Figura 6: Schema de calcul SIFT.
Un vector SIFT este calculat ca și suma ponderată a valorilor normale (intensități), peste un gradient (grupuri de pixeli), luați adiacenți fată de pixelul analizat, unde factorul de pondere a sumelor depinde de distanța față de pixelul central analizat. Adiacența este lconsiderată a fi una carteziană.
SIFT devine brusc metoda de reper absolut în domeniu, rezultatele obținute fiind net superioare colturilor Harris, reprezintă calitați de invarianță foarte ridicată la aproape orice: rotire, scalare, translație. Totuși se ridică o nouă problemă: cum se pot corela acești vectori între două imagini?
Dacă colțurile Harris erau simple perechi de valori X și Y, SIFT este un vector multidimensional, o comparație între doi vectori în scopul de a vedea, între două imagini, care perechi se potrivesc. Se ajunge astfel la o preocupare intensă către metodele eficiente de “key matching”, sau corelare de puncte în spații multidimensionale.
Pornind de la ideea, că pașii de corelare sau “key matching” ai vectorilor nu sunt altceva decât o problemă de segmentare sau partiționare valorică a elementelor vectoriale, apar și primele abordări cum ar fi Best Bin First sau K-D Tree, culminând cu implementarea numerică botezată ANN.
Figura 7: ANN, segmentare ilustrativă în spațiu multidimensional.
Metoda ANN presupune o aliniere ierarhică a membrilor vectoriali într-un hiperplan multidimensional, unde se întâmplă o segmentare spațială, rezultatul fiind doar unul “aproximativ”. Această aproximare se dovedește în practică a fi suficientă dacă se folosește o mulțime mare de vectori, ca de exemplu descriptori SIFT generați din imagini.
În căutarea unei metode mai rapide și fezabile pe un sistem de calcul, apare FLANN, o suita soft compusă din două metode (amintite anterior) care alternează în funcție de caz, pentru a obține rezultate rapide, respectiv este adecvată și pe sisteme de calcul masiv, în paralel utilizând standardul MPI.
Figura 8: Schematizarea metodei DAISY, comparată cu modelul petalelor unei flori.
2008: Engin Tola, Pascal Fua și Vincent Lepetit de la EPFL CVLab din Lausanne, Elveția, publică in cadrul CVPR ediția 2009 lucrarea intitulată A fast local descriptor for dense matching. Articolul prezintă un descriptor cu totul nou, similar cu SIFT, având ca rezultat tot vectori multidimensionali, concepuți cu 192 de elemente. DAISY prezintă ceva unic fată de SIFT, se calculează mult mai ușor, iar anumiți pași de calcul ai gradienților din jurul pixelului sunt simplificați dramatic. În schimb, modalitatea de eșantiontiare a adiacențelor, este ingenios inspirată din natură, conform dispunerii radiale a petalelor unei flori, ilustrat în Figura 8. Tocmai această dispunere garantează superioritatea noului descriptor local, și il scutește de calcule expensive.
DAISY permite calculul descriptorilor pentru absolut toți pixelii dintr-o imagine, iar vectorii rezultați garantează o invarianță superioară. Pentru prima oară se merge dincolo de a corela doar două poze intre ele, și se incearcă cu rezultate foarte bune, ceva ce părea imposibil înainte: calculul eficient a unui “depth-map” sau harți de adâncime chiar și din două poze complet mono oculare, sau ne-aliniate optic într-un format “stereo” restituibil. Rezultatul calculului este un pas important spre a reflecta realitatea 3D a pozelor oarecare. În 2009 se publică un studiu care evidențiează calitățile DAISY în calcule “depth-map”, întitulat DAISY: An Efficient Dense Descriptor Applied to Wide Baseline Stereo.
