daljinsko zaznavanje krištof oštir Krištof Oštir Daljinsko zaznavanje Krištof Oštir Daljinsko zaznavanje © Inštitut za antropološke in prostorske študije ZRC SAZU, 2006 Recenzija: Mojca Kosmatin Fras in Marko Komac Lektoriranje: Helena Dobrovoljc Oblikovanje naslovnice: Milojka Žalik Huzjan Izdelava ilustracij: Žiga Kokalj, Krištof Oštir in Klemen Zakšek Prelom: Krištof Oštir Izdajatelj: Inštitut za antropološke in prostorske študije ZRC SAZU Za izdajateja: Ivan Šprajc Založnik: Založba ZRC Za založnika: Oto Luthar Glavni urednik: Vojislav Likar Tisk: Tiskarna Ljubljana d.d. Naklada: 500 izvodov Ilustracija na ovitku: Vizualizacija Zemlje, ustvarjena z uporabo podatkov Blue Marble Next Generation in digital- nega modela višin GTOPO30. Blue Marble Next Generation je obdelan mozaik posnetkov, ki jih je leta 2004 ustvaril MODerate resolution Imaging Spectroradiometer (MODIS), nameščen na satelitu Terra. Izvirni podatki so last National Aeronautics and Space Administration (Earth Observatory) in US Geological Survey, prikaz pa je izdelal Žiga Kokalj. Izid publikacije je podprla Javna agencija za raziskovalno dejavnost Republike Slovenije. CIP – Kataložni zapis o publikaciji Narodna in univerzitetna knjižnica, Ljubljana 528.8 OŠTIR, Krištof Daljinsko zaznavanje / Krištof Oštir. – Ljubljana : Založba ZRC, 2006 ISBN-10 961-6568-72-8 ISBN-13 978-961-6568-72-2 230389504 © 2006, Založba ZRC, ZRC SAZU Vse pravice pridržane. Noben del te izdaje ne sme biti reproduciran, shranjen ali prepisan v kateri koli obliki oziroma na kateri koli način, bodisi elektronsko, mehansko, s fotokopiranjem, snemanjem ali kako drugače, brez predhodnega pisnega dovoljenja lastnikov avtorskih pravic (copyrighta). Daljinsko zaznavanje Krištof Oštir Ljubljana 2006 Timu »Sem znanstvenik in vem, kaj je potrebno za dokaz. Vendar se kličem po svojem otroškem imenu tudi zato, ker se s tem opominjam, da mora biti znan- stvenik brez pridržkov tudi kot otrok. Če vidi stvar, mora reči, da jo vidi, pa če je tisto, kar je mislil, da bo videl, ali ne. Najprej poglej, potem pomisli, in nazadnje preveri. Ampak vedno najprej poglej. Drugače boš videl samo to, kar si pričakoval. Večina znanstvenikov pozablja na to. No, in drugi razlog, da se kličem Pametni Wonko, je ta, da bi ljudje mislili, da sem nor. Zaradi tega si lahko privoščim, da povem, kar vidim. Ne moreš biti znanstvenik, če te skrbi, da bi ljudje mislili, da si nor.« Pametni Wonko Arthurju in Fenchurch Zbogom in hvala za vse ribe Douglas Adams, 1952–2001 Prevedel Alojz Kodre Vsebina 1 Definicija daljinskega zaznavanja 13 2 Kratka zgodovina daljinskega zaznavanja 15 3 Elektromagnetno valovanje 21 3.1 Opis valovanja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.2 Spekter elektromagnetnega valovanja . . . . . . . . . . . . . . . . . . . . 23 4 Interakcija z atmosfero 25 4.1 Sipanje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.2 Absorpcija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.3 Lom valovanja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 5 Interakcija s površjem 31 5.1 Spektralni podpis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 6 Sistemi daljinskega zaznavanja 37 6.1 Platforme daljinskega zaznavanja . . . . . . . . . . . . . . . . . . . . . . 37 6.2 Tirnice satelitov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 6.3 Pasivni in aktivni senzorji . . . . . . . . . . . . . . . . . . . . . . . . . . 44 7 Ločljivost snemalnih sistemov 47 7.1 Prostorska ločljivost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 7.2 Spektralna ločljivost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 7.3 Radiometrična ločljivost . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 7.4 Časovna ločljivost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 8 Optični senzorji 55 8.1 Fotografske kamere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 8.2 Večspektralno skeniranje . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 8.2.1 Prečni skenerji . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 8.2.2 Vzdolžni skenerji . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 8.3 Termično snemanje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 7 Vsebina 9 Radar 65 9.1 Radar bočnega pogleda . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 9.2 Umetno odprtinski radar . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 9.3 Interakcija mikrovalov s površjem . . . . . . . . . . . . . . . . . . . . . . 68 10 Lidar 73 10.1 Delovanje lidarja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 10.2 Obdelava podatkov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 11 Satelitski sistemi za opazovanje Zemlje 81 11.1 Vremenski sateliti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 11.1.1 GOES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 11.1.2 NOAA AVHRR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 11.1.3 Meteosat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 11.2 Sateliti za opazovanje kopnih površin . . . . . . . . . . . . . . . . . . . . 87 11.2.1 Landsat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 11.2.2 SPOT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 11.2.3 IKONOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 11.2.4 QuickBird . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 11.3 Sateliti za opazovanje morja . . . . . . . . . . . . . . . . . . . . . . . . . 99 11.3.1 SeaWiFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 11.4 Radarski sistemi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 11.4.1 ERS-1 in ERS-2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 11.4.2 Envisat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 11.4.3 RADARSAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 11.4.4 Shuttle Radar Topography Mission . . . . . . . . . . . . . . . . . 108 12 Prenos in sprejem podatkov 111 13 Interpretacija podob 113 14 Vizualna interpretacija 119 15 Predobdelava podob 123 15.1 Odprava napak v delovanju senzorjev . . . . . . . . . . . . . . . . . . . . 123 15.1.1 Manjkajoče vrstice . . . . . . . . . . . . . . . . . . . . . . . . . . 124 15.1.2 Odstranitev prog . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 15.2 Geometrijski popravki in registracija . . . . . . . . . . . . . . . . . . . . 125 15.2.1 Prevzorčenje podob . . . . . . . . . . . . . . . . . . . . . . . . . 128 15.3 Atmosferski popravki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 15.4 Popravki osvetlitve in vpliva terena . . . . . . . . . . . . . . . . . . . . . 131 15.5 Kalibracija podatkov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 16 Izboljšanje podob 137 16.1 Človeški vid in barvni prostori . . . . . . . . . . . . . . . . . . . . . . . 137 16.2 Izboljšanje kontrasta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 16.2.1 Linearni razteg kontrasta . . . . . . . . . . . . . . . . . . . . . . 142 16.2.2 Uravnoteženje histograma . . . . . . . . . . . . . . . . . . . . . . 143 16.2.3 Gaussov razteg histograma . . . . . . . . . . . . . . . . . . . . . 146 16.3 Psevdobarvni prikazi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 8 Vsebina 16.3.1 Razrez na nivoje . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 16.3.2 Psevdobarvna transformacija . . . . . . . . . . . . . . . . . . . . 151 16.4 Filtriranje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 16.4.1 Konvolucijsko filtriranje . . . . . . . . . . . . . . . . . . . . . . . 153 16.4.2 Nizkoprepustni filtri . . . . . . . . . . . . . . . . . . . . . . . . . 154 16.4.3 Filter mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 16.4.4 Gaussov filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 16.4.5 Visokoprepustni filtri . . . . . . . . . . . . . . . . . . . . . . . . . 157 16.4.6 Filtri robov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 17 Transformacije podob 161 17.1 Aritmetične operacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 17.2 Vegetacijski indeks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164 17.3 Analiza osnovnih komponent . . . . . . . . . . . . . . . . . . . . . . . . 166 17.4 Kauth-Thomasova transformacija . . . . . . . . . . . . . . . . . . . . . . 170 17.5 Transformacija HSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 18 Klasifikacija podob 175 18.1 Nenadzorovana klasifikacija . . . . . . . . . . . . . . . . . . . . . . . . . 178 18.2 Nadzorovana klasifikacija . . . . . . . . . . . . . . . . . . . . . . . . . . 179 18.3 Ovrednotenje klasifikacije . . . . . . . . . . . . . . . . . . . . . . . . . . 181 19 Integracija podatkov 185 20 Primeri uporabe 189 20.1 Kartiranje in posodabljanje kart . . . . . . . . . . . . . . . . . . . . . . 191 20.2 Izdelava digitalnih modelov višin . . . . . . . . . . . . . . . . . . . . . . 192 20.3 Določanje pokrovnosti oziroma rabe tal . . . . . . . . . . . . . . . . . . 193 20.4 Opazovanje gozdov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 20.5 Opazovanje naravnih nesreč . . . . . . . . . . . . . . . . . . . . . . . . . 195 Terminološki slovar 199 Literatura 229 Kazalo slik 237 Kazalo tabel 241 Stvarno kazalo 243 9 Predgovor Daljinsko zaznavanje je veda, s katero se – hote ali nehote – srečujemo ves čas svojega življenja. Ko se sprehajamo po mirni naravi ali hitimo po neskončnih cestah, ko zremo v oblake na nebu, nemočno mežikamo v svetlo Sonce, zasanjano opazujemo oddaljene zvezde ali prebiramo debele knjige. Ne da bi se prav zavedali, zaznavamo oddaljene predmete z očmi – »instrumentom«, ki ga nobeno tehnično sredstvo ne more zame- njati. Pa vendar včasih svoj pogled usmerimo tudi onkraj vidnega in vzamemo v roke mikroskop, se zazremo skozi teleskop ali si na računalniškem zaslonu ogledamo satelitske posnetke. Tehnologija zajema podatkov iz letal in satelitov postaja vsakodnevno orodje v najrazličnejših študijah – od arheologije, biologije in ekologije, prek geografije, meteo- rologije, geologije in gozdarstva do geodezije. Razvoj internetnih tehnologij, predvsem hitrejših spletnih povezav, in dejavnost tehnološko vplivnih podjetij, kot sta, na primer, Google in Microsoft, sta satelitske podobe prinesela v domove sodobnih internavtov. Storitve, kot Google Earth in Microsoft Virtual Earth, resda predstavljajo le drobec v mozaiku aplikacij, a so za popularizacijo daljinskega zaznavanja naredile več kot vse ostale aktivnosti. V slovenščini – kljub nekaterim odmevnim primerom uporabe – do sedaj še nismo imeli dela, ki bi daljinsko zaznavanje obravnavalo pregledno in v celoti. Pričujoča knjiga, namenjena raziskovalcem in strokovnjakom najrazličnejših strok kot referenčno delo, študentom in pedagogom kot učbenik in pripomoček ter poljudno znanstveni javnosti kot vir dodatnih informacij o aktualni tehnologiji, skuša to vrzel odpraviti. V knjigi je najprej definiran predmet daljinskega zaznavanja in podana njegova zgodovina. Obravnavni so elementi, s katerimi se srečamo pri zajemu, obdelavi in uporabi satelitskih in letalskih posnetkov, ter podane lastnosti snemalnih sistemov, še posebej njihova prostorska, spektralna, radiometrična in časovna ločljivost. Sledita opis delovanja senzorjev, in sicer tako optičnih, kot so fotografske kamere in večspektralni skenerji, kot radarskih in lidarskih, ter pregled pomembnejših snemalnih sistemov za opazovanje vremena, kopnih površin in morja. Osrednji del monografije predstavlja obdelava in interpretacija podob – obravnavana je »klasična« vizualna interpretacija in digitalna obdelava podob. Pri digitalni obde- lavi so podrobno analizirani vsi koraki, od predobdelave (odprava napak v delovanju senzorjev, geometrijski popravki, kalibracija) prek izboljšanja (izboljšanje kontrasta, fil- triranje) in transformacij (aritmetične operacije, indeksi, analiza osnovnih komponent, Kauth-Thomasova transformacija, transformacija HSI) do klasifikacije (nenadzorovana 11 Predgovor in nadzorovana klasifikacija). Delo zaključuje pregled izbranih primerov uporabe da- ljinskega zaznavanja v Sloveniji. Knjiga vsebuje tudi terminološki slovar, ki definira osnovne pojme hitro razvijajoče se stroke in skuša tako urediti dosedanjo stihijsko prakso uveljavljanja slovenskih ali poslovenjenih izrazov. Razloženih je skoraj štiristo izrazov in okrajšav, ki se uporabljajo v literaturi. Kljub vsej pazljivosti pri sestavljanju slovarja je pričakovati, da se bodo sčasoma uveljavili novi ali spremenjeni izrazi. Ker se zavedam, da brez prijaznosti posameznikov in naklonjenosti različnih ustanov ta knjiga ne bi nastala, izrekam na tem mestu iskreno zahvalo vsem, ki so mi kadar koli pomagali. Še posebej bi se želel zahvaliti Zoranu Stančiču, ki me je z zanimivo tehnologijo spoznal. Mojca Kosmatin Fras in Marko Komac sta kot recenzenta temeljito pregledala prvo različico te knjige in predlagala številne pomembne dopolnitve in spremembe. Slo- var so poleg njiju pomagali izboljšati Marko Krevs, Dušan Petrovič in Radoš Šumrada. Da je besedilo primerno ilustrirano ter strokovno in oblikovno boljše, je v veliki meri zasluga sodelavcev Inštituta za antropološke in prostorske študije ZRC SAZU, in sicer Tatjane Veljanovski, ki je pravi strokovnjak za iskanje spodrsljajev, Klemena Zakška, ki je zrisal del slik, Petra Pehanija, ki je odkrival tiskarske škrate, in Žige Kokalja, ki je knjigo natančno pregledal strokovno in jo tudi tehnično uredil. Helena Dobrovoljc je z zavzetostjo in natančnostjo odpravila veliko jezikovnih napak in nedoslednosti. Ne nazadnje se želim zahvaliti tudi piscem in urednikom Wikipedije, tako slovenske kot angleške različice, ter študentom Univerze v Ljubljani, ki so me s svojimi vprašanji spravljali v zadrego in delo razširili za nekaj strani. Ilustracije v knjigi so nastale z uporabo podatkov v javni lasti ali gradiva, katerega lastniki so Canadian Space Agency, DigitalGlobe, European Space Agency, EUMET- SAT, GeoEye, National Aeronautics and Space Administration, National Oceanic and Atmospheric Administration in Spot Image. Satelitski posnetki, uporabljeni v prikazih obdelav, so last Znanstvenoraziskovalnega centra SAZU. Daljinsko zaznavanje je mešanica veščine, znanosti in umetnosti, ki malokoga pusti hladnega. Ko sem se sam z njim prvič srečal sredi devetdesetih let prejšnjega stoletja, se je rodila simpatija, ki je kmalu prerasla v pravo obsedenost. Lotil sem se brskanja po knjižnicah in prekrižaril prostranstva interneta, kmalu prišel do osnovnih podatkov, prvih obdelanih posnetkov in tudi navidezno nepremagljivih ovir. Lagal bi, če bi ne priznal, da sem si vse skupaj na začetku predstavljal precej lažje, kot je bilo v resnici, pa vendar mi je bilo moje »raziskovanje« ves čas v veliko veselje. Daljinsko zaznavanje je še vedno moja ljubezen, le odnos je danes precej bolj zrel, saj se zavedam tako njegovih prednosti kot omejitev. Upam, da bom s to knjigo vsaj komu olajšal pot in tehniki pomagal priti v kako zanimivo študijo. Krištof Oštir Kranj, decembra 2006 12 1 Definicija daljinskega zaznavanja Ljudje smo vizualna bitja in že od nekdaj vemo, da si stvari mnogo lažje predstavljamo, če jih vidimo, kot če o njih samo poslušamo ali beremo. Še tako preprosta slika bolje opiše pojav kot besedilo ali, kot radi rečemo, »slika pove več kot tisoč besed«. Pri interpretaciji podob smo ljudje zelo uspešni, saj se z njo ukvarjamo ves čas (ne nazadnje je tudi branje neke vrste analiza podob). Slike nam podajajo prostorske »razsežnosti« predmetov – informacije o njihovem položaju, velikosti in medsebojnih razmerjih. Definicij daljinskega zaznavanja je veliko, kar je odraz najrazličnejših področij nje- gove uporabe. Nekatere med njimi so precej obsežne, druge dokaj skope, vse pa imajo nekaj skupnih točk. V splošnem lahko daljinsko zaznavanje definiramo takole. »Daljinsko zaznavanje je znanost pridobivanja informacij o površju Ze- mlje, ne da bi z njo prišli v neposredni stik. Pri tem zaznavamo in zapisu- jemo odbito ali sevano elektromagnetno valovanje, ga obdelujemo, analizi- ramo in uporabimo v različnih aplikacijah.« Pri daljinskem zaznavanju se najpogosteje, ne pa vedno, ukvarjamo z opazovanjem Zemlje, poznani pa so tudi primeri opazovanja Lune, Venere, Marsa in drugih planetov. Daljinsko zaznavanje je postopek, ki temelji na interakciji vpadnega elektromagnetnega sevanja (svetlobe) z opazovanimi predmeti. Pri tem ponavadi ločimo naslednjih sedem delov (slika 1.1). 1. Izvir elektromagnetnega valovanja(A) – Prvi pogoj za daljinsko zaznavanje je vir elektromagnetnega valovanja, ki bodisi osvetli opazovane predmete ali pa ga ti sevajo sami. Najpogostejši izvir valovanja je Sonce, pri daljinskem zaznavanju pa uporabljamo še umetne vire (radarske antene) in izkoriščamo lastno (termično) sevanje predmetov. 2. Pot skozi atmosfero (B) – Ko valovanje potuje skozi atmosfero, z njo interagira (sodeluje). Pri tem lahko plasti atmosfere prečka enkrat (od površja do senzorja) ali dvakrat (od vira energije – Sonca ali aktivnega instrumenta – do površja in nazaj). 3. Interakcija s površjem (C) – Ko valovanje prispe do zemeljske površine, z njo interagira. Način sodelovanja je odvisen tako od lastnosti površja kot od lastnosti valovanja. 13 1 Definicija daljinskega zaznavanja Slika 1.1: Postopek daljinskega zaznavanja. 4. Zapis valovanja s senzorjem (D) – Potem ko se valovanje siplje na površju ali pa ga to oddaja, ga moramo zaznati s senzorjem (ki je oddaljen, torej ni v stiku s predmetom). Senzorji zaznavajo elektromagnetno valovanje in ga pretvorijo v značilen zapis (fotografski ali digitalni posnetek). 5. Prenos, sprejem in obdelava (E) – Signale, ki jih zabeležijo senzorji, moramo prenesti, praviloma v elektronski obliki z radijskim valovanjem, do sprejemne postaje na Zemlji. V sprejemni postaji podatke obdelamo in iz njih ustvarimo podobo, bodisi tiskano ali (in) zadnje čase praviloma digitalno. 6. Interpretacija in analiza (F) – Obdelano podobo moramo interpretirati, kar lahko storimo vizualno ali (in) digitalno, pri čemer skušamo izluščiti čim več informacij o opazovanem predmetu. 