Atât DAISY cât și SIFT sunt descriptori multidimensionali exprimați ca numere reale, mai exact cu valori numerice de la 0…255, de tip unsigned char. Fiind exprimat ca unsigned char, practic un membru al vectorului, ocupa exact un octet din memorie. O imagine modestă de 5 Mpix, descrisă pentru toți pixelii cu un descriptor DAISY, va însuma 5.000.000 pixeli x 192 octeți = 960 Mocteți, adică pentru o singură imagine reprezintă limita unui sistem de calcul decent. Pentru determinări “depth-map” peste mai multe imagini este nevoie de un sistem dotat în primul rând cu memorie RAM.
Două abordări:
“Rarefiat“ (Sparse): Având în vedere resursele de memorie limitate, o abordare care urmărește obținerea de modele 3D, fară calcul “depth-map” din rasteri, ar consta în a ne limita doar la determinarea elementelor comune între poze și nu a merge până la un “depth-map” cu toți pixelii. Asta de ce nu chiar cu Harris, sau cel mai potrivit DAISY sau SIFT, poate chiar o combinație succesivă între ele. Se poate observa relația între poze cu metode și măsurători sugerate de Thales sau Pitagora, însemnând operații cu unghiuri și determinări de poziții, adică elemente clasice de geometrie. Nu este nevoie de un calcul complet al descriptorilor locali pe toată imaginea. Se poate merge pe ideea de a colecta colțuri Harris în mod nepretențios cu FAST sau AGAST, respectiv pentru fiecare dintre aceste colțuri găsite se poate efectua un calcul mult mai precis DAISY sau SIFT. Astfel, găsim o reprezentare rarefiată dar suficientă pentru a corela corect și precis, două sau mai multe imagini. Deoarece punctele multidimensionale găsite reprezintă un procent mic din imagine nu se ridică probleme de memorie a sistemului.
Figura 9: Starea scenei optice cu puncte “rarefiate” comune din imagini.
În Figura 9 se pot observa punctele P1…Pn determinate ca fiind cele comune imaginilor. Utilizarea simplă a teoremelor Thales și Pitagora nu este neapărat suficientă pentru a determina pozițiile exacte a camerelor în spațiu, deoarece necunoscutele sunt matricile R,T (rotație, translație) particulare fiecărei camere în parte. Avem un sistem de ecuații complex f(R,T,P) în care doar P1…Pn sunt cunoscute relativ la imaginile de proveniență, eventual și distanțele focale ale lentilelor (din informația EXIF), care poate fi un ajutor minor. Metoda Levenberg-Marquardt poate minimiza și oferi soluția fiecărui set R și T din multitudinea de puncte P cunoscute. LMA (Levenberg-Marquardt) este utilizată în această metodă numerică cunoscută și ca SBA (Sparse Bundle Adjustment). Rezultatul conduce la obținerea realității 3D vectoriale a intregii scene la modul “rarefiat”, iar punctele P1…Pn sunt realiniate corect in spațiu, din moment ce R,T-urile specifice camerelor sunt determinate exact.
Odată ce modelul “rarefiat” este determinat, acesta poate fi densificat în pașii următori. Yasutaka Furukawa, în proiectul public PMVS, prezintă o soluție simplă de post-densificare, utilizând ideea de a proiecta din imaginile raster înspre scena determinată, niște grupuri de pixeli (patchuri), împreună cu informația de culoare. Implementarea se numește: “Patch based multi-view stereo”. Cu ajutorul PMVS s-au obținut rezultate impresionante în reconstrucția întreagă a unui oraș: “Building Rome in a day”, doar din imagini luate de către turiști și postate pe servicii publice: Picasa, Flickr, Panoramio.
Metoda “rarefiată” este adecvată chiar și pentru zeci de mii de poze și fezabilă pe un sistem de calcul decent. Precizia scenei poate umili chiar și un LIDAR, dealtfel foarte costisitor, în plus modelul final este unul color.
“Profund“ (Dense): Este abordarea densă de a calcula “depth-map” integral chiar dacă ridică probleme de memorie. În acest scop, se încearcă reducerea dimensională a vectorilor DAISY sau SIFT având impact final intr-un spațiu mai mic necesar stocării. S-au încercat diverse metode de a reduce cei 128 sau 192 de membrii ai vectorilor. O asemenea încercare, mai veche de altfel, este SIFT-PCA, încercare de a reduce dimensionalitatea cu Principal Component Analisys. S-a mai încercat un calcul SIFT la doar jumatate din proces cu 64 de elemente ai vectorilor, fară a afecta foarte mult calitatea de invarianță, dar insuficient pentru a reduce consumul de memorie.
În anul 2007 Yair Weiss studiează modalități de a reduce dimensionalitatea vectorilor și aduce la lumină o metodă și un mecanism extrem de ingenios, numit Spectral Hashing. Preocupat profund de procese neuronale, publică lucrarea sa împreună cu Antonio Torralba si Rob Fergus, intitulată “Spectral Hashing”, în cadrul NIPS ediția 2008. Aceasta este o lucrare foarte elegantă și cu o idee complet originală. Ei demonstrează, în mod mai mult decât fezabil, reducerea în dimensionalitate a unei baze de date cu 80 milioane de vectori, a câte 512 dimensiuni, fără probleme (proiectul LabelMe), proiect ce uimește motoare de căutare populare consacrate pentru imagini: Google sau Yahoo!. Marele secret a lucrării este translatarea metricii vectorilor din spațiu Euclidian în metrici ale spațiului Hamming, care se dovedește a fi un pas extrem de important pentru digestia vectorilor, cu o viteză fără precedent pe un sistem de calcul obișnuit, și de data aceasta cu un consum de memorie care a scăzut dramatic. Practic, problema esențială se rezumă la ce înțelegem la prima vedere prin metrică așa cum o știm de la Euclid și ce este capabil un sistem de calcul sa înțeleagă prin metrică, dar în mod eficient! Autorii iși permit în mod entuziast să afirme în lucrarea lor oficială, chiar în prefață: “Our experiments show that our codes outperform the state-of-the art“.
Experimente anterioare au mai existat ca de altfel și LSH, sau chiar ANN și FLANN menționate anterior sunt neperformante, deoarece sunt concepute să opereze doar în metrică Euclidiană dovedită acum a fi costisitoare pe un sistem de calcul.
Cristoph Strecha, Laussane, Elveția, în lucrarea întitulată LDAHash: Improved matching with smaller descriptors reușește sa reducă dimensionalitatea vectorilor SIFT și DAISY foarte elegant în spațiul Hamming, inspirat de Y. Weiss și ajustează astfel performanțele metodei dense ce utilizează “depth-map”, mergând doar pe linia “Profundă“. El reușește să facă complet utilizabilă ideea de a calcula descriptori locali pentru absolut toți pixelii și demonstrează fezabilitatea “depth-map” chiar și pentru imagini de rezoluție foarte înalta de 80Mpix, în scopuri dedicate special fotogrametriei și teledetecției. Lucrarea este întitulată “Efficient Large Scale Multi-View Stereo for Ultra High Resolution Image Sets” în care cei de la Laussane incluzând Engin Tola și Pascal Fua descriu întregul proces.
Distanța Hamming
Figura 10. Distanțe în spațiul Hamming.
Spațiul Hamming (Figura 10) este compus din două posibile valori: 1 și 0. Este un spațiu al valorilor binare unde distanța dintre două numere se calculeză cu o operatie logică XOR (sau exclusiv) între cele două valori binare, urmată de o numărătoare a populației de 1 în rezultatul obținut, numit POPCNT “population count”. Valoarea populației stărilor 1 reflectă logic distanța dintre cele două valori inițiale. Spre exemplu, dacă populația nu conține nici un 1 binar, atunci valorile inițiale coincid, deoarece XOR anulează valorile identice între ele. Un CPU oarecare de pe sistemele moderne de calcul poate digera aceste două operații în mod nativ, la o viteză numită “full pipeline speed” (direct pe linia de asamblare internă). Este evident că operațiile Euclidiene obișnuite de adunare, multiplicare sau diviziune, reprezintă o povară imensă pentru un CPU în față cu operațiile logice din spațiul Hamming. În plus, imaginați-vă că acești vectori exprimați în spațiul Hamming necesită considerabil mult mai puțină memorie de sistem.