7. Uporaba (G) – Zadnji, a najbrž najpomembnejši element postopka daljinskega zaznavanja je uporaba informacij, ki smo jih dobili z interpretacijo, v določeni študiji ali pri reševanju konkretnega problema. Opisanih sedem elementov sestavlja postopek daljinskega zaznavanja od začetka do konca. Praviloma – ne pa vedno – pri vsakem snemanju naletimo na vseh sedem korakov; predvsem tretji je delno spremenjen v primeru, ko predmeti sevajo lastno valovanje. V nadaljevanju se bomo z vsakim delom ukvarjali podrobneje. Vprašanja 1. Podaj definicijo daljinskega zaznavanja. 2. Kateri so osnovni deli postopka pri daljinskem zaznavanju? 14 2 Kratka zgodovina daljinskega zaznavanja Preden se podrobneje seznanimo s posameznimi koraki daljinskega zaznavanja, si na kratko oglejmo njegovo razmeroma razgibano zgodovino. Ljudje so si od nekdaj želeli videti nevidno, želeli so ugotoviti, kaj se skriva pod površino Zemlje, kaj je pod vodo in kaj za vidnimi zvezdami. Pa vendar njihove metode zaradi pomanjkanja tehnologije niso bile preveč uspešne, dokler ni na začetku sedemnajstega stoletja Galileo Galilei začel uporabljati teleskopa. Skozi svoja »vohunska očala« je Galileo na Soncu opazil pege, odkril »nepravilnosti« na Luni ter spoznal, da je Mlečna cesta sestavljena iz velikega števila majhnih zvezdic. Njegovo najbolj sijajno (in hkrati za tisti čas sporno) je bilo odkritje Jupitrovih satelitov, s katerim je razblinil koncept geocentričnega univerzuma in predvidevanja, da se vse vrti okrog našega planeta. Galileo je bil skrben in natančen opazovalec, ki je vse podatke zabeležil in neutrudno ustvarjal risbe na papirju, edinem načinu »zapisovanja« podob še naslednjih 200 let (slika 2.1). Slika 2.1: Galileo Galilei je podobe daljinskega zaznavanja zapisoval na papir. Na sliki je stran iz njegovega dela Sidereus nuncius (Wikipedia, 2006a). 15 2 Kratka zgodovina daljinskega zaznavanja (a) (b) Slika 2.2: Baloni so omogočili opazovanje Zemlje od zgoraj. Gaspard Felix Tournachon, poznan kot Nadar (a), je bil prvi fotograf iz zraka, ameriška vojska, oziroma US Army Balloon Corps, pa je balone uporabila za redno opazovanje sovražnikovih položajev (b). Gaspard Felix Tournachon, poznan tudi kot Nadar (slika 2.2 a), je bil slavni francoski fotograf in balonar, ki je leta 1859 združil obe svoji strasti in postal del zgodovine. Želel je namreč opraviti meritve zemeljskega površja s posnetkov iz zraka. A kljub temu, da je postavil temelje za današnje daljinsko zaznavanje, Nadar kot zračni zemljemer, ni uspel, so pa njegova fotografska opazovanja pritegnila zanimanje vojske ... Aprila leta 1861 je profesor Thaddeus Lowe v bližini Cincinnatija, v Ohiu, pričel opazovati vremene iz balona. Žal z vremenom ni imel pretirane sreče, saj ga je veter zanesel v Južno Karolino, kjer so ga aretirali kot »unionističnega« vohuna. Ko so ga kmalu potem izpustili, je sklenil vohun postati tudi zares, saj je bil prepričan, da bi lahko balone uspešno uporabili za opazovanje. Svoj namen je predstavil predsedniku Abrahamu Lincolnu in ta je pod poveljstvom Lowa leta 1862 ustanovil US Army Balloon Corps (slika 2.2 b). Enota pa je bila kljub znatni pomoči silam Severa deaktivirana že leta 1863. Razlog za to je bil precej preprost – baloni so bili prelahka tarča za sovražnikovo strelno orožje. Da bi se izognili nesrečam z baloni in neučinkovitim papirnatim zmajem, ki so jih v tistih časih prav tako uporabljali za opazovanje iz zraka, so Bavarci izdelali zelo lahke fotografske kamere in jih pritrdili na – golobe (slika 2.3). Aparati so bili narejeni tako, da so fotografijo posneli vsakih trideset sekund, medtem ko so se golobi vračali v svoje domače »gnezdo«. Seveda »izstreljevanje« golobov za sovražnikovim hrbtom ni bilo niti približno preprosto, poleg tega pa so bili golobi za lačne vojake precej vabljiva tarča. Zgodnja tehnika daljinskega zaznavanja je postala velika zanimivost Dresdenske mednarodne fotografske razstave leta 1909. Takrat so bile namreč fotografije sejma, posnete z golobi, zelo priljubljene. Golobi so bili vsekakor hitrejši kot baloni, vendar pa je bila njihova pot manj pred- vidljiva. Na vso srečo se je s primerno rešitvijo pojavil Wilbur Wright. Starejši iz- med slavnih letalskih izumiteljev je pilotiral ob dveh pomembnih dogodkih v zgodovini daljinskega zaznavanja. Najprej je njegov sopotnik Louis Paul Bonvillain na demon- 16 2 Kratka zgodovina daljinskega zaznavanja Slika 2.3: Golobi s fotografskimi kamerami. Slika 2.4: Letalski posnetek preskusnega poligona raket V-2. stracijskem letu v Franciji, leta 1908, posnel prve letalske fotografije. Naslednje leto je neki drugi spremljevalec Wrighta med letom v Italiji posnel prvi film in kmalu so ljudje pričeli uživati v posnetkih pokrajine iz zraka. Dvokrilna letala so nadomestila balone pri opazovanju sovražnih položajev med frontnim vojskovanjem v prvi svetovni vojni. Do konca vojne sta pomen fotografskega opazovanja spoznali obe strani. Nemci so med načrtovanjem svoje zadnje ofenzive leta 1918 na dan posneli približno 4000 fotografij, zavezniki pa so jih v zadnjih štirih mesecih vojne naredili več kot milijon. Kljub temu, da so fotografije široko uporabljali, je morala miniti še ena vojna, da so potrdili resnično moč fotografskega opazovanja. V drugi svetovni vojni sta bila letalsko snemanje in fotointerpretacija uveljavljeni tehniki. Obe strani sta imeli posebne enote za opazovanje, ki so pomagale pri načr- tovanju vojaških operacij in odkrivanju ciljev za bombardiranje. Pomemben korak v zgodovini daljinskega zaznavanja pa so imele povojne raziskave zajetih V-1 in V-2, re- aktivnih projektilov, ki so povzročili veliko škodo in ustrahovali predvsem prebivalce 17 2 Kratka zgodovina daljinskega zaznavanja Slika 2.5: Prve slike Zemlje iz vesolja so posneli v okviru programa Apollo. južne Anglije. Rakete V-2 (slika 2.4) so bile za razliko od starejših, ki so jih poganjali re- aktivni motorji, opremljene z etilnim alkoholom in utekočinjenim kisikom kot gorivom. Njihova nadgradnja je konec petdesetih let omogočila razvoj sistemov za izstreljevanje satelitov in s tem odprla pot v vesolje. Potovanje človeka na Luno je zahtevalo skrbno načrtovanje, še posebno pozornost pa so namenili predlaganemu pristajalnemu mestu. Pri tem so si močno pomagali z daljinskim zaznavanjem. Kot »stranski izdelek« opazovanja Lune je Apollo 8 leta 1968 posnel prve slike Zemlje iz vesolja. Še pomembnejši je njegov naslednik Apollo 9, ki je modri planet slikal z večspektralno kamero s štirimi objektivi (slika 2.5). Fotografije, ki so jih kasneje digitalizirali, so omogočile razvoj tehnik obdelave podob, ki so jih uporabili pri sistemih Landsat. Julija leta 1972 je ameriška vesoljska agencija NASA izstrelila prvi civilni satelit za opazovanje Zemlje Earth Resources Technology Satellite (ERTS-1). Večspektralni podatki, ki jih je satelit zajemal, so izboljšali razumevanje dogajanja na zemeljski povr- šini (slika 2.6). Omogočali so namreč opazovanje mineralov, prsti, kmetijskih površin, razširjanja urbanih območij in podobno. Ime satelita, in s tem vseh njegovih nasle- dnikov, so zaradi lažje prepoznavnosti kmalu spremenili v Landsat. Program je postal tako uspešen, da so do danes izstrelili že sedem satelitov vrste Landsat, zadnjega Land- sat 7 aprila 1999 (utirjenje satelita Landsat 6 ni uspelo). Količina podatkov, ki so jih omenjeni sateliti zajeli, je tako velika, da so jih do sedaj obdelali le manjši delež. Landsat je povzročil pravo revolucijo na področju daljinskega zaznavanja in kmalu so mu sledili številni sistemi za opazovanje Zemlje. Najprej so bili to optični z vedno zmogljivejšimi senzorji, na primer SPOT. V začetku devetdestih let prejšnjega stoletja se je uveljavilo radarsko snemanje, predvsem po zaslugi evropskih satelitov ERS. Konec 18 2 Kratka zgodovina daljinskega zaznavanja Slika 2.6: Območje Damaska, ki ga je na enem prvih posnetkov 15. septembra 1972 opazoval satelit Landsat. devetdestih so se pričeli pojavljati viskoločljivi satelitski sistemi, na primer IKONOS in QuickBird, v zadnjih letih pa se težišče opazovanj premika k lidarju. Vprašanja 1. Opiši zgodovinski razvoj daljinskega zaznavanja! 19 3 Elektromagnetno valovanje Vsa telesa, ki imajo temperaturo različno od absolutne ničle, sevajo tako imenovano lastno sevanje. Poleg tega večina teles odbija valovanje, ki ga sevajo druga telesa. Z zapisovanjem izsevanega in odbitega elektromagnetnega valovanja ter upoštevanjem njegovih lastnosti pri poti skozi atmosfero in načina njegove interakcije s predmeti na površini lahko določimo opazovane predmete na njej (vegetacija, zgradbe, gola prst, odprte površine, vodne površine ...). Pri vsaki uporabi podatkov daljinskega zaznava- nja je treba razumeti elektromagnetno valovanje, značilnosti njegovega potovanja skozi atmosfero in načine interakcije s predmeti na zemeljski površini. V nadaljevanju po- glavja se bomo zato nekoliko podrobneje seznanili z elektromagnetnim valovanjem in tako predstavili osnove za naslednja poglavja. Eletromagnetno valovanje povzroča več različnih mehanizmov, na primer spremem- be v energijskem stanju elektronov, pospeševanje nabitih delcev, razpad radioaktivnih snovi in termično gibanje atomov in molekul. Jedrske reakcije v notranjosti Sonca ustvarijo bogat spekter elektromagnetnega valovanja, ki skoraj brez večjih sprememb potuje skozi vesolje. Preden valovanje doseže zemeljsko površino, mora prepotovati še pot skozi atmosfero. Valovanje nato interagira (sodeluje) s predmeti na površini, pri čemer se ga del absorbira, del prepusti in del odbije. Odbita svetloba predstavlja osnovo za fotografiranje in sorodno snemanje. Del valo- vanja, ki ga površje absorbira, se ponovno izseva v obliki termičnega valovanja. Slednje je prav tako lahko osnova za daljinsko zaznavanje, kljub temu da se slike, ustvarjene z njim, precej razlikujejo od »klasičnih« podob, ustvarjenih z odbito svetlobo. Ne nazadnje lahko za daljinsko zaznavanje uporabimo tudi »umetno« elektromagnetno va- lovanje, na primer radarske valove. 3.1 Opis valovanja Elektromagnetno valovanje je sestavljeno iz spreminjajočega se električnega polja (E), ki je pravokotno na smer širjenja valovanja (slika 3.1). Električnemu polju sledi v fazi magnetno polje (H), ki je prav tako pravokotno na smer valovanja, hkrati pa je pravokotno na električno polje. Vsako valovanje, torej tudi elektromagnetno, opišemo z naslednjimi tremi lastnostmi (slika 3.2): • valovno dolžino (λ), • frekvenco (ν) in 21 3 Elektromagnetno valovanje Slika 3.1: Elektromagnetno valovanje je nihanje električnega (E) in magnetnega polja (H). Polji sta pravokotni drugo na drugo in hkrati na smer širjenje valovanja. Slika 3.2: Valovanje opišemo z amplitudo, frekvenco in valovno dolžino. Srednji grafikon prikazuje visoko frekvenco oziroma majhno valovno dolžino, spodnji pa nizko frekvenco oziroma veliko valovno dolžino. • amplitudo (A). Valovna dolžina (λ) podaja razdaljo med zaporednima točkama, ki nihata z enako fazo (vrhovoma, dolinama), frekvenca (ν) pa je merilo za število nihajev v enoti časa. Frekvenca in valovna dolžina sta med seboj povezani prek hitrosti valovanja c = λ ν. (3.1) Pri tem je c svetlobna hitrost, ki je snovna konstanta. Hitrost svetlobe v pra- znem prostoru (vakuumu) je osnovna konstanta in znaša c = 299 792 458 m/s ◦ ≈ 300 000 km/s. V vseh snoveh je hitrost svetlobe manjša kot v vakuumu. Elektromagnetno valovanje se obnaša kot valovanje in kot curek fotonov, čemur pravimo valovno-delčni dualizem. Kadar opisujemo elektromagnetno valovanje kot va- lovanje, ga opišemo s hitrostjo razširjanja ter valovno dolžino ali frekvenco. Ko pa ga opisujemo kot curek delcev, pa podamo njihovo energijo (E). Slednja je neposredno povezana s frekvenco E = h ν. (3.2) 22 3.2 Spekter elektromagnetnega valovanja Pri tem je Planckova konstanta h = 6,626 10−34 Js. Večja frekvenca (manjša valovna dolžina) pomeni večjo energijo, manjša frekvenca (večja valovna dolžina) pa manjšo energijo. Valovanje z daljšimi valovnimi dolžinami je torej manj nevarno za živa bitja kot valovanje s krajšimi. Polovica energije valovanje je shranjena v električnem polju, druga polovica pa v magnetnem polju. 3.2 Spekter elektromagnetnega valovanja Spekter elektromagnetnega valovanja je oznaka za celoten razpon valovnih dolžin ozi- roma frekvenc, ki jih lahko zajame elektromagnetno valovanje. Z oznako pojmujemo torej obseg valovanja, ki ga seva, odbija ali prepušča določeno telo. Najbolj poznana oblika elektromagnetnega sevanja je vidna svetloba, ki zajema zelo majhen del celotnega elektromagnetnega spektra. Večji in za daljinsko zaznavanje pomembnejši del slednjega leži izven območja, ki ga zazna človeško oko. Slika 3.3: Spekter elektromagnetnega valovanja je zelo širok. Pri daljinskem zaznavanju uporabljamo njegov manjši del. Spekter elektromagnetnega valovanja lahko razdelimo v posamezne skupine, ki imajo različno energijo, valovno dolžino in frekvenco (slika 3.3). Meje med posameznimi deli elektromagnetnega spektra niso ostre, kljub temu pa lahko določimo nekaj skupin s podobnimi lastnostmi. Najbolj poznani del spektra je vidna svetloba, poleg tega pa so pomembni še radijski valovi, mikrovalovi, infrardeči valovi, ultravijolična svetloba, rentgenski žarki in žarki gama. Bolj vroča telesa ali delci, ki se gibljejo zelo hitro, ustvarjajo visokoenergijska valovanja (rentgenska svetloba in žarki gama), hladnejša telesa ali počasnejši delci pa nizko energijsko sevanje (radijsko valovanje). V območju dolgih valovnih dolžin (to je pri nizki frekvenci in energiji) srečamo najprej radijske valove. Ustvarjajo jih antene prave velikosti ali zvezde in plini v vesolju. Njihova valovna dolžina je od nekaj 100 m do 1 mm. Radijske valove uporabljamo za prenos podatkov, na primer pri televiziji ali mobilnih telefonih. Radijskim valovom sledijo mikrovalovi. Mikrovalovi zajemajo območje med pribli- žno 1 m in 1 mm. Ustvarjajo jih klistroni in magnetoni, zanje pa je značilno, da jih 23 3 Elektromagnetno valovanje absorbirajo molekule v tekočinah, ki imajo dipolni moment (kar s pridom izkoriščamo v mikrovalovnih pečicah). Infrardeče valovanje, pogosto ga imenujemo tudi toplota, ker je nanj občutljiva naša koža, je v območju med 1 mm in 750 nm. V grobem ga lahko razdelimo na tri dele, in sicer daljno infrardečo (10 µm–1 mm), ki je blizu mikrovalovom in jo praviloma absorbirajo molekule v plinih in tekočinah oziroma fononi v trdnih snoveh, srednjo infrardečo (2,5 µm–10 µm), ki jo močno sevajo topli predmeti, absorbirajo pa nihajoče molekule, ter bližnjo infrardečo (750 nm–2,5 µm), ki meji na vidno svetlobo in ima njej podobne lastnosti. Infrardeči sledi vidna svetloba. Gre za območje, v katerem Sonce (in podobne zvezde) izsevajo največ svetlobe in v katerem so, ne po naključju, človeške oči najbolj obču- tljive. Vidno in bližnjo infrardečo svetlobo ponavadi absorbirajo in sevajo elektroni, ki v molekulah in atomih prehajajo z enega na drugi energijski nivo. Vidna svetloba predstavlja le neznaten del celotnega elektromagnetnega spektra. Zaradi barvnega vtisa ta del spektra razdelimo na rdečo (625–740 nm), oranžno (590–625 nm), rumeno (565– 590 nm), zeleno (520–565 nm), turkizno (500–520 nm), modro (430–500 nm) in vijolično (380–430 nm) barvo. Vidnemu elektromagnetnemu valovanju na visokoenergijskem delu spektra sledi ultravijolična svetloba, ki zajema valovne dolžine med 0,3 µm in 30 nm. Ta svetloba lahko cepi kemijske vezi, močno reagira z molekulami in spremeni njihovo delovanje. Dobro so poznani uničujoči učinki pretiranega izpostavljanja kože ultravijolični svetlobi. Sonce izseva veliko tovrstne svetlobe, ki pa se večinoma absorbira v atmosferi. Še bolj energijsko močni so rentgenski žarki, ki imajo valovno dolžino med 10 nm in 100 pm. Z rentgensko svetlobo lahko preiskujemo notranjost teles, predvsem v medicini, poleg tega pa jo uporabljamo tudi v astronomiji in visokoenergijski fiziki. Gre za tako imenovano ionizirajoče sevanje, ki je za živa bitja nevarno. Vir tovrstne svetlobe so spremembe v energijskih nivojih atoma. Žarki gama predstavljajo elektromagnetno valovanje z največjo energijo. Njihove valovne dolžine navzgor niso omejene. Žarke gama uporabljamo v (jedrski) medicini za preiskave in zdravljenje pa tudi v astronomiji pri opazovanju visokoenergijskih predme- tov in območij. Dobimo jih pri radioaktivnem razpadu in drugih atomskih procesih ter v pospeševalnikih delcev kot rezultat anihilacije para elektron pozitron. Pri daljinskem zaznavanju uporabljamo – zaradi lastnosti atmosfere in razpoložlji- vosti vira valovanja – le omejen del elektromagnetnega spektra, in sicer vidno svetlobo, infrardečo svetlobo in mikrovalove (poglavje 4). Vprašanja 1. Kaj je elektromagnetno valovanje in kako ga opišemo? 2. Opiši spekter elektromagnetnega valovanja. 3. Kateri je najpomembnejši vir elektromagnetnega valovanja v daljinskem zazna- vanju? 