BRISK sau “Binary Robust Invariant Scalable Keypoints” este un nou descriptor conceput direct în spațiul Hamming. Prezentat de către Stefan Leutenegger, Margarita Chli și Roland Siegwart de la ETHZ Zuerich, Elveția, în cadrul ICCV ediția 2011, reprezintă “descriptorul“ care evoluează natural din performanțele și aspectele DAISY, respectiv cunoștințele și avantajele spațiului Hamming. Superioritatea acestui descriptor este evidentă, el corectează neajunsurile toturor descriptorilor din care a evoluat. Greu de imaginat dacă este posibilă o îmbunătățire a acestui prototip avansat, dar cu siguranță deține potențialul să redefinească sau să simplifice toate aplicațiile enumerate în acest articol. BRISK este și el public iar implementarea este licențiată GPLv3. Librăria înglobează în plus pașii de “key matching” sau corelare a vectorilor în spațiul Hamming, respectiv oferă niște subvariante optimizate pentru arhitecturile moderne de calcul, profită din plin de instrucțiunile vector disponibile pe arhitecturile Intel SSE2, SSE3 și SSE4.
]]>Foehnul este un vânt cald specific regiunilor montane. Foehnul este posibil tot anul, dar frecvența cea mai mare se realizează iarna și primăvara, diferențiat local în raport de tipul de circulație. Foehnul depinde de condițiile topografice pe scară mică, dar condițiile pe o scară mai mare decât cea a regiunilor în care el se produce trebuie să fie adecvate pentru a-l face posibil.
Cunoașterea caracteristicilor climatice ale foehnului sunt necesare pentru motive de siguranță în aviație (parapanta și deltaplanul sunt afectate de valori ale vântului foehn relativ slabe, în timp ce aeronavele comerciale mai mari sunt puse în primejdie numai de cele mai puternice foehnuri sau în anumite situații topografice), sănătatea populației (dispersia poluanților atmosferici), activități recreative etc.
Foehnul, în regiunea de nord a Olteniei, este un fenomen pe scară mică ce depinde strâns de caracteristicile topografice. Intensitatea foehnului în nordul Olteniei nu are amplitudinea celui de la Curbura Externă a Carpaților, dar mai ales a celui din regiunea Munților Alpi, unde efectul este mult mai pronunțat ca urmare a altitudinilor mai mari și mase de aer cu un conținut mare de umezeală la contactul cu Munții Alpi comparativ cu cele care ajung în regiunea Carpaților Meridionali.
Pentru a identifica fenomenul este necesară o rețea de puncte de măsurare cât mai fină. În acest context, imaginile satelitare METEOSAT8 (MSG) reprezintă o unealtă de lucru incontestabil necesară. Marele avantaj al imaginilor MSG îl constituie rezoluția temporală (15 minute).
În ultimii ani, imaginile satelitare sunt din ce în ce mai utilizate pentru urmărirea și analiza fenomenelor meteorologice. Identificarea foehnului pe baza imaginilor satelitare constituie o metodă indirectă de analiză.
Se pot utiliza atât imaginile brute din domeniul vizibil de foarte înaltă rezoluție (HRV – High Rezolution Visible) pe timpul zilei sau imaginile din domeniul InfraRoșu (IR) și din domeniul vaporilor de apă (WV) atât pe timpul zilei cât și pe timpul nopții, dar și imagini compuse rezultate din combinații de benzi spectrale (reprezentări fals – color). Pentru identificarea foehnului s-au folosit imaginile satelitare METEOSAT8 brute, cât și imagini compuse în formatul .tiff, din arhiva Administrației Naționale de Meteorologie. Analiza sinoptică folosește imaginile satelitare la nivelul Europei pentru o mai bună identificare și urmărire a evoluției centrilor barici și a sistemelor noroase, la scară regională. Pentru analiza foehnului în nordul Olteniei au fost selectate și vor fi prezentate imaginile satelitare reprezentative doar la nivelul țării.
Domeniul HRV oferă informații despre grosimea sistemelor noroase numai pe timpul zilei. Astfel, norii superiori (exemplu nori subțiri) sunt reprezentați pe imagini în tonuri de gri, cu cât densitatea norului crește și prin urmare și grosimea acestuia culoarea tinde spre alb, (exemplu norii cu dezvoltare verticală: Cumulonimbus). Identificarea ceței este posibilă numai prin folosirea de imagini consecutive: bancurile de ceață rămân în același loc, pe când norii se mișcă.
Domeniul IR este în funcție de temperatura de strălucire. Imaginile MSG au șase canele în domeniul IR (3.9, 8.7, 9.7, 10.8, 12.0 și 13.4), în care se fac observații și ziua și noaptea. Pe imaginile din domeniul IR, norii superiori reci, formați în totalitate din cristale de gheață mari sunt albi (cu cât vârfurile sunt mai reci cu atât sunt mai albi), iar norii mijlocii și inferiori alcătuiți, atât din picături de apă cât și cristale de gheață sunt reprezentați în tonuri de gri (vârfurile sunt mai calde), iar negru reprezintă suprafața terestră sau apa.
Pe imaginile satelitare din domeniul WV, aerul uscat din troposfera înaltă este reprezentat cu negru, iar cu cât aerul este mai umed cu atât culorile tind spre gri deschis și dens. Imaginile din domeniul WV sunt utilizate cu precădere pentru analiza maselor de aer [1].
Condițiile de bază ce conduc la un proces foehn sunt o masa de aer umedă și curgerea acesteia perpendiculară pe un lanț muntos. Atingând lanțul muntos, aerul este forțat să se ridice. Pe versanții expuși, din cauza barajului orografic se produce ascensiunea forțată a aerului, însoțită de destinderea adiabatică, răcirea și condensarea vaporilor de apă, dacă este suficentă umezeală conținută în masa de aer. Inițial răcirea masei de aer se realizează după adiabata uscată (1°C/100m) până la atingerea saturației. În continuare, începe condensarea și mai departe răcirea după adiabată umedă (0.65°C/100 m). Până la înălțimea vârfurilor muntoase masa de aer pierde o mare parte din conținutul de umiditate și poate fi socotită relativ uscată [2]. Pe versanții adăpostiți se petrec coborârea și încălzirea asociată în regimul adiabat uscat. În consecință, aerul se încălzește în timpul coborârii într-un ritm mai alert decât cel al răcirii din faza de ascensiune, ajungând la poalele munților sub forma unui vânt foarte uscat, cald și puternic – foehn (figura 1).
Figura 1. Procesele meteorologice care au loc pe cei doi versanți
(prelucrare după www. zamg.ac.at)
Identificarea sistemelor noroase pe imaginile satelitare oferă informații (indirect) despre prezența foehnului, figura 2:
Figura 2. Sistemele noroase și procesele meteorologice
specifice foehnului (prelucrare după www.zamg.ac.at)
Interpretarea imaginilor din domeniul HRV este mult mai accesibilă ochiului uman (față de imaginile din domeniul IR sau WV) datorită contrastului puternic dintre diferitele tipuri de suprafețe înregistrate. Prin urmare pe imaginile satelitare HRV se pot identifica [3]:
Figura 3. Imagine METEOSAT8 HRV ( 6.10.2008, h 09:30UTC)
1. nu se mai formează nori (figura 4);
Figura 4. Identificarea norilor de baraj orografic ce se formează la traversarea munților, imagine HRV (18.09.2008, h 6:00 UTC)
2. se formează nori de undă. Norii de undă se vor forma acolo unde există un surplus de umezeală în partea superioară a undei de adăpost (creasta undei) și acolo unde există mișcare ascendentă. În sectoarele cu mișcare descendentă norii se vor disipa. Rezultatul este formarea de linii de nori de adăpost paralele cu lanțul montan traversat.