24 4 Interakcija z atmosfero Elektromagnetno valovanje na poti od vira do senzorja potuje skozi atmosfero (slika 4.1). Pot opravi enkrat, če opazujemo lastno sevanje zemeljskega površja, oziroma dvakrat, kadar opazujemo odbito valovanje (Sonca ali umetnega vira). Pri tem pride do inte- rakcije, ki je odvisna od sestave ozračja, predvsem velikosti delcev, in valovne dolžine valovanja. V nadaljevanju si bomo ogledali načine sodelovanja valovanja z ozračjem in opisali dele elektromagnetnega spektra, ki jih atmosfera prepušča in jih zato lahko uporabimo pri daljinskem zaznavanju. Atmosfera ali ozračje je plinast plašč okoli Zemlje, ki oslabi in vpije Sončevo ali kozmično sevanje. Atmosfera vsebuje 77 % dušika, 21 % kisika, 0,93 % argona, 0,03 % ogljikovega dioksida, ozon, vodno paro, prašne delce ... Kemična sestava zraka se od morske gladine do velikih višin načeloma ne spreminja bistveno, zato pa se spreminja gostota (vsakih 5000 metrov se gostota prepolovi). Plasti atmosfere so prikazane v tabeli 4.1. Plast Višina (km) Troposfera 0–12 (8 nad poli do 16 nad ekvatorjem) Stratosfera 12–50 (v tej plasti je ozonska plast) Mezosfera 50–80 Termosfera 80–650 (v tej plasti je ionosfera) Eksosfera 650– Tabela 4.1: Plasti atmosfere. Trdni delci, molekule plinov in tekočin v atmosferi, vplivajo na vpadno valovanje. Glavni načini delovanja ozračja na prehajajoče valovanje so: • sipanje, • absorpcija in • lom. 4.1 Sipanje Do sipanja pride, ko valovanje pade na delce, na primer prah, ali velike plinske molekule v ozračju. Pri tem se smer valovanja spremeni (slika 4.2). Jakost sipanja je odvisna od 25 4 Interakcija z atmosfero Slika 4.1: Potovanje elektromagnetnega valovanja skozi atmosfero. Slika 4.2: Sipanje valovanja v atmosferi. velikega števila dejavnikov, od katerih so najpomembnejši valovna dolžina valovanja, gostota delcev in molekul ter dolžina poti, ki jo valovanje opravi v atmosferi. Poznamo tri vrste sipanja: • Rayleighovo, • Miejevo in • neselektivno. Rayleighovo sipanje nastane, ko so delci v ozračju majhni v primerjavi z valovno dolžino valovanja. Ponavadi gre za delce prahu ali pa za molekule dušika in kisika. Sipanje je bolj izrazito pri krajših valovnih dolžinah. Rayleighovo sipanje je prevladu- joče v zgornjih plasteh atmosfere in prav zaradi tega pojava je nebo videti »modro«. Ko Sončeva svetloba prodira skozi atmosfero, se krajše valovne dolžine (modra sve- tloba) vidnega dela spektra močneje sipajo kot daljše. Ob sončnem vzhodu in zahodu je pot skozi atmosfero daljša kot opoldne, zato je sipanje krajših valovnih dolžin bolj 26 4.2 Absorpcija Slika 4.3: Rayleighovo sipanje močneje vpliva na krajše valovne dolžine kot na daljše. Ker je pot žarkov skozi atmosfero ob vzhodu in zahodu daljša, je sipanje modre svetlobe bolj izrazito in Sonce je zato videti rdeče barve. intenzivno (slika 4.3). Skozi atmosfero pridejo v glavnem daljše valovne dolžine (rdeča svetloba), zato je Sonce takrat videti rdeče. Miejevo sipanje se pojavi, kadar so delci v atmosferi približno enako veliki kot je valovna dolžina vpadlega valovanja. Najpogostejši vzroki za to sipanje so prah, cvetni prah, dim in vodna para. Miejevo sipanje v primerjavi z Rayleighovim močneje vpliva na daljše valovne dolžine. Značilnost tovrstnega sipanja je usmerjenost, saj je najbolj izrazito v smeri vpada valovanja (torej naprej), še posebej pri večjih delcih. Pojavi se predvsem v nižjih plasteh atmosfere, kjer so večji delci tudi pogostejši. Miejevo sipanje je najbolj močno v času oblačnosti. Zaradi tovrstnega sipanja so oblaki in megla videti beli, ker se modra, zelena in rdeča svetloba sipajo približno enako. Zadnji sipalni mehanizem je neselektivno sipanje, ki se pojavi, kadar so delci, na ka- terih sipanje poteka, mnogo večji od valovne dolžine valovanja. Povzročajo ga predvsem vodne kapljice in veliki prašni delci. Neselektivno sipanje je ime dobilo zaradi dejstva, da na vse valovne dolžine vpliva približno enako. Do tovrstnega sipanja pride pred- vsem v nižjih plasteh ozračja, na meglicah (smogu), ki so zaradi neodvisnosti sipanja od valovne dolžine videti sive. 4.2 Absorpcija Naslednji pojav, da katerega pride med potovanjem elektromagnetnega valovanja skozi atmosfero, je absorpcija (slika 4.4). Pri absorpciji molekule v ozračju absorbirajo ener- gijo različnih valovnih dolžin. Ozon, ogljikov dioksid in vodna para med vsemi sestavi- nami ozračja najmočneje absorbirajo svetlobo. Ozon absorbira ultravijolično svetlobo, ki je najbolj škodljivi (za večino živih bitij) del Sončevega sevanja. Brez zaščitnega plašča ozona bi se naša koža v stiku z vpadno svetlobo opekla, večina živih bitij pa sevanja ne bi preživela. Ultravijolična svetloba povzroča spremembe genskega materiala v celicah. Te so večinoma škodljive in celo smrtno nevarne, vendar pa včasih povzročijo tudi koristne mutacije živih bitij. Ogljikov dioksid je znan kot plin tople grede. Razlog za to je njegova velika zmožnost absorpcije elektromagnetnega valovanja v območju infrardeče svetlobe – to je v delu, povezanem s termičnim sevanjem. Ogljikov dioksid zadržuje »toploto« v atmosferi, s 27 4 Interakcija z atmosfero Slika 4.4: Absorpcija valovanja v atmosferi. čimer preprečuje ohlajanje zemeljskega površja in ustvari podoben učinek kot steklo tople grede. Vodna para v ozračju absorbira veliko dolgovalovnega infrardečega valovanja, poleg tega pa tudi kratkovalovne mikrovalove (z valovno dolžino med 22 µm in 1 mm). Vseb- nost vode v spodnjih plasteh ozračja se močno spreminja, tako krajevno kot časovno (dnevno, letno). Tako vsebujejo, na primer, zračne mase nad puščavami le neznatne količine vode, medtem ko je v tropskih krajih vlažnost (vsebnost vode) v zraku zelo velika. 100 80 ) 60 t (%os 40 prepustn 20 0 10-10 10-8 10-6 10-4 10-2 1 102 λ (m) Slika 4.5: Prepustnost zemeljske atmosfere v odvisnosti od valovne dolžine določa okna, ki jih lahko uporabljamo za daljinsko zaznavanje. Ker omenjeni trije plini v ozračju absorbirajo valovanje samo v posameznih delih elektromagnetnega spektra, določajo, katere dele spektra lahko uporabljamo pri da- ljinskem zaznavanju. Dele, na katere atmosfera ne vpliva pretirano, in jih torej lahko 28 4.3 Lom valovanja Valovna dolžina (λ) Spektralni pas 0,30–0,75 µm ultravijolična in vidna svetloba 0,77–0,91 µm 1,55–1,75 µm bližnja infrardeča svetloba 2,05–2,4 µm 8,0–9,2 µm daljna (termična) infrardeča svetloba 10,2–12,4 µm 7,5–11,5 mm mikrovalovi 20 mm– Tabela 4.2: Atmosferska okna so področja, ki so uporabna za daljinsko zaznavanje (Campbell, 2002). uporabimo pri daljinskem zaznavanju, imenujemo atmosferska okna. Pri izbiri pravih valovnih dolžin moramo poleg njih upoštevati tudi značilnosti dveh najpogostejših virov elektromagnetnega valovanja, to je Sonca in Zemlje. Prepustnost atmosfere v odvisnosti od valovne dolžine prikazuje slika 4.5. Vidni del elektromagnetnega spektra, v katerem so človeške oči najbolj občutljive, ustreza tako atmosferskemu oknu kot tudi največji intenziteti Sončeve svetlobe. Prepu- stno okno je tudi v območju pri približno 10 µm, to je v termičnem delu spektra, kjer ima vrh sevanje zemeljske površine pri »normalni« temperaturi. Za daljinsko zaznava- nje je, kljub odsotnosti naravnih virov svetlobe, pomemben tudi pas valovnih dolžin nad 1 mm, čemur ustreza mikrovalovna svetloba. Glavna prepustna okna podaja tabela 4.2. 4.3 Lom valovanja Pri prehodu valovanja med optično različno gostimi snovmi pride do loma valovanja. Ko potuje svetloba iz optično redkejšega medija (na primer iz zraka) v gostejšega (na primer v steklo), se lomi proti normali (premici, pravokotni na površino). Do tega pojava pride, ker se valovanje v gosti snovi upočasni in zato spremeni smer (slika 4.6 a). Pri prehodu iz optično gostejšega sredstva v optično redkejše se valovanje lomi proč od normale. Vpadni žarek, lomljeni žarek in normala ležijo pri lomu v isti ravnini. Za smeri žarkov velja lomni zakon n sin α = n′ sin α′. (4.1) Pri tem sta α in α′ lomna kota, n in n′ pa ustrezna lomna količnika. Lomni količnik je povezan s hitrostjo svetlobe v snovi in je snovna konstanta c c = ◦ . (4.2) n Večji ko je lomni količnik, močnejši je lom. Ker se lomni količnik atmosfere spreminja z njeno višino, je lom svetlobe pri potovanju skozi ozračje zelo zapleten (slika 4.6 b). Lom svetlobe povzroči premik zvezd glede na njihov navidezni položaj, poleg tega pa rahlo popači sliko Zemlje iz vesolja. Pri ustvarjanju podob moramo zato upoštevati snemalno geometrijo in na podobah odpraviti vodoravni premik, ki ga lom povzroči. 29 4 Interakcija z atmosfero (a) (b) Slika 4.6: Lom svetlobe pri prehodu iz optično redkejše snovi v optično gostejšo (a) in potovanje žarka svetlobe skozi atmosfero (b). Pri tem praviloma uporabljamo preprost model, tako za obliko Zemlje kot za atmosfero. Zapletene spremembe poti in s tem časa potovanja signala povzročijo tudi spremembe lomnega količnika zaradi nihanja temperature in vlage v ozračju. Težava je še posebej opazna pri opazovanju, ki temelji na meritvah časa, na primer pri lidarju ali radarju. Vprašanja 1. Opiši interakcijo elektromagnetnega valovanja z atmosfero. 2. Kakšne vrste sipanje poznamo? 3. Kaj je absorpcija valovanja? 4. Opiši lom valovanja v atmosferi. 5. Opiši idealne atmosferske pogoje za snemanje v vidnem delu spektra. 6. Ali lahko uporabljamo senzorje v ultravijoličnem delu spektra? 30 5 Interakcija s površjem Elektromagnetno valovanje, ki se ne absorbira ali sipa v atmosferi, pride do zemeljskega površja in z njim interagira (slika 5.1). Vrsto in stopnjo interakcije določajo lastnosti površja in valovna dolžina vpadnega valovanja. Odvisnost odboja od valovne dolžine (tako imenovani spektralni podpis) omogoča prepoznavanje predmetov, podobno kot lahko na osnovi podpisa prepoznamo osebe. Slika 5.1: Ko valovanje pride do zemeljskega površja, z njim interagira. Obstajajo trije glavni načini sodelovanja valovanja s površjem (slika 5.2): • absorpcija, • transmisija in • odboj. Vpadna energija interagira s površjem na enega ali več od omenjenih načinov. Raz- merje med njimi je odvisno od valovne dolžine svetlobe ter lastnosti in stanja površja. Absorpcija je pojav, pri katerem se sevanje (energija) vpije ali absorbira v snovi. Pri 31 5 Interakcija s površjem Slika 5.2: Poznamo tri osnovne načine interakcije valovanja s površjem, in sicer absorp- cijo, transmisijo in odboj. transmisiji valovanje ali pogosteje njegov del prodre skozi snov. Ob odboju oziroma re- fleksiji se valovanje na opazovanem predmetu »odbije« in nadaljuje pot v spremenjeni smeri. Pri daljinskem zaznavanju se ponavadi ukvarjamo z odbito oziroma reflektirano svetlobo, to je valovanjem, ki se od opazovanih predmetov odbije v smeri proti senzorju. Ločimo dva skrajna primera odboja elektromagnetnega valovanja na površini, in sicer zrcalni odboj in difuzni ali razpršeni odboj . (a) (b) Slika 5.3: Odboj valovanja na površju: zrcalni (a) in razpršeni (b). Do zrcalnega odboja (slika 5.3 a) pride, kadar valovanje pade na gladko površino. Pri tem se vsa – ali skoraj vsa – vpadna energija odbije stran od odbojne površine v eni sami smeri, odbojni kot pa je enak vpadnemu. Razpršeni odboj (slika 5.3 b) pa se pojavi, kadar je ploskev groba in se valovanje odbije (približno enako) v vse smeri. Večina predmetov na površju Zemlje je po lastnostih nekje med zrcalnim in difuznim odbojnikom. Ali neko telo deluje kot zrcalni ali kot razpršeni odbojnik ali nekje vmes, je odvisno od njegove razgibanosti, in sicer v primerjavi z valovno dolžino vpadnega valovanja. Če so valovne dolžine manjše ali primerljive z značilnimi dolžinami na površju (razgiba- nost) ali od velikosti predmetov, ki površje sestavljajo, pride v glavnem do razpršenega 32 5 Interakcija s površjem odboja. V primeru, ko pa je valovna dolžina večja od značilnih razdalj na površju, pride do zrcalnega odboja. Tako je, na primer, drobnozrnat pesek popolnoma gladek za dolge valovne dolžine (mikrovalovi), hkrati pa precej razgiban za vidno svetlobo. Oglejmo si nekaj značilnih predmetov na zemeljski površini ter opišimo, kaj se do- gaja z elektromagnetnim valovanjem ob stiku z njimi. Podrobneje se bomo ukvarjali z vegetacijo, vodo in golimi tlemi ter z vidno in bližnjo infrardečo svetlobo. (a) (b) Slika 5.4: Interakcija elektromagnetnega valovanja z vegetacijo (a) in vodo (b). Klorofil v zelenih rastlinah močno absorbira valovanje v rdečem in modrem delu spektra, medtem ko odbija zeleno svetlobo (slika 5.4 a). Listi se nam zato zdijo zeleni, in sicer najbolj spomladi in zgodaj poleti, ko stopnja klorofila v njih doseže vrhunec. Jeseni je v njih manj klorofila, zato je absorpcija manjša in posledično močnejši odboj rdeče svetlobe, zaradi česar se listi zdijo rdeči ali rumeni.1 Notranja zgradba zdra- vih listov predstavlja odličen difuzni odbojnik za svetlobo bližnjega infrardečega dela spektra. Če bi bile naše oči občutljive na infrardečo svetlobo, bi se nam drevesa zdela izredno svetla, saj je odboj v infrardečem delu spektra kar petkrat večji kot v vidnem. Merjenje in opazovanje odboja v infrardečem delu spektra predstavlja zelo natančen mehanizem določanja zdravosti (ali poškodovanosti) vegetacije. V delu infrardeče pa opazimo absorpcijske pasove zaradi vode v listih, ki močno absorbira valovne dolžine 1,4 µm, 1,9 µm in 2,5 µm. Absorpcija je neposredno povezana s količino vode in je merilo za vlažnost vegetacije. Precej drugačno pa je dogajanje ob interakciji valovanja z vodo (slika 5.4 b). Voda močneje absorbira daljše valovne dolžine vidne in infrardeče svetlobe kot kratkovalovno vidno svetlobo. Zaradi znatnega odboja je voda ponavadi videti modra ali modrozelena. Pri opazovanju v rdečem in infrardečem delu spektra pa je videti temna. Stanje je nekoliko spremenjeno, kadar so v vrhnjih plasteh vode raztopljene rudninske snovi. V tem primeru pride do močnejšega odboja in voda je videti v vseh pasovih svetlejša. Barva vode je v tem primeru navidezno pomaknjena proti daljšim valovnim dolžinam, torej proti rdečemu delu spektra. Raztopljene sedimente zlahka zamenjamo s plitvo vodo, ki je na podobah videti skoraj enaka. Klorofil v algah absorbira del modre svetlobe in odbija zeleno, zaradi česar je voda, ki vsebuje alge, videti zelenkasta. Na način interakcije valovanja z vodo vpliva tudi topografija vodnih površin. Na vodi 1 Rumena je mešanica zelene in rdeče. 33 5 Interakcija s površjem lahko namreč pride v primeru, da je njena površina primerno razgibana, do zapletenega odboja, kar vpliva tako na barvo kot svetlost opazovane površine. Lastnosti golih tal so močno odvisne od njihove mineralne sestave. Opazimo lahko bolj ali manj enakomerno naraščanje odboja z valovno dolžino, ki je v infrardečem delu spektra več kot dvakrat večji kot v vidnem. Prst je videti rdečkasto rjava, ker je odboj rdeče svetlobe močnejši od odboja zelene in od modre. Absorpcijski pasovi so enaki kot pri vegetaciji, tudi tu so povezani z vsebnostjo vode v prsti, pojavijo pa se pri 1,4 µm in 1,9 µm. Vlaga v prsti v splošnem znižuje odboj v celotnem delu spektra. 5.1 Spektralni podpis Iz opisanih primerov vidimo, da je dogajanje pri interakciji valovanja s površjem – to je pri absorpciji, transmisiji in odboju – precej zapleteno. Še posebej, če imamo v mislih veliko število različnih predmetov na zemeljski površini, njihovo različno geometrijo in različne valovne dolžine uporabljene svetlobe. Z merjenjem energije, ki se odbije na predmetih zemeljskega površja (ali pa jo ta sevajo), lahko ustvarimo spektralni podpis opazovanih predmetov (slika 5.5). 100 voda rastlinje prst 80 ) 60 (% Odboj 40 20 0 0,5 1 1,5 2 λ (µm) Slika 5.5: Spektralni podpis podaja odvisnost odboja od valovne dolžine. S primerjavo odziva pri različnih valovnih dolžinah lahko predmete med seboj lo- čimo, kar pri opazovanju z eno samo valovno dolžino pogosto ni mogoče. Tako imata, na primer, voda in rastlinje približno enako odbojnost v vidnem delu spektra, med- tem ko ju v infrardečem vedno ločimo med seboj. Spektralni odziv je lahko precej različen, celo za enake predmete, poleg tega pa se spreminja tudi časovno (na primer »zelenost« listov) in prostorsko. Poznavanje spektralno »zanimivih« območij in razu- mevanje dejavnikov, ki vplivajo na spektralni podpis, je pomembno za razumevanje načina interakcije valovanja s površjem, kar olajša interpretacijo posnetkov. 34 5.1 Spektralni podpis Vprašanja 1. Opiši interakcijo elektromagnetnega valovanja s površjem. 2. Kako odbija valovanje vegetacija in kako voda? 3. Kaj je spektralni podpis? 35 6 Sistemi daljinskega zaznavanja V prejšnjih poglavjih smo spoznali osnove, potrebne za razumevanje postopka daljin- skega zaznavanja. Podrobneje smo se ukvarjali s prvimi fazami tega postopka: virom energije (poglavje 3), interakcijo valovanja z atmosfero (poglavje 4) in interakcijo s po- vršjem (poglavje 5). V tem poglavju si bomo podrobno ogledali zaznavanje in zapisova- nje elektromagnetnega valovanja (slika 6.1). Ukvarjali se bomo z lastnostmi platform in senzorjev, ki jih uporabljamo pri daljinskem zaznavanju, in s podatki, ki jih zajemamo. Slika 6.1: Zapis elektromagnetnega valovanja s senzorjem. 6.1 Platforme daljinskega zaznavanja Senzor, s katerim želimo zaznavati in zapisovati odbito ali sevano elektromagnetno valo- vanje, se mora nahajati na stabilni platformi oziroma nosilcu. Ta mora biti odmaknjena od predmeta ali površine, ki jo opazujemo (sicer ne gre za daljinsko zaznavanje). Plat- forme, ki jih uporabljamo, so lahko (slika 6.2): • na tleh, 37 6 Sistemi daljinskega zaznavanja (a) (b) (c) (d) Slika 6.2: Senzorji daljinskega zaznavanja so nameščeni na (a) tleh, (b) letalih, (c) ve- soljskih plovilih in (d) satelitih. • letalih ali balonih (oziroma drugih nosilcih znotraj atmosfere) in • satelitih ali vesoljskih plovilih (oziroma drugih nosilcih zunaj atmosfere). Talne senzorje ponavadi uporabljamo za primerjavo informacij o površju s podatki, ki jih prinašajo sateliti in letala. Pogosto skušamo z njimi bolje opisati predmete, ki jih opazujemo z drugimi senzorji. Na ta način lahko razumemo informacije, ki jih posredujejo podobe, ustvarjene s sateliti in letali. Talni senzorji so lahko nameščeni na lestvah, posebnih odrih, visokih zgradbah, vozilih s posebnimi rokami, žerjavih ... (slika 6.2 a). V zraku daljinsko zaznavanje ponavadi poteka iz prirejenih letal (slika 6.2 b), včasih pa uporabljamo tudi helikopterje. Z letali lahko pridobivamo zelo natančne podatke o zemeljskem površju. Ob ugodnih razmerah lahko z njimi snemamo kadar koli na katerem koli delu Zemlje. 38 6.2 Tirnice satelitov V vesolju snemanje opravljamo iz vesoljskih plovil (space shuttle; slika 6.2 c) ali, pogosteje, iz satelitov (slika 6.2 d). Sateliti so telesa (objekti), ki krožijo okrog drugih teles, v našem primeru okrog Zemlje. Primer naravnega satelita je Luna, umetni sateliti pa so tisti, ki jih je ustvaril človek in so namenjeni za daljinsko zaznavanje, telekomu- nikacije, telemetrijo (določanje položaja in navigacijo). Zaradi svojih značilnih tirnic sateliti ustvarjajo ponovljivo pokritost zemeljskega površja. Razlogov za izbiro platforme je več. Najpomembnejši so želena ločljivost (merilo), pokritost površja (mesto, država, celina) in cena sistema oziroma zajema. 