Norii de undă sunt caracterizati printr-o bandă îngustă de nori mijlocii (cu extindere verticală redusă), perpendiculari pe direcția vântului și paraleli cu lanțul montan. Acești nori se pot observa cu ușurință pe imaginile satelitare. Pe imaginile din domeniul vizibil aceștia sunt întotdeauna albi (figura 5).
Figura 5. Identificarea norilor de undă ce se formează în urma traversării munților, imagine din domeniul vizibil (16.01.2009, h 10.30 UTC)
3. prezența norilor superiori alcătuiți din cristale de gheață, (figura 3).
Aceleași caracteristici, ca în cazul imaginilor din domeniul vizibil, se pot identifica și pe imaginile din domeniul IR (figura 6).
Figura 6. Imagine METEOSAT8 IR ( 6.10.2008, h 09:30UTC)
Marele avantaj al imaginilor din domeniul IR îl contituie disponibilitatea lor pe durata nopții. Descifrarea nuanțelor de gri pe imaginile IR este următoarea [3]:
Figura 7. Identificarea norilor de undă ce se formează în urma traversării munților, imagine din domeniul IR (16.01.2009, h 10.30 UTC)
Pe durata nopții, alături de imaginile din domeniul IR, se folosesc și imagini compuse (fals-color) obținute prin combinații de benzi spectrale. În această situație utilizarea diferitelor canale spectrale din domeniul IR sau al vaporilor de apă ajută la idenitificarea tipurilor de nori. Folosind o combinație de benzi, produsul 014 cu R=IR12.0-IR10.8; G=IR10.8-IR3.9; B=IR10.8 (figura 8) se pot identifica tipurile de nori pe etaje altitudinale. O altă combinației este produsul 018 cu R=WV6.2-WV7.3; G=IR9.7-IR10.8; B=WV6.2 (figura 9) cu ajutorul căruia se pot identifica tipurile de nori pe etaje altitudinale, dar și tipurile de mase de aer (calde și reci).
Figura 8. Imagine compusă, produsul 014 (R=IR12.0-IR10.8; G=IR10.8-IR3.9; B=IR10.8), din 6.10.2008, h 2:30UTC
Figura 9. Imagine compusă, produsul 018 (R=WV6.2-WV7.3; G=IR9.7-IR10.8; B=WV6.2), din 6.10.2008, h 2:30UTC
Alternativ, acumularea zăpezii poate fi măsurată în teren, folosind imaginile satelitare, sau modele statistice (asa cum sunt regresiile si rețelele neurale). Măsurătorile din teren redau o descriere fidelă a proprietăților așa cum sunt grosimea, profilul și structura acesteia. Dar, ele sunt doar valori punctuale, atât spațial cât și temporal. De asemenea, colectarea de date din teren este constrânsă de accesibilitate, condițiile meteo si de cele mai multe ori este foarte costisitoare. Pentru a îmbunătăți rezoluția spațială și temporală pot fi folosite serii de imagini satelitare [Turpin, 1999]. Restricționările imaginilor se datorează prezenței norilor și intervalelor, uneori mari, dintre înregistrări.
Pentru analiza grosimii stratului de zăpadă s-au utilizat imagini satelitare ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) precum si date măsurate în teren, iar ca metodă de lucru s-a folosit regresia lineară.
ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) este un instrument avansat de obținere a imaginilor satelitare multispectrale ce a fost lansat la bordul misiunii Terra în decembrie 1999. El acoperă o regiune spectrală largă, cu 14 benzi (Tabelul 1) de la vizibil la infraroșu termal, cu o rezoluție spațială, spectrală și radiometrică ridicată. De asemenea, o bandă din apropierea infraroșului prezintă proprietăți stereometrice. Rezoluția spațială variază cu lungimea de undă: 15 m în vizibil și infraroșu apropiat (VNIR), 30 de m în banda scurtă infraroșu (SWIR) și 90 de metri în infraroșu termal (TIR). Fiecare imagine ASTER acoperă o suprafață de 60 × 60 km.