6.2 Tirnice satelitov Instrumente za opazovanje Zemlje lahko, kot smo spoznali, namestimo na najrazličnejše platforme. Kljub temu, da včasih uporabljamo sisteme, ki snemajo s tal, in precej po- gosto tudi sisteme za opazovanje iz zraka, dandanes večino podob ustvarijo sateliti. Ti imajo kar nekaj pomembnih lastnosti, ki jih z drugimi sistemi ne moremo doseči. Omenimo le pokrivanje večjih površin, dobro poznano geometrijo in sistematično dol- goletno snemanje. Zato so pri opazovanju dogajanja na Zemlji sateliti danes že skoraj nepogrešljivi. Pot, ki jo satelit opiše, imenujemo tirnica ali orbita. Tirnice satelitov so prilagojene namenu in zmogljivosti senzorjev, ki jih ti nosijo. Ločimo jih po višini (nad zemeljsko površino) ter njihovi usmerjenosti in nagnjenosti glede na Zemljo. Sodobni sateliti imajo bodisi geostacionarno bodisi skoraj polarno tirnico. (a) (b) Slika 6.3: Geostacionarna (a) in skoraj polarna (b) tirnica satelita. Geostacionarne tirnice imajo sateliti, ko so zelo oddaljeni od Zemlje in ves čas opazujejo isti del njenega površja (slika 6.3 a). Geostacionarni sateliti krožijo okrog Zemlje na višini približno 36 000 km s hitrostjo, ki ustreza hitrosti kroženja Zemlje. Tako se za opazovalca na Zemlji zdijo navidezno pri miru – in seveda obratno, sateliti ne »opazijo« njenega kroženja in so ves čas nad isto točko. Na ta način lahko ves čas snemajo določen del površja. Geostacionarne tirnice imajo ponavadi vremenski 39 6 Sistemi daljinskega zaznavanja Geostacionarna tirnica Na satelite v geostacionarnih tirnicah delujeta gravitacijska sila Zemlje in cen- trifugalna sila zaradi kroženja. Ker sateliti ne spreminjajo višine kroženja, morata biti obe sili enako veliki Fg = Fc κM m mv2 = . r2 r V enačbi je κ = 6,672 10−11 m3kg−1s−2 gravitacijska konstanta, M = 5,983 1024 kg masa Zemlje, v = ωr hitrost gibanja satelita in ω = 2π/to kotna hitrost, pri čemer je to = 23 h 56 m = 8,64 104 s obhodni čas (Zemlja se okoli svoje osi zavrti prej kot v 24 urah, manjkajoče minute pridobi zaradi gibanja okoli Sonca). Za geostacionarne satelite mora torej veljati, da je oddaljenost od Zemlje r = 3 κM t2o = 42261 km. 4π2 Če od omenjene razdalje odštejemo radij Zemlje, ki znaša 6378 km, dobimo približno 36 000 km. in telekomunikacijski sateliti. Zaradi velike oddaljenosti od površja, lahko nekateri vremenski sateliti opazujejo celotno zemeljsko poloblo. Veliko satelitov potuje po razmeroma nizkih tirnicah, ki so ponavadi usmerjene v smeri sever–jug. Z izkoriščanjem vrtenja Zemlje, ki poteka v smeri zahod–vzhod, ti sateliti v določenem času pokrijejo večji del površja. Tirnice takih satelitov se imenu- jejo skoraj polarne, zaradi njihovega rahlega naklona glede na premico, ki poteka med severnim in južnim polom (slika 6.3 b). Veliko skoraj polarnih tirnic je sončno sinhro- nih, kar pomeni, da iste dele površja pokrijejo vedno ob istem krajevnem času. Položaj Sonca je zato na določeni zemljepisni širini ob prehodu satelita v enakih letnih časih enak. S tem poskrbimo za enako osvetlitev površja in primerljivost podob, ki so bile (a) (b) (c) Slika 6.4: Satelit s polarno tirnico časovno spreminja ravnino kroženja glede na Sonce (a). Na satelite s skoraj polarno tirnico deluje Zemlja zaradi sploščenosti asime- trično (b), zato ostaja – pri pravem naklonu glede na pol – ravnina njihovega kroženja v enakem položaju glede na Sonce (c). 40 6.2 Tirnice satelitov Slika 6.5: Dvigajoča in spuščajoča tirnica satelita. zajete v različnih letih ali pa v nekaj zaporednih dneh. To je še posebej pomembno, ko želimo opazovati spremembe med posnetki ali ko želimo posnetke sosednjih območij združiti v mozaik. Podob sončno sinhronih tirnic namreč ni treba »popravljati« zaradi različnih osvetlitvenih pogojev. Zemlja ni popolna krogla, ampak je zaradi vrtenja sploščena na polih. Na tirnice, ki potekajo natanko od severa proti jugu, sploščenost deluje simetrično. Ravnina kroženja satelitov v takih tirnicah se zato ne spreminja glede na zvezde (slika 6.4 a). Ker pa se Zemlja vrti okrog Sonca, se navidezni položaj slednjega spreminja in glede na oddaljene zvezde v enem letu opiše celoten krog. Če torej v določenem trenutku leži tirnica polarnega satelita v ravnini Sonca, bo zaradi kroženja Zemlje čez tri mesece nanjo pravokotna. Pri nagnjeni ali skoraj polarni tirnici satelit ne potuje prek zemeljskega pola, ampak nekoliko zamaknjeno (za približno 1000 km). Sploščenost Zemlje v tem primeru na satelit deluje asimetrično (slika 6.4 b), zaradi česar se ravnina kroženja spreminja glede na os vrtenja Zemlje (slika 6.4 c). S primernim naklonom – približno 8◦ – od polarne tirnice poskrbimo za sočasno (sinhrono) gibanje ravnine tirnice in Sonca. Satelit v tem primeru kroži ves čas v ravnini Sonca in zato površje vedno opazuje ob enakih krajevnih časih, torej sončno sinhrono. Večina sodobnih satelitov za daljinsko zaznavanje kroži v skoraj polarnih tirnicah. Pri tem potujejo na eni strani Zemlje od juga proti severu in na drugi od severa proti jugu. Dela tirnic, ki temu potovanju ustrezata, imenujemo dvigajoča (proti severu) in spuščajoča tirnica (proti jugu). Obe vrsti tirnic sta prikazani na sliki 6.5. Pri sončno sinhronih satelitih je dvigajoča praviloma na senčni strani Zemlje in spuščajoča na sončni. Zato senzorji, ki zaznavajo odbito sončno svetlobo, površje snemajo samo v spuščajoči tirnici, ko je prisoten vir svetlobe. Aktivni senzorji, ki sami poskrbijo za svoj vir svetlobe, in pasivni senzorji, ki zajemajo termično (lastno) sevanje, lahko površje opazujejo tudi v dvigajočem delu tirnice. Ko se satelit giblje okrog Zemlje, senzor »opazuje« določen del na njeni površini. Območje, ki ga satelit snema, imenujemo pas ali trak (slika 6.6). Pasovi za vesoljske 41 6 Sistemi daljinskega zaznavanja Satelitski manevri Tirnice satelitov za opazovanje Zemlje so relativno stabilne in zelo natančno določene. Nosilna reketa ob izstrelitvi satelit namesti kar se da blizu želenega položaja, za sodobne satelite gre za natančnost nekaj metrov. Zaradi različnih dejavnikov, na primer delovanja »tretjih« teles, atmosferskega trenja, nesfe- ričnosti Zemlje, Sončevega sevanja, pa se sčasoma tirnica spreminja in jo je treba občasno popravljati. Sateliti imajo zato posebne reakcijske motorje, ki s kratkimi sunki (impulzivnimi manevri) spremenijo velikost ali smer hitrosti satelita. Tako lahko spremenijo višino leta ali položaj (ravnino gibanja) tirnice. Sateliti imajo ob izstrelitvi določeno zalogo goriva, ki omogoča delovanje reaktivnih korekcijskih motorjev. Odvisno od položaja tirnice in števila ma- nevrov je energije dovolj za nekajletno usmerjanje. Ko se zaloge izpraznijo, satelita ni več mogoče usmerjati in je prepuščen naravnim silam. Orbitalni manevri so zato kar se da redki, natančni in energijsko varčni. S povečevanjem števila predmetov, ki krožijo okrog Zemlje, se povečuje koli- čina »vesoljskih odpadkov«. Zaradi načrtovanih novih izstrelitev satelite pravi- loma pred koncem delovanja odstranimo iz »delovnih« tirnic. Pri nizkoletečih satelitih (skoraj polarnih) jih spustimo na višino približno sto do dvesto ki- lometrov. Na tej višini satelit »iztiri«, pade v atmosfero in zgori v 24 urah. Ker pa premik iz nekaj sto kilometrov na relativno nizko višino zahteva precej energije, pogosto satelite spustimo le nekoliko niže, na višino približno 600 km. Ta višina poskrbi za naravno iztirjenje v približno 25 letih. Geostacionarni sateliti krožijo na velikih višinah in jih ni mogoče preusmeriti v atmosfero. Ob koncu njihovega delovanja jih zato za približno 300 km odda- ljimo od Zemlje v tako imenovano »pokopališko« tirnico. Tolikšna oddaljenost preprečuje Sončevemu sevanju in drugim majhnim silam, da bi satelit ponovno potegnile v geostacionarno tirnico. sisteme so široki od nekaj deset do nekaj tisoč kilometrov (IKONOS 11 km, QuickBird 16 km, SPOT 60 km, Landsat 180 km, AVHRR 2800 km). Satelitov položaj v smeri vzhod–zahod se med njegovim potovanjem okrog Zemlje ne bi spreminjal, če se ta ne bi pod njim vrtela. Za opazovalca na površju Zemlje se zaradi njenega kroženja – v smeri od zahoda proti vzhodu – zdi, da se satelit pomika proti zahodu. Zaradi tega navideznega premikanja satelit s svojim pasom ob zaporednih obhodih pokrije sosednja območja (slika 6.7). Kombinacija kroženja satelita v smeri sever–jug in vrtenja Zemlje v smeri zahod– vzhod omogoča popolno pokritost njenega površja s podobami. Takšno pokritost satelit doseže s celotno periodo tirnic v času, ki ga imenujemo čas ponovnega obiska. Recimo, da pričnemo opazovati satelit v nekem naključno izbranem delu njegove tirnice. Satelit opiše eno periodo takrat, ko se ponovno vrne v začetno tirnico. Pri tem gre prek iste točke na zemeljski površini (to je nadirja ali podnožišča). Časovni interval, ki je potreben za takšno pokritje, je različen od satelita do satelita in traja od nekaj ur do nekaj tednov. Praviloma moramo čas ponovnega obiska (ene periode) ločiti od časa ponovnega snemanja, to je časa, v katerem satelit lahko opazuje isto območje. Pri satelitih s premičnimi senzorji lahko opazujemo tudi območja, ki niso v podnožišču (iz sosednjih tirnic). Na ta način dosežemo čas ponovnega snemanja, ki je krajši od časa ponovnega 42 6.2 Tirnice satelitov (a) (b) Slika 6.6: Območje, ki ga satelit posname na zemeljski površini, se imenuje pas (a). Z več sosednjimi pasovi satelit posname večjo površino (b). (a) (b) Slika 6.7: Pokritost površja z eno tirnico (a) in dnevna pot satelita (b). 43 6 Sistemi daljinskega zaznavanja obiska. Pri skoraj polarnih tirnicah so področja na višjih zemljepisnih širinah snemana pogosteje od tistih ob ekvatorju (slika 6.7). Razlog za to je prekrivanje med sosednjimi pasovi, ki je ob polih izrazitejše, saj se tam tirnice »križajo«. Ponovitveni čas snemanja je zelo pomemben pri opazovanjih, kjer je treba snemati pogosteje, na primer v primerih naravnih in drugih nesreč, kot so poplave, zemeljski plazovi, razlitja nafte ... 6.3 Pasivni in aktivni senzorji Do sedaj smo kot vir elektromagnetnega valovanja oziroma energije za daljinsko za- znavanje že večkrat omenili Sonce. Energija, ki iz Sonca pride na Zemljo, se bodisi odbije v vidnem in bližnjem infrardečem delu spektra bodisi absorbira in nato znova izseva v obliki termičnih infrardečih valov. Senzorji daljinskega zaznavanja, ki »merijo« tako, v naravi obstoječo energijo, se imenujejo pasivni senzorji (slika 6.8 a). Z njimi lahko zaznavamo samo takrat, ko je vir energije prisoten. Za odbito Sončevo svetlobo to pomeni, da lahko snemamo samo, kadar Sonce osvetljuje Zemljo – torej podnevi, saj ponoči vira energije ni. Lastno termično infrardeče sevanje zemeljske površine pa lahko opazujemo tako podnevi kot ponoči. Edini pogoj je, da je sevanja dovolj za zaznavo z merilnimi instrumenti. Pasivne optične senzorje opisuje poglavje 8. (a) (b) Slika 6.8: Aktivni (a) in pasivni (b) način opazovanja zemeljskega površja. Aktivni senzorji za snemanje uporabljajo lastni vir elektromagnetnega valovanja oziroma energije (slika 6.8 b). Tovrstni senzorji oddajajo valovanje v smeri proti opa- zovanim predmetom, nato pa merijo intenziteto odbitega valovanja. Prednost aktivnih senzorjev je zmožnost snemanja kadar koli, ne glede na dnevni ali letni čas. Poleg tega lahko z aktivnimi senzorji opazujemo površje v spektralnih pasovih, pri katerih je Sončeve energije premalo, na primer v področju mikrovalov. Ne nazadnje lahko z aktiv- nimi instrumenti bolje vplivamo na način osvetlitve površja. Aktivni senzorji za svoje delovanje potrebujejo razmeroma velik vir energije, saj morajo ustvariti dovolj močan signal. Primera aktivnih senzorjev sta radar in laser, ki ju opisujemo v poglavjih 9 in 10. 44 6.3 Pasivni in aktivni senzorji Vprašanja 1. Kakšne platforme uporabljamo pri daljinskem zaznavanju? Katere so njihove prednosti in slabosti? 2. Kakšne tirnice imajo sateliti za opazovanje Zemlje? Katere so njihove najpo- membnejše lastnosti? 3. Opiši geostacionarno tirnico. 4. Opiši skoraj polarno tirnico. 5. Kakšna je razlika med dvigajočo in spuščajočo tirnico? 6. Kaj je čas ponovnega obiska in kaj čas ponovnega snemanja? 7. Kakšni so aktivni in pasivni senzorji? Kakšna je razlika med njimi? 45 7 Ločljivost snemalnih sistemov Senzorji daljinskega zaznavanja so namenjeni opazovanju različnih predmetov in poja- vov. Z nekaterimi spremljamo hitre spremembe, praviloma na velikih območjih, z dru- gimi želimo zaznati kar se da majhne podrobnosti, s tretjimi skušamo ločevati podobne predmete. V nadaljevanju poglavja bomo obravnavali pojem ločljivosti, ki opredeljuje zmogljivost sistema. Ločimo več vrst ločljivosti, in sicer: • prostorsko, ki določa velikost najmanjših opazovanih predmetov, • spektralno, ki pove, kako dobro ločimo različne valovne dolžine, • radiometrično, ki podaja razpon in število opazovanih vrednosti, ter • časovno, ki določa pogostost snemanja. 7.1 Prostorska ločljivost Razdalja med opazovanimi predmeti in snemalnimi napravami določa natančnost (po- drobnost) opazovanj in površino, ki jo »naenkrat« zajamemo. Senzorji na platformah, ki so bolj oddaljene od opazovanih predmetov, praviloma »vidijo« večje območje, vendar ne morejo razločiti majhnih podrobnosti. Podobno, na primer, astronavt na vesoljskem plovilu naenkrat vidi mnogo večjo površino kot potnik na letalu. Prvi lahko opazuje celotno državo ali celo kontinent, pri čemer pa ne more zaznati posameznih hiš. Ob potovanju z letalom pa lahko opazujemo ne le hiše, ampak celo posamezne manjše pred- mete, kot so, denimo, avtomobili in ljudje. Seveda pa iz letala vidimo mnogo manjše območje, ponavadi le del mesta ali pokrajine. Podobna je razlika med snemanjem iz letala in satelita. Podrobnosti, ki jih na podobah opazimo, so odvisne od prostorske ločljivosti sen- zorja. Povezane so z velikostjo najmanjših predmetov, ki jih na posnetkih še prepo- znamo. Prostorska ločljivost (spatial resolution) pasivnih senzorjev1 je odvisna od tre- nutnega vidnega polja (instantaneous field of view, IFOV), ki je prikazano na sliki 7.1. V idealiziranem smislu gre za zelo »raztegnjeno« piramido (Ω, oglat »stožec«), ki določa površino na Zemlji (S), »vidno« z določene višine v določenem trenutku. Velikost ob- močja, ki ga lahko opazujemo, je določena z množenjem vidnega polja (kota) z razdaljo med senzorjem in površjem (h). S = h Ω. (7.1) 1 Z ločljivostjo aktivnih senzorjev se bomo ukvarjali v poglavju 9 (radar) in 10 (lidar). 47 7 Ločljivost snemalnih sistemov Slika 7.1: Vidno polje določa prostorsko ločljivost. Opazovano območje na površju imenujemo tudi resolucijska ali ločljivostna celica, njegova velikost pa opredeljuje prostorsko ločljivost senzorja. Če želimo zaznati neko homogeno telo, mora biti njegova velikost v splošnem enaka ali večja od ločljivostne celice. Če je predmet manjši od nje, ga verjetno ne bomo zaznali, saj senzor zapiše samo povprečno svetlost vseh predmetov znotraj celice. V posebnih primerih take predmete kljub temu zaznamo, predvsem takrat, ko je njihova odbojnost zelo značilna (ponavadi velika). V tem primeru govorimo o podpikselskem prepoznavanju (subpixel detection). Podobe, ki jih uporabljamo pri daljinskem zaznavanju, so praviloma predstavljene v obliki matrik pikslov. Piksli ali slikovni elementi predstavljajo najmanjše dele podobe. Vendar pikslov ne smemo mešati s prostorsko ločljivostjo. Če ima neki senzor ločljivost 20 m in je njegova podoba prikazana s polno ločljivostjo, vsak piksel predstavlja površino 20 krat 20 m. V tem primeru sta velikost piksla in ločljivost res enaki. Podobe pa lahko prikazujemo tudi s piksli, ki so različni od ločljivosti. Veliko satelitskih kart in drugih slik ima piksle, ki so povprečeni in predstavljajo večja območja, pri čemer velikost piksla ni enaka ločljivosti senzorja. Slednje je še posebej očitno pri radarskih senzorjih, pri katerih s povprečenjem več pikslov surove podobe dobimo posnetek z manjšim šumom, ki pa ima slabšo prostorsko ločljivost. Podobe, na katerih lahko vidimo in prepoznamo samo velike predmete, imajo grobo ali nizko ločljivost (slika 7.2 a). Pri drobno- ali visokoločljivih podobah pa lahko prepo- znamo veliko podrobnosti in s tem tudi manjše predmete (slika 7.2 b). Vojaški vohunski senzorji so, na primer, načrtovani tako, da vidijo kar se da majhne predmete in imajo torej zelo visoko ločljivost. Komercialni satelitski sistemi ponujajo podobe z ločljivostjo od nekaj metrov do več kilometrov. Visokoločljiva satelita QuickBird in IKONOS, na primer, imata pankromatsko ločljivost (črno-belo oziroma enobarvno) 0,61 m oziroma 1 m in večspektralno (večbarvno oziroma večkanalno) 2,44 m oziroma 4 m.2 Srednje- ločljiva SPOT in Landsat imata ločljivost 10 m oziroma 15 m pankromatsko ter 20 m 2 Prostorska ločljivost senzorja satelita IKONOS v nadirju je dejansko 0,82 m pankromatsko in 3,20 m večspektralno, vendar so vse podobe prevzročene na 1 m in 4 m. 48 7.2 Spektralna ločljivost (a) (b) Slika 7.2: Podoba nizke (a) in visoke (b) ločljivosti. oziroma 30 m večspektralno. Nizkoločljivi sateliti snemajo mnogo večje površine in imajo zato slabšo prostorsko ločljivost, kot je, na primer, 1,1 km za AVHRR. Zaključimo lahko, da s podobami večje ločljivosti opazujemo manjše dele površja z boljšo natančnostjo, s podobami nizke ločljivosti pa večje dele z manjšo natančnostjo. 7.2 Spektralna ločljivost V poglavju 5 smo spoznali spektralni odziv (odboj) predmetov in lastnosti lastnega termičnega sevanja. Ogledali smo si lastnosti predmetov na površju Zemlje v odvisnosti od valovne dolžine. Različne predmete ali njihove skupine lahko na podobah pogosto razlikujemo s primerjavo njihovega spektralnega odziva pri različnih valovnih dolžinah. Široke razrede, kot sta na primer voda in rastlinje, ločimo z uporabo širokega področja valovnih dolžin – na primer vidne in infrardeče svetlobe. Bolj specifičnih razredov, na primer različnih vrst rastlin (slika 7.3; trepetlika, jelka, javor, pinija), pa s širokim pasom valovnih dolžin ponavadi ne ločimo. Ločevanje slednjih je mogoče šele z zelo ozkimi območji valovnih dolžin. Z drugimi besedami, potrebujemo sisteme z veliko spektralno ločljivostjo. Spektralna ločljivost pove, kako dobro senzor določa različne valovne dolžine. Boljša ko je, ožji so spektralni pasovi oziroma kanali in večje je njihovo število. S črno-belim filmom zaznavamo svetlobo večjega ali celotnega vidnega elektro- magnetnega spektra (slika 7.4 a). Spektralna ločljivost tovrstnega filma je precej slaba, saj posameznih valovnih dolžin vidne svetlobe med seboj ne moremo ločiti in zapisu- jemo samo njihovo povprečje. Običajni barvni film je prav tako občutljiv na vse valovne dolžine vidnega dela spektra (slika 7.4 b). Vendar je njegova spektralna ločljivost ve- čja, ker so posamezni sloji filma občutljivi na modro, zeleno in rdečo svetlobo. Zato lahko lastnosti predmetov prikaže v različnih barvah, odvisno od intenzitete odboja pri posameznih valovnih dolžinah. Sodobni sistemi za daljinsko zaznavanje merijo odbojnost, lastno sevanje ali odbito umetno valovanje pri več različnih območjih valovnih dolžin. Tem senzorjem pravimo 49 7 Ločljivost snemalnih sistemov 100 trepetlika jelka javor pinija 80 ) (% 60 Odboj 40 20 0 0,5 1 1,5 2 2,5 λ (µm) Slika 7.3: Spektralni podpis podobnih predmetov. Slika 7.4: Spektralna ločljivost fotografij. več- ali multispektralni, z njimi pa se bomo podrobneje ukvarjali v razdelku 8.2. Na- prednejši večspektralni senzorji, ki so zmožni zaznati več sto zelo ozkih pasov valovnih dolžin vidne, bližnje in srednje infrardeče svetlobe, se imenujejo hiperspektralni. Za- radi zelo visoke spektralne ločljivosti omogočajo hiperspektralni senzorji ločevanje zelo podobnih predmetov, saj lahko z njimi spektralni podpis opišemo praktično zvezno. 7.3 Radiometrična ločljivost Razporeditev pikslov določa prostorsko ločljivost podobe, radiometrična ločljivost pa opiše njeno informacijsko vrednost (to je količino informacij, ki jo lahko poda). Ko 50 7.3 Radiometrična ločljivost Slika 7.5: Zapis linearne krivulje z enobitno in štiribitno radiometrično ločljivostjo. (a) (b) Slika 7.6: Primerjava dvo- (a) in osembitne (b) radiometrične ločljivosti. ustvarimo podobo s filmom ali elektronskim senzorjem, je njena radiometrična ločljivost določena z občutljivostjo glede na intenziteto elektromagnetnega valovanja. Tovrstna ločljivost snemalnega sistema pove, kako dobro sistem ločuje majhne razlike v energiji valovanja. Boljša ko je ločljivost senzorja, manjše razlike intenzitete odbite ali sevane energije lahko ta loči. Signal, ki ga senzor zajame, zapišemo v obliki matrike pikslov oziroma podobe. Pri tem analogne vrednosti pretvorimo v digitalne oziroma jih predstavimo s pozitivnimi celimi števili. Zaradi načina delovanja računalnikov so te med vrednostma 0 in ena manj kot izbrana potenca števila 2 (0 do 2n–1). Tak razpon ustreza številu uporabljenih bitov pri dvojiškem zapisu – vsak bit namreč v končno število prinese faktor 2 (1 bit = 21 = 2). 51 7 Ločljivost snemalnih sistemov Iskanje najboljše ločljivosti Pri načrtovanju senzorja moramo poiskati najboljše razmerje med prostorsko, spektralno in radiometrično ločljivostjo. Če želimo imeti veliko prostorsko lo- čljivost (majhne piksle), mora imeti senzor ozko trenutno vidno polje. To pa zmanjša količino zaznane energije, saj opazujemo majhen del površja, ki od- bija ali seva malo valovanja. Posledica je slaba radiometrična ločljivost oziroma omejena zmožnost zaznavanja razlik v energiji. Količino zaznane energije (in s tem radiometrično ločljivost) lahko povečamo tako, da opazujemo širši pas va- lovnih dolžin v posameznem kanalu. S tem pa zmanjšamo spektralno ločljivost (zmožnost ločevanja valovanja več valovnih dolžin) senzorja. Po drugi strani slabša prostorska ločljivost poveča količino energije, ki pade na detektor, in s tem poveča tako spektralno kot radiometrično ločljivost. Pri iskanju najboljše ločljivosti se moramo torej odločiti za ravnovesje med želenimi prostorskimi, spektralnimi in radiometričnimi lastnostmi senzorja. Celoten razpon vrednosti na podobi ustreza dinamičnemu razponu senzorja – najmanjša vrednost ustreza najmanjšemu zaznanemu odboju, največja pa največjemu (kalibracijo senzorjev obravnava razdelek 15.5). Največje število svetlostnih stopenj, ki jih podoba lahko zabeleži, je odvisno od števila bitov, uporabljenih za zapisovanje. Če senzor, na primer, zaznava energijo z razponom 8 bitov, lahko prikaže 28 = 256 različnih vrednosti med 0 in 255. Senzor, ki ima samo 4 bite, pa lahko zazna le 24 = 16 vrednosti med 0 in 15. To pomeni, da ima tak senzor precej manjšo radiometrično ločljivost, saj namesto 256 loči le 16 vrednosti energije, kar je manj kot desetina. Podatke, ki jih vsebujejo podobe, ponavadi prikažemo z razponom sivih vrednosti, pri čemer črni ustreza vrednost 0, beli pa največja mogoča vrednost (na primer 255 pri 8-bitnih podatkih). Slika 7.6 primerja podobo z dvo- (a) in osembitno (b) radiometrično ločljivostjo. Na osembitni podobi zaradi večjega števila sivin opazimo veliko več podrobnosti. 52 7.4 Časovna ločljivost 7.4 Časovna ločljivost Poleg prostorske, spektralne in radiometrične, moramo pri daljinskem zaznavanju upo- števati tudi časovno ločljivost. Časovna ločljivost pove, kako pogosto lahko snemamo iste dele Zemlje oziroma koliko časa preteče med dvema zaporednima snemanjema. Časovne ločljivosti smo se dotaknili že v poglavju 6.2, ko smo se ukvarjali s časom ponovnega obiska, to je časom, v katerem satelit opravi celoten ciklus tirnic, in časom ponovnega snemanja, to je časom, ki mine med dvema zajetjema istega območja. Čas ponovnega obiska satelitskih sistemov je ponavadi dolg več dni ali celo tednov, odvisno od načina snemanja. Slika 7.7: Časovno ločljivost lahko povečamo s sistemi, ki lahko senzorje zasukajo. Časovna ločljivost je odvisna od veliko dejavnikov, od katerih so najpomembnejše lastnosti snemalnega sistema, predvsem možnosti zasuka, ter stopnja prekrivanja tirnic, ki je odvisna od geografske širine. Absolutna časovna ločljivost sistema, pri kateri sistem isto območje opazuje pod enakimi pogoji (kot gledanja), je enaka času ponovnega obiska. Pasovi snemanja, ki jih satelit posname iz sosednjih tirnic, pa se delno prekrivajo, še posebej v višjih geografskih širinah. Zaradi prekrivanja lahko določene dele zemeljskega površja opazujemo pogosteje. Nekateri satelitski sistemi, na primer QuickBird, IKONOS ali SPOT, lahko senzorje zasukajo za kot, ki meri od nekaj stopinj do nekaj deset stopinj (slika 7.7). Tako lahko opazujejo isti del površja iz različnih tirnic, ki so tipično med seboj oddaljene od enega do pet dni. Pri takšnih satelitih je časovna ločljivost, to je čas ponovnega snemanja, precej krajša od časa ponovnega obiska. Možnost pridobivanja podob istega dela zemeljskega površja ob različnih časih je eden najpomembnejših elementov pri uporabi podatkov daljinskega zaznavanja. Spek- tralne lastnosti predmetov se namreč spreminjajo in z uporabo veččasovnih ali multi- temporalnih podob lahko te spremembe zaznamo. Lastnosti rastlin, na primer, se v času rastne dobe spreminjajo zvezno. Ali bomo določen pojav lahko spremljali z daljin- skim zaznavanjem, je odvisno predvsem od narave pojava ter časa in pogostosti zajema podob. S stalnim snemanjem ob različnih časih lahko opazujemo spremembe, ki se dogajajo na zemeljskem površju. Te so lahko naravne, na primer spreminjanje stanja rastlinja ali poplave, oziroma umetne, ki jih s svojim delovanjem povzroči človek, na primer širjenje urbanih površin ali krčenje gozdov. 53 7 Ločljivost snemalnih sistemov Pogostost snemanja je še posebej pomembna, • kadar stalna oblačnost omejuje število jasnih podob (zlasti v tropskih krajih), • ko opazujemo kratkotrajne pojave (poplave, razlitje nafte ...), • če želimo opazovati ob več časovnih trenutkih (multitemporalno; primerjava raz- širjenosti bolezni gozdov v več letih) in • kadar lahko z opazovanjem sprememb določen predmet ločimo od drugih podobnih (razlikovanje pšenice in koruze). Vprašanja 1. Kaj je prostorska ločljivost? Kaj jo določa? 2. Kaj je spektralna ločljivost? 3. Kaj je radiometrična ločljivost? 4. Kaj je časovna ločljivost? 54 8 Optični senzorji Optični snemalni sistemi predstavljajo najbolj razširjen in najstarejši sistem daljinskega zaznavanja površine Zemlje. Fotografske kamere so preprost optično mehanski oziroma v zadnjem času praviloma optično elektronski instrument, ki v trenutku ustvari sliko površja. Naprednejše opazovanje z boljšo – predvsem spektralno – ločljivostjo omo- gočajo skenerji, ki z majhnim vidnim poljem iz zaporedja opazovanj ustvarijo podobo večjega območja. 8.1 Fotografske kamere Fotografske kamere so pasivni optični snemalni sistemi, ki z uporabo leč (ali sistema leč) tvorijo podobo v goriščni ravnini, to je ravnini, na kateri je slika ostra (slika 8.1). Slika 8.1: Snemalni sistem pri fotografiranju. Fotografski filmi so, kot smo že omenili, občutljivi na svetlobo valovnih dolžin med 300 in 900 nm. Temu ustrezajo ultravijolična, vidna in bližnja infrardeča svetloba. Črno-beli ali pankromatski1 film je običajno občutljiv v območju med 360 in 720 nm, je pa razmeroma slabo občutljiv na zeleno svetlobo (glej sliko 8.2 a), kar predstavlja težave pri fotointerpretaciji vegetacije. Prostorska in radiometrična ločljivost je pri tovrstnih filmih zelo velika. Pankromatski filmi so občutljivi tudi na del ultravijoličnega spektra, zato jih lahko uporabljamo tudi pri ultravijolični svetlobi, če pred kamero damo filter, ki 1 Pankromatski pomeni občutljiv za vse barve. 55 8 Optični senzorji (a) 100 črno-beli IR črno-beli 80 ) 60 40 Občutljivost (% 20 0 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 λ (µm) (b) 100 barvni IR barvni 80 ) 60 40 Občutljivost (% 20 0 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 λ (µm) Slika 8.2: Spektralna občutljivost različnih filmskih emulzij pri črno-belem (a) in barv- nem filmu (b). ne prepušča vidne svetlobe. Vendar zaradi močnega atmosferskega sipanja in absorpcije ultravijolične fotografije ne uporabljamo prav pogosto. Infrardeči črno-beli film je občutljiv na vidni in bližnji infrardeči del elektromagnet- nega valovanja (slika 8.2 b). Ta film je slabše ločljivosti kot navadni črno-beli film, poleg tega pa je slabo občutljiv na zeleno svetlobo. Infrardeče filme pogosto uporabljamo pri snemanju z velikih višin, ker so občutljivi na svetlobo, ki lahko prodre skozi meglice. Barvna in lažno barvna (tudi infrardeča barvna) fotografija uporabljata filme s tremi plastmi, od katerih je vsaka občutljiva za drugo območje valovnih dolžin. Pri običajni barvni fotografiji so plasti občutljive na modro, zeleno in rdečo svetlobo – to je enako 56 8.1 Fotografske kamere (a) (b) Slika 8.3: Primerjava naravne (a) in lažno barvne (b) podobe. kakor človeške oči (sliki 8.2 b in 8.3 a). Na takšnih fotografijah je okolica lahko prepo- znavna, saj barve ustrezajo »naravnim« – drevesa so zelena, vode modre, ceste sive ... Pri barvni infrardeči fotografiji pa so emulzije občutljive za modrozeleno, rdečo in fotografski del infrardeče svetlobe (sliki 8.2 b in 8.3 b). Omenjene barve so predstavljene z modrimi, zelenimi in rdečimi toni. Na infrardečih barvnih fotografijah so predmeti, ki imajo visoko odbojnost v infrardečem delu spektra (na primer zdrava vegetacija), videti rdeči, tisti, ki močno odbijajo rdečo svetlobo, so videti zeleni, in tisti, ki odbijajo modrozeleno svetlobo, so videti modri. Na ta način dobimo lažno predstavo o barvah predmetov v naravi. Digitalne kamere, ki energijo elektromagnetnega valovanja zapisujejo elektronsko, se nekoliko razlikujejo od svojih »klasičnih« sorodnikov. Namesto filma tovrstni sistemi uporabljajo mrežo senzorjev CCD (charge-coupled devices), ki zaznavajo elektromag- netno valovanje. Energija, ki dospe na površino CCD, ustvari električni naboj, sorazme- ren »svetlosti« opazovanega površja. Na osnovi naboja pikslom v vsakem spektralnem kanalu priredimo številsko vrednost. Digitalna oblika nastale podobe je primerna za analizo in arhiviranje z računalniki, poleg tega pa lahko iz nje ustvarimo tiskano kopijo, ki je podobna običajni fotografiji. Digitalne kamere omogočajo večjo spektralno ločlji- vost, poleg tega pa podatke zajemajo ceneje in hitreje od klasičnih kamer. Lastnosti takih sistemov razlikujejo, v splošnem lahko z njimi zbiramo podatke s prostorsko lo- čljivostjo nekaj decimetrov in spektralno od 0,012 µm do 0,3 µm. Pri tipičnih kamerah uporabljamo detektorje z nekaj milijoni pikslov. Kljub temu, da fotografske kamere lahko uporabljamo na tleh in na vesoljskih plo- vilih, so najpogosteje nameščene na helikopterje in letala. Zelo natančne letalske fo- tografije uporabljamo v najrazličnejših aplikacijah, kjer je treba prepoznavati majhne predmete in veliko podrobnosti. Pokritost površja z letalskimi fotografijami je odvisna od več dejavnikov, predvsem od goriščne razdalje objektiva, višine leta platforme in for- mata oziroma velikosti filma. Goriščna razdalja namreč določa vidno polje sistema leč (poglavje 7.1) in tako določa območje, ki ga kamera »vidi«. Goriščne razdalje kamer, ki se najpogosteje uporabljajo pri letalski fotografiji, so med 90 in 210 mm. Z daljšo 57 8 Optični senzorji Slika 8.4: Letalo z več preleti posname večje površje. goriščno razdaljo vidimo manjšo površino na tleh z večjo natančnostjo, to je z večjim merilom. Velikost opazovanega območja je, kot rečeno, odvisna tudi od višine platforme nad Zemljo. Pri večjih višinah kamera »opazuje« večje dele površja, vendar z manjšo na- tančnostjo kot pri nižjih. Letalska fotografija omogoča visoko ločljivost, ki je pogosto velikostnega reda nekaj deset decimetrov, je pa odvisna od geometrije gledanja (pred- vsem višine leta) in številnih drugih parametrov. Pri zajemanju navpičnih fotografij letalo ponavadi leti v zaporedju linij, ki se ime- nujejo poti leta (slika 8.4). Fotografije zajema z veliko hitrostjo, pri čemer ves čas snema področje neposredno pod letalom. Med zaporednimi fotografijami je ponavadi 50- do 60-odstotno prekrivanje, s čimer je dosežena popolna pokritost poti leta in hkrati omogočeno stereoskopsko gledanje. Zaporedne fotografije namreč na iste dele površja gledajo pod različnimi koti. Z uporabo posebne naprave, ki se imenuje stereoskop, lahko opazujemo trirazsežne poglede površja oziroma tako imenovani stereo model. Stereo- skopija je eden najpogostejših načinov uporabe letalskih fotografij. Fotografije so najbolj uporabne, kadar želimo visoko prostorsko natančnost in ne potrebujemo velike spektralne ločljivosti. Ta je namreč pri fotografijah, tako barvnih kot črno-belih, praviloma precej slabša kot pri elektronskih skenerjih. Interpretacijo fotografij ponavadi izvajajo izurjeni interpretatorji. Poleg tega jih lahko skeniramo, to je pretvorimo v digitalno obliko, in obdelujemo z računalniki (poglavja 13 do 18). Geometrijo navpičnih snemanj zelo dobro poznamo, zato je mogoče na fotografijah izvajati natančne meritve. Znanost, ki proučuje in obdeluje metode merjenj dimenzij predmetov na perspektivnih fotografskih in digitalnih posnetkih, se imenuje fotograme- trija. Z njo z opazovanjem dveh ali več posnetkov, narejenih iz različnih točk, pridobimo trirazsežne koordinate predmeta. Fotogrametrijo uspešno in v veliki meri uporabljamo že od prvih letalskih fotografij pri topografskem kartiranju, v arhitekturi, gradbeništvu, geologiji, arheologiji ... Pri večslikovni ali večspektralni fotografiji uporabljamo sistem z več lečami in raz- ličnimi kombinacijami filmov. Tako lahko zajemamo fotografije istočasno v različnih spektralnih območjih. Prednost večslikovnih kamer je njihova zmožnost zaznavanja in zapisovanja odbitega valovanja v različnih pasovih valovnih dolžin. Tako lahko bolje lo- čimo in prepoznavamo predmete na površju. Seveda pa je hkratna analiza več letalskih fotografij lahko precej zapletena. 58 8.2 Večspektralno skeniranje 8.2 Večspektralno skeniranje Večina elektronskih senzorjev daljinskega zaznavanja uporablja snemalne sisteme, ki imajo detektorje svetlobe z ozkim vidnim poljem (instantaneous field of view, IFOV). Senzor s slednjim »pometa« po površini Zemlje in tako ustvarja dvorazsežne podobe. Skenerji (scanner), kot imenujemo tovrstne senzorje, so lahko nameščeni tako na letalih kot satelitih, pri čemer imajo skoraj enake lastnosti. Sistem, ki je namenjen zbiranju podatkov v širokem območju različnih pasov valovnih dolžin, se imenuje mutispektralni ali večspektralni skener (multispectral scanner, MSS). Danes so to najbolj razširjeni snemalni sistemi. Pri daljinskem zaznavanju poznamo dva glavna načina skeniranja: • prečno skeniranje (across-track scanning) in • vzdolžno skeniranje (along-track scanning). 8.2.1 Prečni skenerji Prečni skenerji (slika 8.5) Zemljo snemajo z zaporedji vrstic, ki so pravokotne na smer gibanja platforme (so torej prečno). Vsako vrstico zabeležijo s premikanjem senzorja z ene strani na drugo, pri čemer uporabljajo nihajoče ali vrteče se zrcalo. Ker se no- silna platforma premika naprej, lahko z zaporednimi vrstami sestavimo dvorazsežno podobo površine Zemlje. Elektromagnetno valovanje, ki vpada na senzor, se razdeli na posamezne dele, ki so zaznani vsak posebej. Senzor ultravijolično, vidno, infrardeče in termično sevanje – podobno kot prizma – razdeli na sestavne dele in jih pošlje zbirki notranjih detektorjev, ki so vsak občutljivi na valovanje določene valovne dolžine. De- tektorji zaznajo in izmerijo energijo za pas valovnih dolžin (kanal), jo najprej pretvorijo v električni signal in nato v digitalni zapis. Tega nato dodatno obdelajo in zapišejo v obliki rastrske mreže pikslov (podobe). Slika 8.5: Prečni skener. Prostorsko ločljivost prečnega senzorja, kot smo že omenili, določata vidno polje in višina platforme, ki skupaj določata resolucijsko (ločljivostno) celico. Kot, za katerega se lahko zasuka zrcalo, določa pas snemanja oziroma dolžino ene vrstice. Letalski senzorji snemajo praviloma z velikimi zasuki senzorja – med 90◦ in 120◦ – medtem ko je pri satelitih zaradi večje višine leta potreben manjši zasuk – 10◦ do 20◦. 