Subsistem | Nr. Bandă | Interval spectral (µm) | Rezoluție spațială (m) |
---|---|---|---|
VNIR | 1 | 0.52-0.60 | 15 |
VNIR | 2 | 0.63-0.69 | 15 |
VNIR | 3N | 0.78-0.86 | 15 |
VNIR | 3B | 0.78-0.86 | 15 |
SWIR | 4 | 1.60-1.70 | 30 |
SWIR | 5 | 2.145-2.185 | 30 |
SWIR | 6 | 2.185-2.225 | 30 |
SWIR | 7 | 2.235-2.285 | 30 |
SWIR | 8 | 2.295-2.365 | 30 |
SWIR | 9 | 2.360-2.430 | 30 |
TIR | 10 | 8.125-8.475 | 90 |
TIR | 11 | 8.475-8.825 | 90 |
TIR | 12 | 8.925-9.275 | 90 |
TIR | 13 | 10.25-10.95 | 90 |
TIR | 14 | 10.95-11.65 | 90 |
Tabelul 1. Intervale spectrale ASTER
Instrumentul ASTER furnizează aproximativ 650 de imagini pe zi, dintre care unele au nivelul de procesare Level 1A, iar altele (aproximativ 150) au nivelul de procesare Level 1B. Toate imaginile sunt transferate în arhiva EOSDIS de la centrul de date EROS, pentru stocare, distribuție și procesare, iar ulterior, pentru obținerea unor produse cu un nivel calitativ mai ridicat. Formatul de stocare este HDF-EOS. ASTER reprezintă o cooperare între NASA și Ministerul Economiei și Comerțului din Japonia, cu colaborarea unor organizații științifice și industriale din ambele țări.
Misiunea Terra are o orbită circulară, aproape polară la o altitudine de 705 km. Orbita se sincronizează cu Soarele și traversează ecuatorul la ora locală 10.30 AM, întorcându-se la aceeași orbită la fiecare 16 zile. Subsistemul VNIR ( Vizibil Infraroșu Apropiat) este alcătuit din doua ansambluri telescopice independente care minimizează distorsionarea imaginii. VNIR extrage automat informația corectă bazată pe o poziție orbitală ce acoperă o suprafață de 4000 de pixeli, furnizată de către platforma EOS ( Earth Observing System). Subsistemul SWIR (Infraroșu de Undă Scurtă) utilizează un singur telescop de refracție asferic. Există 6 filtre optice folosite pentru separația spectrală. Un dispozitiv de calibrare similar este utilizat și pentru subsistemul VNIR pentru calibrarea în timpul zborului, diferența constând in faptul că subsistemul SWIR are un singur asemenea dispozitiv. Subsistemul TIR (Infraroșu Termal ) utilizează un sistem newtonian catadioptric cu o oglindă primară asferică și lentile pentru corecții. Spre deosebire de celelalte două subsisteme, acesta fixează și scanează cu ajutorul unei oglinzi. El poate furniza informații utile atât pe timpul zilei cât și noaptea.
Se diferențiază două tipuri de date: cele cu un nivel de procesare L1A și cele L1B. Datele L1A sunt definite ca date neprocesate și reconstruite la rezoluție maximă. Ele sunt reprezentate prin imagini, coeficienți radiometrici, coeficienți geometrici și alte date auxiliare, fără aplicarea acestor coeficienți la datele imaginilor, menținând valorile originale ale datelor. Datele L1B sunt generate prin aplicarea acestor coeficienți în scopul calibrării radiometrice și geometrice.