59 8 Optični senzorji Korekcija snemalnih vrstic Nihanje snemalnega zrcala skupaj z gibanjem platforme bi ustvarilo vrstice, ki niso poravnane druga glede na drugo. Zato v sistemih, ki uporabljajo tovrstni način skeniranja, uporabljamo tako imenovan korektor snemalnih vrstic (scan line corrector, SLC). Pri satelitu Landsat in senzorju ETM+ gre za optično elektronski mehanizem, sestavljen iz dveh vzporednih zrcal. Zrcali se gibljeta pravokotno na os snemalnega zrcala, sinhrono z njegovim gibanjem in tako kompenzirata premikanje vidnega polja na površju. Namesto snemanja v obliki cikcakaste črte na ta način dobimo vzporedne vrstice. Zaradi povečevanja razdalje med senzorjem in površjem pri naraščajočem kotu gle- danja se povečuje tudi velikost ločljivostne celice. S tem postane ločljivost odvisna od položaja znotraj podobe in pride do neželenega geometrijskega popačenja. Velikost območja, ki ga senzor opazuje, je na robovih podobe večja kot v njeni sredini. Po- jav je še zaradi nizkega leta še posebej izrazit pri letalskih sistemih. Poleg tega je pri prečnih skenerjih razmeroma kratek tudi čas »opazovanja« ločljivostne celice ali čakalni čas (dwell time). To vpliva tako na zgradbo senzorja, kot tudi na njegovo prostorsko, spektralno in radimetrično ločljivost. Prečne skenerje uporablja veliko sistemov za opazovanje Zemlje, na primer Landsat, IKONOS, QuickBird ... 8.2.2 Vzdolžni skenerji Vzdolžni skenerji (slika 8.6) naenkrat zajamejo celotno vrstico na Zemlji in z izkori- ščanjem gibanja snemalnega sistema ustvarijo podobo v smeri gibanja ali vzdolžno. 60 8.2 Večspektralno skeniranje Tovrstni senzorji nimajo vrtečega zrcala, ampak vrsto detektorjev, ki se nahajajo v goriščni razdalji sistema leč. Ker njihovo delovanje spominja na pometanje z metlo, vzdolžne skenerje včasih imenujemo tudi pometajoči (pushbroom). Vsak posamezni senzor zaznava energijo točno določene resolucijske celice, zato velikost detektorjev prek njihovega vidnega polja določa prostorsko ločljivost. Vzdolžni sistemi potrebujejo za vsak kanal poseben sistem detektorjev. Ti zaznavajo energijo po vrsticah, jo nato spremenijo v električne impulze in pretvorijo v digitalno obliko. Slika 8.6: Vzdolžni skener. Vzdolžni skenerji z vrsticami detektorjev imajo nekaj pomembnih prednosti v pri- merjavi s prečnimi z vrtečimi zrcali. Množica detektorjev, v povezavi s pometanjem, omogoča vsakemu detektorju, da dlje časa opazuje površino pod seboj. Tako lahko senzor zazna več energije, kar izboljša radiometrično ločljivost. Podaljšan čakalni čas dovoljuje tudi manjše vidno polje in ožje spektralne pasove, zato lahko s takimi senzorji dosežemo boljšo prostorsko in spektralno ločljivost. Detektorji so ponavadi preproste mikroelektronske naprave, ki so majhne, lahke in zahtevajo malo energije. Poleg tega nimajo gibljivih delov, zaradi česar so prečni skenerji bolj zanesljivi, so manj občutljivi za mehanske okvare in imajo daljšo življenjsko dobo. Po drugi strani pa moramo ume- riti več tisoč detektorjev, kar je vse prej kot preprosta naloga. Le z rednim umerjanjem lahko namreč dosežemo enakomerno občutljivost po celotni podobi. Ne glede na to, kateri snemalni sistem uporabljamo, imajo skenerji precej prednosti v primerjavi s fotografskimi kamerami. Spektralno območje fotografskih sistemov je, na primer, omejeno na vidno in bližnjo infrardečo svetlobo. Večspektralne senzorje pa lahko uporabljamo tudi v področju srednje in termične infrardeče svetlobe. Poleg tega lahko z njimi dosežemo mnogo boljšo spektralno ločljivost. Večkanalni ali večspektralni fotografski sistemi vsak »barvni« pas zajamejo s svojim sistemom leč. To lahko povzroči težave pri primerjavi kanalov, tako prostorsko kot radiometrično, poleg tega pa ustvari nepravilnosti pri koregistraciji podob. Večspektralni senzorji zajemajo vse spektralne kanale hkrati skozi isti optični sistem in se omenjenim težavam v veliki meri izognejo. Klasični fotografski sistemi beležijo zaznano energijo prek fotokemičnih reakcij, ki jih težko merimo in stabiliziramo. Večspektralni sistemi in digitalne kamere meritve opravljajo elektronsko, zato z njimi lažje določimo količino energije, hkrati pa lahko opazujejo širši spekter odbojnih vrednosti. Ne nazadnje potrebujejo fotografski sistemi stalen vir filma, ki ga je treba razviti na tleh in iz negativov ustvariti fotografije. Di- gitalni sistemi večspektralnih senzorjev po drugi strani omogočajo prenos podatkov v sprejemno postajo na tleh in takojšnjo obdelavo z računalniki. 61 8 Optični senzorji 8.3 Termično snemanje Veliko večspektralnih sistemov zaznava sevanje tako v vidnem in odbitem infrardečem kot tudi v termičnem infrardečem delu elektromagnetnega spektra. Zaznavanje sevane energije v področju termičnega sevanja (to je od 3 µm do 15 µm) je precej drugačno od zaznavanja odbite Sončeve svetlobe. Termične senzorje, ki s posebnimi fotodetek- torji zaznavajo fotone prave valovne dolžine, je treba močno hladiti (skoraj do absolu- tne ničle), saj moramo njihovo lastno sevanje zmanjšati na najmanjšo možno vrednost (slika 8.7). Tovrstni senzorji pravzaprav merijo temperaturo površja oziroma termične lastnosti opazovanih predmetov. Slika 8.7: Termično snemanje. Termični senzorji praviloma delujejo v prečni smeri, kot je opisano v razdelku 8.2. Taki senzorji zaznano sevano valovanje primerjajo z enim ali več lastnimi viri sevanja. Zato lahko vrednosti, ki jih z njimi dobimo, primerjamo z absolutnimi temperatu- rami. Podatke praviloma zapisujemo v digitalni obliki, natančnost termičnih senzorjev pa lahko doseže do 0,1 ◦C. Zaradi lažje analize ponavadi prikazujemo slike relativne temperature v obliki sivih ali navidezno barvnih podob, ki jih imenujemo termogrami (slika 8.8). Pri tem so višje temperature podane bodisi s svetlimi toni ali toplimi bar- vami (rdečo), nižje temperature pa s temnimi toni ali hladnejšimi barvami (modro). V večini primerov lahko s podobami, ki prikazujejo razlike temperatur, opravimo kakovo- stne analize in le redko nas zanimajo absolutne temperature. Slednje lahko izračunamo iz podob, vendar pa moramo imeti podatke za njihovo kalibracijo (kot je opisano v razdelku 15.5). Z drugimi besedami – poznati moramo temperature nekaterih točk ali referenčnega vira valovanja na satelitu, s čimer določimo prenosno funkcijo senzorja. Pri termičnem valovanju je zaradi razmeroma velike valovne dolžine učinek atmo- sferskega sipanja zanemarljiv (zlasti v primerjavi z vidno svetlobo). Kljub temu pa absorpcija v plinih ozračja omejuje termično opazovanje na dve okni – od 3 do 5 µm in od 8 do 14 µm. Ker se gostota elektromagnetnega sevanja zmanjšuje s povečevanjem valovne dolžine, imajo termični senzorji veliko vidno polje. Le tako lahko namreč po- skrbijo, da senzor prejme dovolj energije za zanesljive meritve. Zaradi velikega vidnega polja je prostorska ločljivost termičnih senzorjev sorazmerno majhna v primerjavi s sen- zorji vidne in bližnje infrardeče svetlobe. Termograme lahko zajemamo tako podnevi kot ponoči, saj ne zaznavamo odbite Sončeve svetlobe, ampak lastno sevanje Zemlje. Termično daljinsko zaznavanje uporabljamo v najrazličnejših aplikacijah, od vojaškega 62 8.3 Termično snemanje Slika 8.8: Termogram območja med Kranjem in Ljubljano, posnet s satelitom Landsat. opazovanja, prek spremljanja naravnih nesreč (na primer gozdnih požarov) do opazo- vanja toplotnega onesnaženja. Vprašanja 1. Kakšne vrste fotografskih filmov uporabljamo pri daljinskem zaznavanju? 2. Kaj je večspektralna fotografija? 3. Kaj je večspektralno skeniranje? Kakšne vrste skenerjev uporabljamo? 4. Opiši prečni skener. 5. Opiši vzdolžni skener. 6. Opiši termično snemanje. 63 9 Radar Senzorji, ki delujejo v mikrovalovnem delu elektromagnetnega spektra, postajajo v zad- njem času vedno bolj pomemben vir podatkov o okolju. Glavni razlog za to so njihove dobre lastnosti (na primer neobčutljivost na vremenske pojave in možnost snemanja ponoči), ki so vplivale na povečanje števila delujočih radarskih (predvsem satelitskih) sistemov. Način snemanja v mikrovalovnem območju je povsem drugačen kot v op- tičnem. Daljše valovne dolžine lahko prodirajo skozi oblake, meglice, prah in dež, saj nanje ne vpliva atmosfersko sipanje, ki je izrazito v optičnem delu spektra. Z radarjem lahko torej opazujemo ne glede na vremenske in druge razmere. V nadaljevanju si oglejmo, kako deluje radar bočnega pogleda, kako z njim zaje- mamo podobe površja in od česa so te odvisne. Ukvarjali se bomo samo z aktivnim mikrovalovnim daljinskim zaznavanjem, saj se pasivno ne razlikuje od opazovanja v optičnem delu spektra. 9.1 Radar bočnega pogleda Snemanje z radarjem močno spominja na fotografiranje z bliskavico, saj z mikrova- lovnim elektromagnetnim valovanjem »osvetlimo« območje na zemeljskem površju in naredimo njegovo »sliko«. Fotoaparat z bliskovno lučjo povsem enako pošlje svetlobni impulz, nato pa na film zabeleži njegov odboj. Namesto kamere, leč in filma uporablja radar antene in računalniške medije, ki zaznavajo in zapisujejo podobe. Na radarskih posnetkih vidimo samo elektromagnetno valovanje, ki se je odbilo nazaj v smeri antene. Radar (RAdio Detection And Ranging, radijsko zaznavanje in določanje razdalje) meri jakost mikrovalovnega signala, ki ga izseva antena in odbijajo oddaljene površine oziroma predmeti na njih (slika 9.1). Način delovanja je zelo podoben kot pri lidarju, ki ga opisujemo v poglavju 10. Radarska antena v določenih časovnih presledkih oddaja in sprejema impulze, ki imajo značilno valovno dolžino in polarizacijo. Valovne dolžine (λ) so ponavadi v območju med 1 cm in 1 m, kar ustreza frekvenci (ν) med 300 MHz in 30 GHz, valovi pa so polarizirani v navpični ali vodoravni ravnini. Značilni radar odda proti tarči oziroma območju, ki ga snema, vsako sekundo kakih tisoč visokoenergijskih impulzov, trajajočih nekaj deset mikrosekund (do 50 µs). Vsak izmed njih pokrije ozek pas frekvenc (ponavadi od 10 do 200 MHz) okrog sredinske frekvence radarja. Na zemeljskem površju se energija mikrovalovnega impulza siplje v vse smeri, to- rej tudi nazaj proti anteni. To, tako imenovano povratno sipanje, se v obliki šibkega odmeva vrne do sprejemne antene, ki ima značilno polarizacijo – vodoravno ali nav- pično, vendar ne nujno enako kot oddajna antena. Zaznani signali se nato pretvorijo v 65 9 Radar Oznaka pasu Valovna dolžina (λ, cm) Frekvenca (ν, GHz) Ka 0,8–1,1 40,0–26,5 K 1,1–1,7 26,5–18,0 Ku 1,7–2,4 18,0–12,5 X 2,4–3,8 12,5–8,0 C 3,8–7,5 8,0–4,0 S 7,5–15,0 4,0–2,0 L 15,0–30,0 2,0–1,0 P 30,0–100,0 1,0–3,0 Tabela 9.1: Najpomembnejši mikrovalovni pasovi. Slika 9.1: Radar usmeri impulz proti površju in meri njegov odboj. digitalno obliko in zapišejo na ustrezen medij (trdi disk ali magnetni trak). Tak način shranjevanja precej poenostavi kasnejše obdelave in prikaz posnetkov. Ker radarsko valovanje potuje s hitrostjo svetlobe, to pa dobro poznamo, lahko z merjenjem časa od oddaje do sprejema impulza natančno določimo razdaljo do predmeta na površju Zemlje. Radarski sistem določa položaj opazovanega površja na podlagi časa potovanja mi- krovalov do Zemlje in nazaj (oziroma poševne razdalje) in časa zajetja signala. Pro- jekcija prvega na referenčno ploskev določa koordinato pravokotno na smer gibanja (razdalja), drugi pa ob upoštevanju hitrosti sistema določa koordinato v smeri leta (azimut). V primeru »slikajočega« radarja se sistem oddajnih in sprejemnih anten na- mreč premika skupaj z nosilnim satelitom oziroma letalom in tako opazuje površino, ki jo lahko »osvetli«. Ta, tako imenovani odtis (footprint), z zaporednimi »podobami« pokrije večjo površino na Zemlji in ustvari njen radarski posnetek (slika 9.2). Zaradi lažjega določanja koordinat in zmanjšanja geometrijskih popačenj sodobni radarski sistemi površje Zemlje »opazujejo« vstran, pravokotno na smer gibanja. Koti gledanja – in s tem oddaljenost opazovanega območja od projekcije tirnice na površje – se gibljejo od približno 10◦ do več kot 50◦. Prav zaradi takšnega načina snemanja tovrstne sisteme imenujemo radarji bočnega pogleda (side looking radar, SLR). Prostorska ločljivost radarskega sistema je odvisna od smeri opazovanja in v splo- šnem ni enaka v smeri leta (azimut) in v smeri radarskega žarka (razdalja). Frekvenčna »širina« mikrovalovnega impulza določa razdaljno ločljivost, to je ločljivost v prečni 66 9.2 Umetno odprtinski radar Slika 9.2: S premikanjem nosilca in s tem odtisa na površini ustvarimo radarsko podobo. Na sliki je slovenska obala in Tržaški zaliv. smeri (pravokotno na smer leta). Manjša ko je širina impulza oziroma krajši ko je ta, boljša je razdaljna ločljivost. Dolžina antene vpliva na azimutno ločljivost (v smeri leta) – čim daljša je antena, tem boljša je ločljivost v tej smeri. 9.2 Umetno odprtinski radar Ker velikosti antene na satelitih in letalih ne moremo poljubno povečevati, uporabimo tehniko »navideznega« povečanja njene dolžine. Umetno odprtinski radar (synthetic aperture radar, SAR) s posebno tehniko iz razmeroma kratke antene ustvari navidezno zelo dolgo. Pri tem sestavi več zaporednih signalov (odbojev), ki jih radar sprejme med premikanjem v smeri leta. »Odprtina« v tem primeru predstavlja celotno razdaljo, na kateri radar zaznava energijo, odbito z zemeljskega površja, in jo sestavlja v podobo. Umetno odprtino dobimo torej s premikanjem realne odprtine oziroma antene prek več zaporednih položajev v smeri leta (slika 9.3). Med premikanjem radar na zaporednih položajih oddaja impulze, ki jih sprejem- na antena zaznava in zapisuje. Ker se sistem premika glede na površje Zemlje, so odmevi zaradi Dopplerjevega pojava frekvenčno premaknjeni. Frekvenca zaznanega valovanja se poveča, ko se radar približuje tarči, in zmanjša, ko se od nje oddaljuje. Če premaknjena valovanja primerjamo z referenčnim signalom, to je tistim, ki ga radar oddaja, ugotovimo, kateri točki na površini ustrezajo. Ker iste dele opazujemo z več zaporednimi impulzi, ustvarimo na ta način navidezno zelo dolgo anteno. Opisani postopek iskanja in združevanja odziva točk, pogosto ga imenujemo tudi ob- delava SAR, samodejno izvajajo hitri računalniški sistemi, ponavadi takoj po sprejemu signala s satelita ali letala. Najtežje opravilo pri tem je pravilno določiti frekvenčni premik za vsak slikovni element, saj moramo zelo natančno poznati relativno gibanje senzorjev glede na tarčo. S tehnologijo umetno odprtinskega radarja danes ustvarijo največje število posnetkov, saj je zaradi velike oddaljenosti to edini mogoč način pri 67 9 Radar Slika 9.3: Ustvarjanje umetne odprtine s premikanjem antene radarja. snemanju iz vesolja. Ker radarji sami skrbijo za »osvetljevanje« površine, jih lahko uporabimo kadar koli, podnevi ali ponoči, povsem neodvisno od sončne osvetlitve. Poleg tega so valovne dolžine, ki jih uporabljamo, veliko večje kot v vidnem ali infrardečem delu spektra. Zato lahko SAR uporabimo tudi za »gledanje« skozi oblake in meglo, kar je v primeru vidnega in infrardečega elektromagnetnega valovanja nemogoče. 9.3 Interakcija mikrovalov s površjem Podatki, dobljeni z radarskimi senzorji, se močno razlikujejo od optično zaznanih, zato moramo za njihovo razumevanje poleg osnov delovanja radarskih sistemov poznati tudi način interakcije mikrovalov z zemeljskim površjem. Jakost odbitega radarskega valo- vanja določa več dejavnikov, med katerimi so najpomembnejši: • krajevni vpadni kot, • razgibanost terena ter • prevodnost in dielektričnost zemeljskega površja. Krajevni vpadni kot, to je kot, pod katerim valovanje pade na zemeljsko površje, odločilno vpliva na jakost odboja. Vpadni kot določata naklon terena v smeri proti radarju in kot gledanja radarskega sistema. V primeru opazovanja ravnine je vpadni kot enak kotu gledanja radarskega sistema. Če radarsko valovanje pade na odbojno ploskev skoraj pravokotno, se precej močneje odbije, kot če pade nanjo pod zelo majhnim kotom. V slednjem primeru se ne glede na tip površja večji del energije radarskih valov odbije proč od sprejemnika, območja na sliki pa so videti »temna« ali le šibko osvetljena. Prav zato je krajevni vpadni kot eden najpomembnejših dejavnikov, ki določajo intenziteto odbitega valovanja in s tem svetlost radarske podobe (slika 9.4). 68 9.3 Interakcija mikrovalov s površjem Slika 9.4: Vpliv vpadnega kota na jakost odbitega mikrovalovanja. Vpliv razgibanosti terena najlažje razumemo na primeru morske površine, kjer so vsi drugi vplivi enaki in lahko nanje za trenutek pozabimo. Kadar je voda »gladka kot steklo«, je njena odbojnost enaka nič, saj se celotno radarsko valovanje odbije v smeri proč od detektorja. Ta pojav se imenuje zrcalni odboj . Zmerni odboj dobimo v primeru, ko je vodna gladina še vedno ravna, na njeni površini pa se zaradi vetra pojavijo drobni valovi z valovno dolžino, ki je primerljiva z valovno dolžino radarskih valov (približno decimeter). Odboj je še nekoliko močnejši, kadar se valovi na površini vode »lomijo«. V obeh primerih govorimo o razpršenem odboju. Jakost zaznanega valovanja je najmočnejša pri pravokotnem odbojniku, ki ga dobimo s presekom treh med seboj pravokotnih ploskev. Geometrija takega odbojnika poskrbi za to, da se vsak žarek odbije natanko v smer vpada, ne glede na usmerjenost odbojnika. Posebne kovinske odbojnike lahko uporabimo kot kontrolne točke na terenu, saj njihov močan signal preprosto ločimo od okolice (na slikah jih opazimo kot zelo svetle pike). Močan odboj pogosto dobimo tudi na stavbah, katerih stene skupaj z ravnim območjem pred njimi tvorijo »delni« pravokotni odbojnik. Vse opisane tipe odboja prikazuje slika 9.5. (a) (b) (c) Slika 9.5: Zrcalni (a), razpršeni (b) in pravokotni oziroma popolni (c) odboj radarskih valov. 69 9 Radar Kovinski predmeti, kot so, na primer, ladje, pločevinaste strehe ali železniške tirnice, imajo veliko električno prevodnost in zato močno odbijajo radarske valove. Pri delno prevodnih snoveh, na primer vlažni prsti ali zeleni vegetaciji, najmočneje določa od- bojnost kompleksna dielektrična konstanta. Ta je odvisna tako od »čiste« dielektrične konstante1 kot tudi od prevodnosti. Ker ima voda eno največjih dielektričnih konstant med vsemi naravnimi snovmi, je odbojnost prsti in rastlin močno odvisna od vsebnosti vode. Za radarsko valovanje je značilno, da dobro prodira v suha tla in vegetacijo. V izredno sušnih območjih, kot so puščave, lahko z uporabo radarja ustrezne valovne dolžine opazujemo predmete, ki so več metrov pod površino. Po drugi strani pa vlažna prst in vegetacija odbijata mikro- valove že na površini. Intenziteta odboja je v tem primeru odvisna od oblike površine. Zaradi izredne občutljivosti radarskih podob na vlago, je ena najimenitnejših uporab posnetkov SAR ravno merjenje vlažnosti, prek katere lahko, na primer, napovedujemo pridelek. Slika 9.6: Zrnatosti se pri radarskih posnetkih ne moremo izogniti. Slika prikazuje območje Sorškega polja s Kranjem levo zgoraj in jezom hidroelektrarne Mavčiče desno spodaj. Pri radarskih posnetkih imamo poleg ostalih virov šuma (merilniki, prenos infor- macij in tako dalje) opravka še z zrnatostjo. Zrnatost povzročijo naključno posejani posamični sipalci, ki se nahajajo znotraj danega slikovnega elementa (piksla). Nekateri izmed teh so razmeroma majhni, na primer velikostnega reda radarskih valov (nekaj 1 Dielektričnost ali dielektrična konstanta (ε) je snovna konstanta, ki opisuje obnašanje dielektrika, snovi z zelo veliko specifično upornostjo, v električnem polju. Definirana je kot razmerje med gostoto električnega polja v snovi in gostoto električnega polja v praznem prostoru. 70 9.3 Interakcija mikrovalov s površjem centimetrov). Če je več sipalcev natanko enako oddaljenih od senzorja, se odbito valo- vanje lahko močno okrepi. Že malo spremenjeno stanje, na primer zaradi gibanja listja v vetru, ustvari drugačne pogoje za odboj in pride lahko do oslabitve. Zaradi kon- struktivne interference je na posnetkih nekaj slikovnih elementov videti nesorazmerno svetlih, medtem ko so lahko sosednji slikovni elementi zaradi destruktivne interference zatemnjeni. Rezultat omenjenega pojava je podoba, ki je videti kot bi bila »posejana s poprom in soljo«, kar lahko povzroči precej neprijetnosti pri ovrednotenju (slika 9.6). Seveda lahko učinek zrnatosti zmanjšamo z uporabo digitalnih filtrov, vendar se moramo zavedati, da s filtriranjem informacije samo izgubljamo. Vprašanja 1. Opiši radarsko daljinsko zaznavanje. 2. Opiši umetno odprtinski radar. 3. Kaj vpliva na intenziteto odbitega radarskega valovanja? 71 10 Lidar Izboljšanje naprav globalnega pozicioniranja in inercialnih navigacijskih sistemov, ki smo mu bili priča na prelomu tisočletja, je omogočilo razvoj lidarskega snemanja ozi- roma laserskega skeniranja. Lidar je aktivni instrument, ki proti opazovanim predmetov pošilja kratke laserske pulze in opazuje njihov odboj. Pri tem pridobiva zelo natančne podatke o površju in predstavlja trenutno najbolj natančno tehniko za izdelavo digital- nih modelov višin. Lidarsko daljinsko zaznavanje uporabljamo v geologiji, gozdarstvu, arheologiji, mobilnih telekomunikacijah, atmosferski fiziki ... Izraz lidar je okrajšava za LIght Detection And Ranging oziroma svetlobno zazna- vanje in merjenje razdalj ali Laser Imaging Detection And Ranging oziroma lasersko snemanje, zaznavanje in merjenje razdalj. Gre za tehnologijo, ki omogoča določanje razdalje do objektov ali površin z uporabo laserskih pulzov. Način delovanja lidarja je močno podoben delovanju radarja (poglavje 9). Razdaljo med senzorjem in opazovanim predmetom namreč določimo z merjenjem časa potovanja elektromagnetnega impulza. Pri radarskem snemanju uporabljamo mikrovalove, pri lidarju pa laserje, ki delujejo v vidnem in bližnjem infrardečem delu elektromagnetnega spektra. 10.1 Delovanje lidarja Lidar je – enako kot radar – aktivni senzor, ki deluje v vidnem in infrardečem delu spektra (radar uporablja mikrovalove ali radarske valove). Signal lidarja je odvisen od razmer v atmosferi, medtem ko radar skozi slednjo potuje bolj ali manj neodvisno (poglavje 4). Lidarski sistemi opazujejo površje navpično navzdol, radarski pa vstran (tako imenovani radar bočnega pogleda, ki je opisan v razdelku 9.1), poleg tega pa lidar praviloma zaznava diskretne točke in ne zveznih površin, to je pikslov v rastrski mreži, kot radar in večino ostalih senzorjev daljinskega zaznavanja. Laserski skenerji uporabljajo optično mehanske snemalnike, ki so zelo podobni tistim pri vrstičnih skenerjih (na primer Landsat TM, razdelek 8.2.1). Od njih se ločujejo po dveh pomembnih podrobnostih – aktivnem snemanju in zelo ozkem vidnem polju. Lidar ne zaznava odbite svetlobe Sonca, ampak proti Zemlji pošlje lastno valovanje, zato imamo opravka z oddanim in sprejetim impulzom. Druga razlika je ozko vidno polje, saj sta oddani in odbiti žarek zaradi narave laserske svetlobe zelo usmerjena. Intenziteta laserske svetlobe je pravilno razporejena po preseku žarka, slednji pa ima zelo majhno divergenco (razpršenost). Divergenca znaša le nekaj miliradianov (tipično med 0,3 in 2 mrad), kar pomeni majhno trenutno vidno polje. Laser na površju opazuje odboje s površine velikostnega reda metra, odvisno od višine leta snemalnega sistema. Podobe 73 10 Lidar Slika 10.1: Delovanje lidarskega sistema. večje površine ustvarimo le z gibanjem snemalnega sistema v vzdolžni (let platforme) in prečni smeri (nihanje levo desno), kot je prikazano na sliki 10.1. Laserski snemalni sistem sestavlja več delov: • laserski razdaljemer, • optično mehanski skener, • sistem pozicioniranja ter • krmilno procesna enota. Razdaljemer je sestavljen iz oddajnega laserja in sprejemnika signalov. Obstajata dva glavna načina delovanja, in sicer: • diskretni in • valovni. Diskretni lidar ali pulzni lidar oddaja kratke pulze elektromagnetnega valovanja in meri njihove odboje (vsaj enega, lahko tudi dva ali več). Nekateri sistemi so sposobni zabeležiti tudi intenzivnost odboja, kar omogoča ustvarjanje podobe odbojev. Diskretni lidar ima nekaj pomembnih prednosti, predvsem visoko prostorsko ločljivost ter možnost povečevanja gostote moritev. Sistemi, ki delujejo na ta način, so zelo razširjeni in zato je snemanje relativno poceni. Največja pomanjkljivost pa so zapleteni algoritmi obdelave velike količine podatkov. Valovni lidar ali zvezni lidar signal oddaja ves čas in meri odboj glede na fazni zamik med oddanim in sprejetim signalom. Glavna prednost valovnega lidarja v primerjavi z diskretnim je zmožnost beleženja vertikalnega profila predmetov, na katerih je prišlo do 74 10.1 Delovanje lidarja odboja. Pomembno poenostavitev pa predstavlja tudi preprostejša podatkovna struk- tura, tako z vidika shranjevanja kot tudi obdelave. Največja pomanjkljivost valovnega lidarja je manjša prostorska ločljivost. Najnovejši sistemi v glavnem uporabljajo diskretne lidarje s trdninskimi laserji z zelo veliko močjo. Laser Nd:YAG, na primer, ki ima dolžino pulza med 10 in 15 ns in valovno dolžino 1,06 µm, ima moč več megawattov. Ker so valovni lidarji zelo redki, so v nadaljevanju obravnavani le diskretni. Najpomembnejše tehnične lastnosti, po katerih se lidarji med seboj ločijo in ki do- ločajo njihov namen oziroma zmogljivost, so naslednje. • Valovna dolžina laserja za terestrično rabo je ponavadi v pasu med 800 nm in 1100 nm, kjer je odbojnost rastlinstva največja, nevarnost za človekov vid pa najmanjša. Glavna pomanjkljivost omenjenega dela spektra je znatna absorpcija v atmosferi. • Frekvenca laserskih pulzov – navadno med 5 in 100 kHz – skupaj s kotom skeni- ranja ter višino in hitrostjo leta določa gostoto pulzov (na kvadratni meter). • Premer laserskega žarka ali tudi odtis (footprint) je lahko od nekaj centimetrov do sto metrov, odvisno od višine leta. Premer žarka določa prostorsko ločljivost zabeleženih podatkov. • Moč laserja določa največjo mogočo višino leta (praviloma velikostnega reda ki- lometra) in s tem širino snemalnega pasu (tipično od nekaj sto metrov do več kot kilometer). Slika 10.2: Lidar določa razdaljo med senzorjem in površjem z merjenjem časa potovanja valovanja. Osnovni podatek, ki ga lidar meri, je čas potovanja elektromagnetnega impulza med senzorjem in opazovanim predmetom (tarčo). Ker poznamo hitrosti svetlobe, lahko razdaljo iz časovne razlike med oddajo laserskega pulza in prejemom odboja izračunamo (slika 10.2) 2R tL = . (10.1) c Pri tem je tL čas potovanja valovanja, c hitrost svetlobe in R razdalja med senzorjem in površjem. Natančnost merjenja razdalje (∆R) je povezana s časovno ločljivostjo (∆tL) 1 ∆R = c ∆t 2 L. (10.2) 75 10 Lidar Slika 10.3: Skenerji pri lidarskih sistemih za usmerjanje laserja uporabljajo nihajoča zrcala, vrteča zrcala in optična vlakna. Ločljivost meritve razdalje je torej neposredno povezana z ločljivostjo meritev časa oziroma posredno z dolžino pulza oziroma njegovo obliko. Z diskretnimi lidarji lahko razdaljo merimo na približno centimeter natančno, s posebnimi postopki obdelave in dodatno opremo celo natančneje. Lidar pri snemanju, kot smo že omenili, z relativno majhnim odtisom laserskega žarka točkovno meri čas potovanja in vedno pogosteje tudi jakost odboja na površju. Slednja je odvisna od deleža energije žarka, ki ga določena ovira prestreže, od njenih odbojnih lastnosti (reflektivnost, površinska morfologija) ter od absorpcije v atmosferi. Skeniranje lahko poteka v eni ali obeh smereh, odvisno od zgradbe snemalne naprave (slika 10.3). Najpogosteje se uporabljajo nihajoča ali vrteča zrcala, obstajajo pa tudi sistemi z optičnimi vlakni. Oblika snemalnega vzorca – to je položaj meritev na površju – ni odvisna le od delovanja skenerja, ampak tudi od višine in hitrosti leta ter oblike reliefa. Točke lidar praviloma zajema v enakih kotnih intervalih, razdalja med njihovimi odtisi na površju pa ni konstantna. Zaradi različne geometrije znotraj pasu snemanja (izrazito predvsem pri letalskem snemanju), ustavljanja in pospeševanja na robovih pasu, so lahko točke razporejene zelo »nepravilno«, zato pri lidarju ne govorimo o značilnih razdaljah, ampak le o gostoti točk (meritev) na kvadratni meter. Laserski skener meri samo razdalje, pravi položaj odbojnikov pa lahko določimo, če poznamo položaj in usmerjenost senzorja. Za vsak poslani impulz moramo v izbranem koordinatnem sistemu, na primer WGS 84, poznati natančen položaj senzorja in kot gledanja skenerja. Ker z laserjem razdalje brez večjih težav merimo z natančnostjo enega decimetra, mora imeti tolikšno natančnost tudi sistem pozicioniranja. Kot je prikazano na sliki 10.1, so lidarski sistemi opremljeni z diferencialnim sprejemnikom globalnega pozicioniranja (differential global positioning system, DGPS) in inercialnim navigacijskim sistemom (inertial navigation system, INS). Za uspešno geokodiranje li- darskih meritev je trebna oba sistema natančno sinhronizirati s skenerjem. 10.2 Obdelava podatkov Po snemanju z lidarjem dobimo dve podatkovni zbirki, in sicer podatke o položaju sistema in podatke o odbojih oziroma razdaljah. Iz obeh podatkov lahko izračunamo položaje točk odboja na površju. Ponavadi jim kot atribut pripišemo red odboja (prvi, drugi, ..., zadnji) in če je mogoče tudi njegovo jakost. Končni rezultat je torej oblak točk, ki predstavljajo odboje na različnih predmetih (slika 10.4). Oblak lidarskih točk je zapisan s tremi prostorskimi koordinatami in praviloma več atributi. Taka oblika zapisa pa ni najbolj primerna za analize, zato je treba lidarske 76 10.2 Obdelava podatkov Slika 10.4: Oblak lidarskih točk. Slika prikazuje gozd, v katerem jasno vidimo obliko drevesnih krošenj. Slika 10.5: Postopek obdelave lidarskih meritev. podatke dodatno obdelati. Postopek obdelave lidarskih podatkov podaja slika 10.5, najpomembnejši koraki pa so: • filtriranje, • klasifikacija in • rastriranje. Pri filtriranju skušamo izločiti vse neželene odboje. Oblak lidarskih točk namreč vsebuje pulze, ki so se odbili na različnih predmetih (slika 10.6). Pri tem gre lahko za 77 10 Lidar Slika 10.6: Lidarski podatki vsebujejo informacijo o točki odboja valovanja. Ta je lahko na golih tleh ali pa nad njimi, odvisno od predmeta, na katerem je do odboja prišlo. Pri filtriranju poiščemo točke, ki nas zanimajo, na primer talne točke, če želimo dobiti digitalni model višin. Slika 10.7: S klasifikacijo in modeliranjem iz oblaka točk dobimo trirazsežne modele (Brenner, 2006). odboje na zunanji ovojnici površja, to je na vrhovih vegetacije in stavb, s čimer dobimo tako imenovani digitalni model površja (digital surface model). Do odboja pa lahko pride tudi znotraj predmetov, predvsem vegetacije ali vode, in na tleh. Talni odboji, če do njih seveda pride, podajajo obliko reliefa in omogočajo izdelavo digitalnega modela višin (digital elevation model). Za odstranjevanje »neželenih« točk – pri meritvah topografskih lastnosti površja so to vsi odboji, ki ne prihajajo od golih tal – uporabljamo različne algoritme, ki temeljijo na matematični morfologiji, iterativnem izločanju točk, segmentaciji ali modeliranju re- liefa s celotnim oblakom. Filtriranje je eno najbolj intenzivnih področij raziskav, saj še 78 10.2 Obdelava podatkov vedno ne obstaja univerzalna tehnika, ki bi bila primerna tako za urbane površine kot gozdove, tako za ravna kot za strma območja. Kakovost končnih rezultatov je namreč močno odvisna od načina obdelave in zato operaterji lidarskega snemanja poleg neka- terih izdelkov, na primer modelov površja in višin, praviloma posredujejo uporabnikom tudi »surove« podatke. Rezultat filtriranja je digitalni model višin ali površja, zapisan v vektorski, na primer v obliki mreže TIN, ali v rastrski obliki, to je v matriki z višino (in jakostjo odboja) kot atributom. Pomemben korak pri interpretaciji lidarskih podatkov je klasifikacija, pri kateri prepoznamo določene geometrijske strukture ali objekte, na primer zgradbe, ce- ste, drevesa in podobno. Klasifikacija rastrskih podatkov poteka z enakimi postopki kot obdelava drugih podob daljinskega zaznavanja (poglavja 15 do 18), upoštevati moramo le veliko ločljivost lidarskih podatkov. Zadnji korak obdelave je modeliranje oziroma po- splošenje (generalizacija) klasificiranih predmetov. Z modeliranjem, na primer, dobimo model stavb ali navpične profile vegetacijskega pokrova (slika 10.7). Meritve, ki jih zagotavlja lidar, omogočajo ustvarjanje natančnih modelov višin in površja. Surove ali obdelane lidarske podatke lahko uporabimo v najrazličnejših apli- kacijah – v gozdarstvu za opazovanje višine dreves in meritve parametrov biomase, v telekomunikacijah za načrtovanje širjenja valovanja, v geologiji in seizmologiji za zazna- vanje prelomov, pri opazovanju urbanih površin za pridobivanje trirazsežnih modelov stavb, v arheologiji za odkrivanje in kartiranje najdišč ... Vprašanja 1. Kaj je laser in kako deluje? 2. Kateri so sestavni deli lidarskega sistema? 3. Kakšne vrste lidarjev poznamo? 4. Katere podatke meri lidar? 5. Kako poteka obdelava podatkov? 79 11 Satelitski sistemi za opazovanje Zemlje Spoznali smo osnovne značilnosti platform (letal, satelitov, vesoljskih plovil, poglavje 6) in senzorjev (prečnih, vzdolžnih, fotografskih, elektronskih in termičnih, poglavja 8 do 10), v naslednjih razdelkih pa se bomo lotili posameznih snemalnih sistemov. Podali bomo izbor pomembnejših satelitskih sistemov, ki delujejo v vidnem, infrardečem in mikrovalovnem (radarskem) delu elektromagnetnega spektra. Zaradi velike množice senzorjev daljinskega zaznavanja je nemogoče podati njihov popoln pregled. Ne nazadnje je ta v trenutku objave, tako elektronske kot tiskane, že zastarel. Verjetno najobsežnejši opis snemalnih sistemov je v svoji knjigi na več kot 1500 straneh objavil Kramer (2002). Najpomembnejši vir o preteklih, obstoječih in načrtovanih senzorjih pa je svetovni splet, predvsem spletišča vesoljskih agencij in ponudnikov podatkov. 11.1 Vremenski sateliti Opazovanje in napovedovanje vremena je bil eden prvih civilnih načinov uporabe sa- telitskega daljinskega zaznavanja. Prvi »pravi« vremenski satelit TIROS-1 (Television and Infrared Observation Satellite – 1) so Združene države Amerike izstrelile že leta 1960. V naslednjih petih letih so izstrelili še veliko drugih satelitov, ki so vsi iz skoraj polarne tirnice periodično opazovali vremensko dogajanje. Leta 1966 je NASA (Natio- nal Aeronautics and Space Administration, Ameriška letalska in vesoljska agencija) izstrelila geostacionarni satelit Applications Technology Satellite (ATS-1), ki je poskr- bel za podobe celotne zemeljske poloble (hemisfere). ATS je naredil sliko oblačnosti vsake pol ure, s čimer je omogočil opazovanje nastajanja in premikanja vremenskih sis- temov. Danes imajo svoje vremenske ali meteorološke satelite številne države. Z njimi sistematično opazujejo vremenske pojave na celotni zemeljski obli. Meteorološki sateliti imajo, splošno rečeno, senzorje s precej slabo prostorsko ločlji- vostjo (vsaj v primerjavi s sistemi za opazovanje kopnega), omogočajo pa opazovanje velikih površin. Njihova časovna ločljivost je praviloma zelo dobra, saj zelo pogosto, tudi večkrat na uro, zaznavajo površje Zemlje, atmosfersko vlago in oblačnost. Tako omogočajo skoraj zvezno spremljanje globalnih vremenskih razmer in torej tudi napo- vedovanje vremena. 