Regresia liniară
Analizează relația dintre două variabile: X și Y. Pentru fiecare temă (sau unitate experimentală) se știu atât X, cât și Y și se dorește a se ști cea mai bună linie dreaptă dintre date. În unele situații, panta poate avea un înțeles științific. În alte cazuri, linia de regresie liniară se folosește ca o curbă standard pentru a calcula noi valori ale lui X din Y sau invers.
Prisma determină și multiplică cele mai potrivite linii de regresie liniară, incluzând opțional un interval de încredere de 95% sau intervale de benzi de predicție de 95%. De asemenea, se poate determina ca linia sa treacă printr-un anumit punct (de obicei originea), se pot calcula reziduale sau se pot compara pantele a două sau mai multor linii de regresie.
În general, scopul regresiei liniare este de a găsi linia care redă cel mai bine Y din X. Aceasta operațiune este realizată de către regresia liniară, găsind linia care diminuează suma pătratelor distanțelor verticale ale punctelor de pe linie. Se presupune că datele sunt liniare și se găsește panta care să traseze o linie dreaptă și care să se potrivească cel mai bine informațiilor.
De pe imaginile ASTER, s-au extras valorile reflectanței în punctele în care s-au avut date măsurate în teren privind grosimea stratului de zăpadă. Pentru aceasta s-a folosit banda infraroșu mediu de la ASTER (banda 4) (Fig.1), bandă în care zăpada prezintă cel mai bun răspuns spectral [Dozier, J. și Painter, T. H., 2004].
Figura 1. Banda 4 ASTER (Infraroșu mediu)
Astfel, pe bază valorilor grosimii stratului de zăpadă și a valorilor reflectanței de la stațiile meteorologice (Tabelul 2), s-a putut obține o imagine de ansamblu, pe toată suprafața munților Bucegi, referitoare la distribuția stratului de zăpadă și a grosimii acestuia (data de 1 martie 2003) folosind următoarea ecuație:Y= 1,31+0,02*X, unde:
-Y reprezintă grosimea stratului de zăpadă;
-X reprezintă banda 4 de la ASTER;
-1,31 este segmentul de axă;
-0,02 reprezintă panta.
Stație meteorologică | Altitudine (m) | Grosimea stratului de zăpadă (cm) | Reflectanță |
---|---|---|---|
Vf. Omu | 2505 | 41.25 | 2.3 |
Sinaia | 1090 | 85.5 | 3.5 |
Predeal | 1500 | 47.75 | 2.75 |
Fundata | 1383 | 50.25 | 3.1 |
Câmpina | 436 | 12 | 1.5 |
Tabelul 2. Măsurători la stații meteorologice
Folosind metodologia de mai sus s-a obținut harta variației grosimii stratului de zăpadă în Munții Bucegi la data de 1 martie 2003. Se poate observa că stratul de zăpadă a avut grosimi cuprinse între 32 și 82 cm. Predominante au fost suprafețele cu o valori între 35-40 cm, acestea deținând o pondere de 69,3% din total. (Fig.2).
Figura 2. Harta grosimii stratului de zăpdă în Munții Bucegi în data de 1 martie 2003
Ulterior am analizat acest parametru în funcție de alți indicatori morfometrici: pantă, curbura în profil și hipsometrie (Fig.3, 4, 5).
Figura 3. Variația grosimii stratului de zăpadă comparativ cu valoarea pantelor
Figura 4. Variația grosimii stratului de zăpadă în funcție de curbura în profil
Figura 5.Variația grosimii stratului de zăpadă în raport cu treptele de altitudine
Metologia prezentată mai sus oferă o bună imagine asupra distribuției spațiale, chiar dacă există unele erori. Va fi necesară o validare a produselor ASTER, folosind mai multe date de teren, pentru cuantificarea bună a erorilor.
Abrams, M., ASTER Users Handbook, Vol. 2.
Pfeffer,K., (2003), Integrating spatio-temporal environmental models for planning ski runs
Tappeiner,U., (2001), GIS-based modelling of spatial pattern of snow cover duration in an alpine area.