81 11 Satelitski sistemi za opazovanje Zemlje 11.1.1 GOES GOES (Geostationary Operational Environmental Satellite) je neposredni naslednik sa- telitov serije ATS. Satelite GOES je razvila NASA za National Oceanic and Atmospheric Administration (NOAA, Ameriška uprava za oceane in atmosfero). Njihov namen je zagotavljanje pogostih podob Zemlje in njene oblačnosti v majhnem merilu, predvsem za potrebe ameriških hidrometeoroloških ustanov. Satelite omenjene skupine uspešno uporabljajo vremenoslovci že več kot 20 let. Slika 11.1: Hurikan Andrew, ki ga je 25. avgusta 1992 posnel satelit GOES-7. Sateliti GOES so del svetovnega omrežja satelitov, ki so med seboj razmaknjeni v približno 70◦ intervalih v geografski dolžini, s čimer dosežejo skoraj globalno pokritost. Dva satelita GOES sta nameščena v geostacionarni tirnici, na višini približno 36 000 km nad ekvatorjem, pri čemer vsak izmed njiju opazuje dobro tretjino Zemlje. Prvi je na geografski dolžini 75◦ zahodno in opazuje Severno in Južno Ameriko ter večji del Atlantskega oceana. Drugi pa na 135◦ zahodno opazuje Severno Ameriko in Pacifiški ocean. Skupaj satelita pokrivata površje med 20◦ zahodno in 165◦ vzhodno. Slika 11.1 prikazuje del Združenih držav, skupaj z delom Atlantskega oceana, kjer nastane veliko resnih viharjev. Sliko hurikana Andrewa, ki je avgusta 1992 opustošil jugovzhod ZDA, je posnel satelit GOES-1. Do sedaj so izstrelili več kot deset satelitov GOES v dveh generacijah, ki sta me- rili tako sevano kot odbito elektromagnetno valovanje, z njihovimi podatki pa lahko 82 11.1 Vremenski sateliti Kanal Valovna Spektralni Ločljivost Uporaba dolžina (µm) pas (km) 1 0,52–0,72 vidna 1 zaznavanje oblakov, onesnaženja in meglic; opazovanje velikih neurij 2 3,78–4,03 kratko- 4 opazovanje megle ponoči; valovna ločevanje oblakov vode in IR snega ali ledu podnevi; zaznavanje požarov in vulkanov; nočno določanje površinske temperature morja 3 6,47–7,02 IR pas 4 določanje območij srednje vodne pare vlažnosti; sledenje srednjih atmosferskih gibanj 4 10,2–11,2 dolgovalovna 4 določanje vetrov, ki IR premikajo oblake, večjih viharjev in močnega dežja 5 11,5–12,5 IR pas 4 določanje šibke vlažnosti; vodne pare določanje temperature morske površine; opazovanje zračnih delcev in vulkanskega prahu Tabela 11.1: Kanali satelitov GOES. pridobivamo informacije o atmosferski temperaturi, vetrovih, vlagi in oblačnosti. Prvo generacijo so sestavljali sateliti GOES-1 (izstreljen leta 1975) do GOES-7 (izstreljen leta 1992). Drugo generacijo satelitov je pričel GOES-8 (izstreljen leta 1994). Sateliti nove generacije imajo številne tehnične izboljšave v primerjavi s prvimi. Omogočajo skoraj zvezno opazovanje Zemlje, saj podobe zajemajo v intervalih po 15 minut. Poleg tega imajo izboljšano prostorsko ločljivost, ki skupaj z izboljšano radiometrično ločlji- vostjo omogoča boljšo kakovost podatkov in s tem natančnejše napovedovanje vremena. Trenutno zemeljsko površje opazujeta satelita GOES-12 (GOES-East, 75◦ zahodno) in GOES-10 (GOES-West, 135◦ zahodno). GOES-8 in ostali sateliti druge generacije imajo poseben slikovni in sondirni in- strument. Slikovni instrument ima pet kanalov, s katerimi zaznava vidno in odbito infrardečo sončno svetlobo. Senzor je mogoče usmeriti, tako da lahko z njim opazujemo celotno poloblo ali pa izbrane dele v manjšem merilu. Z usmerjanjem se lahko osre- dotočimo na vremenske »vroče točke« in izboljšamo kakovost kratkotrajnih napovedi. Podatki slikovnega senzorja imajo desetbitno radiometrično ločljivost, meritve pa lahko prenesemo neposredno na terminale uporabnikov. Tabela 11.1 podaja kanale satelita in primere njihove uporabe. 83 11 Satelitski sistemi za opazovanje Zemlje 11.1.2 NOAA AVHRR NOAA je odgovorna še za eno skupino zelo pomembnih satelitov, ki so uporabni tako za meteorološke kot tudi druge namene. Gre za sončno sinhrone satelite v skoraj polarnih tirnicah na višini 830 do 870 km nad Zemljo. Sateliti so nasledniki skupine Advanced TIROS, katere začetki segajo v leto 1960. Z njimi pridobivamo podatke, ki dopolnjujejo geostacionarne meteorološke satelite. Dva satelita serije NOAA, ki imata oba globalno pokritost, delujeta skupaj in tako poskrbita, da podatki katerega koli dela zemeljske površine niso starejši od šest ur. Eden od satelitov prečka ekvator zgodaj zjutraj v smeri sever jug, drugi pa popoldne. Najpomembnejši senzor na satelitih NOAA je Advanced Very High Resolution Radio- meter (AVHRR). AVHRR uporabljamo tako v meteorologiji kot tudi pri opazovanju Zemlje v majhnem merilu. Senzor zaznava valovanje v vidnem, bližnjem, srednjem in termičnem infrardečem delu elektromagnetnega spektra v pasu širine 3000 km. Spek- tralne pasove senzorja AVHRR podaja tabela 11.2. Podatke senzorja AVHRR lahko dobimo v štirih načinih delovanja, odvisno od lo- čljivosti in načina prenosa. Podatke lahko prenesemo neposredno do uporabnikov in jih Kanal Valovna Spektralni Ločljivost Uporaba dolžina (µm) pas (km) 1 0,58–0,68 rdeča 1,1 opazovanje oblakov podnevi, opazovanje kopnega 2 0,725–1,1 bližnja IR 1,1 analiza vodnih površin, določanje meje med kopnim in morjem 3A 1,58–1,64 srednja IR 1,1 zaznavanje snega in ledu 3B 3,55–3,93 srednja IR 1,1 opazovanje oblakov ponoči, merjenje temperature morja 4 10,3–11,3 termična IR 1,1 merjenje temperature morja 5 11,5–12,5 termična IR 1,1 merjenje temperature morja Tabela 11.2: Kanali senzorja AVHRR. Prenos Ločljivost Neposredni Posredni 1,1 km HRPT (High Resolution LAC (Local Area Picture Transmission) Coverage) 4 km APT (Automatic Picture GAC (Global Area Transmission) Coverage) Tabela 11.3: Načini zajemanja podatkov senzorja AVHRR. 84 11.1 Vremenski sateliti (a) (b) Slika 11.2: Temperatura morja (a) in vegetacijski indeks (b), ustvarjen s posnetki AVHRR. opazujemo med zajemanjem, poleg tega pa jih lahko shranimo v pomnilniku na satelitu in jih na Zemljo prenesemo kasneje. Podobe so lahko višje (1,1 km) ali nižje ločljivosti (4 km). Načine delovanja senzorja AVHRR prikazuje tabela 11.3. Kljub temu, da so podatki AVHRR široko uporabni za napovedovanje in analizo vremenskega dogajanja, je senzor primeren tudi za opazovanje kopnih in morskih po- vršin. AVHRR ima bolj grobo ločljivost od tipičnih senzorjev za opazovanje kopnega (poglavje 11.2), vendar ga lahko uporabljamo za opazovanje večjih površin v manjšem merilu. Z njim lahko merimo globalno temperaturo morja (slika 11.2 a). Tako ime- novani mozaiki, ki jih ustvarimo iz več podob AVHRR, so uporabni za kartiranje in spremljanje stanja vegetacije na večjih površinah. Poleg tega omenjeni senzor pokrbi za dnevne karte stanja vegetacije za celotno zemeljsko oblo. Razmerje vidnega in infra- rdečega kanala lahko uporabimo za določanje vegetacijskega indeksa NDVI, ki podaja »zelenost«, to je stanje vegetacije (slika 11.2 b, razdelek 17.2). 85 11 Satelitski sistemi za opazovanje Zemlje Kanal Valovna Spektralni Ločljivost Uporaba dolžina (µm) pas (km) 1 0,6–0,9 vidna svetloba 1 tekstura oblakov, vetrovi 2 0,56–0,71 vidna svetloba 3 oblaki nad kopnim, vetrovi 3 0,74–0,88 vidna svetloba 3 oblaki nad vodo, vegetacija 4 1,50–1,78 bližnja IR 3 oblaki nad snegom 5 3,48–4,36 srednja IR 3 nizki oblaki 6 5,35–7,15 daljna IR 3 visoka vodna para 7 6,85–7,85 daljna IR 3 srednja vodna para 8 8,30–9,10 daljna IR 3 skupna visoka vodna para 9 9,38–9,94 daljna IR 3 skupno ozon 10 9,80–11,80 daljna IR 3 temperatura vrhov površinskih oblakov 11 11,00–13,00 daljna IR 3 temperatura površja, popravki 12 12,40–13,40 daljna IR 3 visoki oblaki Tabela 11.4: Kanali senzorja SEVIRI na satelitih Meteosat. 11.1.3 Meteosat Meteosat je v naših krajih dobro poznan vremenski satelit, ki ga skupaj upravljajo številne evropske države, njegove podatke pa uporabljamo za napovedovanje vremena tudi v Sloveniji. Sateliti so rezultat razvoja Evropske vesoljske agencije (European Space Agency, ESA), ki se je začel že leta 1972 na pobudo Francije. Prvi satelit iz skupine Meteosat so izstrelili leta 1977, uspešno pa je deloval nekaj let. Drugi satelit mu je sledil leta 1981, nato pa novi vsakih nekaj let, do satelita Meteosat-7, ki so ga izstrelili leta 1997. Uspešen niz satelitov nadaljuje MSG-1 (Meteosat Second Generation), ki je bil z raketo Ariane-5 izstreljen 29. avgusta 2002 iz Kourouja v Francoski Gvajani. Vsi sateliti Meteosat so geostacionarni, in sicer krožijo okrog Zemlje v ravnini ekva- torja tako, da so ves čas približno nad Evropo na višini približno 36 000 km. MSG-1 se nahaja v tirnici, ki je na položaju 0◦. Satelit ustvarja podobe celotne zemeljske poloble in je uporaben za opazovanje vremena nad Afriko, Evropo in Atlantikom. Najpomembnejši senzor na satelitu je SEVIRI (Spinning Enhanced Visible and Infra Red Imager), ki ima 12 spektralnih kanalov (tabela 11.4). Visokoločljivi vidni kanal, ki je podoben kot pri satelitih prve generacije Meteosat, ima prostorsko ločljivostjo približno 1 km, vsi ostali kanali pa 3 km. Trije vidni in bližnji infrardeči kanali sate- lita ustrezajo lastnostim senzorja AVHRR na satelitih NOAA. Poleg tega ima SEVIRI še osem kanalov v srednjem in termičnem delu infrardečega spektra, ki so namenjeni merjenju temperature oblakov in površja ter koncentracije vodne pare v ozračju. Senzor posname Zemljo s kombinacijo vrtenja satelita in gibanja zrcala, kot prika- 86 11.2 Sateliti za opazovanje kopnih površin Slika 11.3: Način snemanja s sistemom Meteosat. zuje slika 11.3. Satelit se vrti s hitrostjo sto obratov na minuto okrog svoje osi, ki je pravokotna na ravnino gibanja satelita, to je praviloma v smeri sever jug. Snemalni mehanizem poskrbi za počasno premikanje usmerjevalnega zrcala v smeri od juga proti severu. Slednje se z vsakim premikom premakne za 125,8 µrad in s približno 1250 vr- sticami posname celotno zemeljsko poloblo. Ciklus snemanja traja približno 12 min, nato pa se zrcalo vrne v prvotni položaj, posebni mehanizem pa poskrbi za kalibracijo senzorjev. Po petnajstih minutah satelit prične z zajemom nove podobe. Relativno kratek čas med zaporednimi snemanji omogoča spremljanje vremenskega dogajanja v realnem času in s tem njegovo napovedovanje. Meteosat lahko podatke pošlje uporabnikom, ki se nahajajo kjer koli znotraj nje- govega videnega polja. Prenos lahko poteka v dveh oblikah, in sicer LRIT (Low Rate Information Transmission) in HRIT (High Rate Information Transmission). Podatki senzorja SEVIRI so vključeni v obeh načinih prenosa, vendar le HRIT poskrbi za po- dobe polne ločljivosti. LRIT poleg informacij satelita Meteosat prenaša tudi podatke drugih vremenskih satelitov, to je ameriških GOES (zahodni Atlantik in vzhodni Paci- fik), japonskega GMS (zahodni Pacifik) in ruskega GOMS (Indijski ocean). Slika 11.4 prikazuje posnetek Evrope, ki ga je 18. februarja 2003 naredil MSG-1. Lažno barvna podoba je sestavljena iz bližnjega infrardečega kanala (1,6 µm) v rdeči barvi ter dveh vidnih kanalov (0,8 µm in 0,6 µm) v zeleni in modri. Turkizna barva predstavlja sneg in oblake s kristali vode, v belih oblakih je voda tekoča. Vegetacija na površju je zelena zaradi absorpcije v vidnem delu spektra, peščene in kamnite površine pa so v rožnati barvi. 11.2 Sateliti za opazovanje kopnih površin Razvoj opazovanja Zemlje je pospešil uspeh prvih vremenskih satelitov sredi šestdesetih let prejšnjega stoletja. Veliko vremenskih satelitov, na primer NOAA AVHRR (razde- lek 11.1.2), lahko uporabimo tudi za opazovanje zemeljskega površja. Kljub temu pa tovrstni sateliti niso prirejeni za natančno kartiranje zemeljske površine, zato obstaja cela skupina satelitov s senzorji, posebej primernimi za opazovanje kopnih površin. 87 11 Satelitski sistemi za opazovanje Zemlje Slika 11.4: Posnetek Evrope, ki ga je 18. februarja 2003 ustvaril MSG-1. 11.2.1 Landsat Leta 1972 je NASA izstrelila ERTS-1 (Earth Resources Technology Satellite), prvi satelit, ki je bil namenjen izključno opazovanju kopnih površin. Satelit se je kasneje preimenoval v Landsat 1. Landsat je bil preizkus pridobivanja večspektralnih podatkov o Zemlji iz satelitske platforme brez človeške posadke (slika 11.5). Od leta 1972 je bilo v okviru izredno uspešnega programa zbranih ogromno podatkov, ki so jih zajeli različni sateliti Landsat. Program je na začetku vodila NASA, leta 1983 pa ga je prevzela NOAA. Dve leti kasneje so ga komercializirali in tako ponudili podatke za najrazličnejše civilne in raziskovalne aplikacije. Landsat je uspel zaradi različnih razlogov. Omenimo le najpomembnejše: • zanimiva kombinacija senzorjev s kanali, ki so posebej primerni za opazovanje Zemlje, • dobra prostorska ločljivost, • odlična pokritost površja (širna pasu snemanja in čas ponovnega snemanja) in • obsežen, več kot tridesetleten arhiv posnetkov. Dolžina trajanja programa (tabela 11.5) je poskrbela za ogromen arhiv razpoložlji- vih posnetkov, ki omogočajo veččasovna opazovanja in »zgodovinske« primerjave. Vsi sateliti Landsat se nahajajo v skoraj polarnih, sončno sinhronih tirnicah. Prvi trije sateliti (Landsat 1 do 3) so krožili okrog Zemlje na višini približno 900 km, s časom ponovnega obiska 18 dni. Vsi naslednji sateliti pa letijo (oziroma so leteli) nižje, in sicer na višini približno 700 km, njihov čas ponovnega obiska pa je 16 dni. Ekvator prečkajo dopoldne, s čimer skušajo doseči najbolj ugodne razmere za snemanje. Sateliti so bili opremljeni z različnimi senzorji, po vrsti so to: • Return Beam Vidicon (RBV), • MultiSpectral Scanner (MSS), 88 11.2 Sateliti za opazovanje kopnih površin Slika 11.5: Satelit Landsat 7 pri opazovanju Zemlje. Satelit Datum izstrelitve Konec delovanja Landsat 1 23. julij 1972 1978 Landsat 2 22. januar 1975 1981 Landsat 3 5. marec 1978 1983 Landsat 4 16. julij 1982 1993 Landsat 5 1. marec 1984 še delujoč Landsat 6 5. oktober 1993 ni dosegel tirnice Landsat 7 15. april 1999 še delujoč, leta 2003 okvara korektorja snemalnih vrstic Landsat 8 predvidoma 2010 Tabela 11.5: Kronologija izstrelitev satelitov Landsat. • Thematic Mapper (TM) in • Enhanced Thematic Mapper Plus (ETM+). Najbolj priljubljeni instrument v prvih dneh Landsata je bil MultiSpectral Scan- ner (MSS), kasneje pa Thematic Mapper (TM), ki je na najnovejšem Landsatu 7 v izpopolnjeni različici Enhanced Thematic Mapper Plus (ETM+). Tako MSS kot TM sta prečna skenerja (razdelek 8.2.1), ki podatke zajemata v pasu, širokem 185 km, pri čemer je polna scena velika 185 km krat 185 km. Skener MSS je zajemal elektromagnetno valovanje, odbito z zemeljske površine v 89 11 Satelitski sistemi za opazovanje Zemlje štirih kanalih. V vsakem izmed njih je imel prostorsko ločljivost 60 krat 80 m in 6-bitno radiometrično ločljivost (zapisal je torej lahko 64 sivih vrednosti). Snemanje je opravljala vrstična naprava z vrtečim zrcalom. Sistem je v vsakem prehodu zrcala v smeri vzhod–zahod hkrati zajel šest vrstic. Kanale in valovne dolžine skenerja MSS prikazuje tabela 11.6. Kanal Landsat 1, 2, 3 Landsat 4, 5 Valovna dolžina (µm) Spektralni pas MSS 4 MSS 1 0,5–0,6 zelena MSS 5 MSS 2 0,6–0,7 rdeča MSS 6 MSS 3 0,7–0,8 bližnja IR MSS 7 MSS 4 0,8–1,1 bližnja IR Tabela 11.6: Kanali senzorja MSS na satelitih Landsat. Rutinsko zajemanje podatkov s senzorjem MSS se je končalo leta 1992. Senzor TM, ki so ga vpeljali s satelitom Landsat 4 in nadgradili z Landsatom 7, je namreč nasledil in v celoti nadomestil MSS. Thematic Mapper ima kar nekaj prednosti v primerjavi s starejšim MultiSpectral Scannerjem. Glavne med njimi so: • boljša prostorska ločljivost, • natančnejša radiometrična ločljivost, • ožji kanali, • sedem za razliko od štirih kanalov in • večje število senzorjev na kanal. Senzor TM hkrati zajame šestnajst vrstic za vsak netermični kanal (v termičnem pa štiri). Pri tem uporablja nihajoče zrcalo, ki snemanje opravlja v obeh smereh, to je tako pri poti od vzhoda proti zahodu kot tudi v obratni smeri, pri tem zajema hkrati 16 vrstic za netermične kanale. Prav v snemanju v obeh smereh se TM razlikuje od sen- zorja MSS in ta razlika omogoča daljši čakalni čas (ali čas opazovanja istega območja). Slednji vpliva na boljše geometrične in radiometrične lastnosti podob (poglavje 8.2). Prostorska ločljivost senzorja TM je 30 m za vse kanale razen termičnega, v katerem je slednja nekoliko slabša, in sicer 120 m. Vrednosti vseh kanalov so podane v razponu med 0 in 255, čemur ustreza 8-bitna radiometrična ločljivost. Spektralne in prostorske značilnosti, skupaj z nameni uporabe, podaja tabela 11.7. Najnovejši satelit iz skupine, to je Landsat 7, ima nekoliko izboljšan skener ETM+ (Enhanced Thematic Mapper Plus). Senzor ima vse kanale svojega predhodnika, po- leg tega pa tudi pankromatski kanal z ločljivostjo 15 m. Pankromatski kanal pokriva valovne dolžine med 0,52 in 0,90 µm, čemur ustreza zelena, rdeča in bližnja infrardeča svetloba. Izboljšana je prostorska ločljivost termičnega kanala na senzorju ETM+, in sicer na 60 m. Podatke senzorjev ETM+, TM in MSS uporabljamo v najrazličnejših aplikacijah, od upravljanja z naravnimi viri, prek kartiranja, opazovanja okolja do zaznavanja spre- memb (na primer gozdov, kmetijskih in urbanih površin, poplav, požarov, nahajališč mineralnih surovin ...). Arhivi posnetkov Landsat so obsežni in le manjši delež posnet- kov je bil do sedaj izkoriščen. Slika 11.6 prikazuje delto reke Geba v Gvineji Bissau. Na sliki je lepo viden vzorec, ki ga ustvarja mešanje morske in rečne vode, bogate z rudninskimi snovmi. 90 11.2 Sateliti za opazovanje kopnih površin Kanal Valovna Spektralni Ločljivost (m) Uporaba dolžina (µm) pas TM ETM+ TM 1 0,45–0,52 modra 30 30 ločevanje prsti in vegetacije; merjenje globine voda in kartiranje obal TM 2 0,52–0,60 zelena 30 30 kartiranje zelene vegetacije (meri vrh odboja) TM 3 0,63–0,69 rdeča 30 30 ločevanje vegetacije in nevegetacije, prepoznavanje posameznih vrst rastlin (absorpcija klorofila) TM 4 0,76–0,90 bližnja IR 30 30 določanje vrst rastlin, zdravosti in količine biomase; označevanje vodnih teles; merjenje vlage TM 5 1,55–1,75 bližnja IR 30 30 merjenje vlage v prsti in vegetaciji; ločevanje snega in oblakov TM 6 10,4–12,5 termična IR 120 60 termično kartiranje (urbane in vodne površine); stanje vegetacije, določanje vlažnosti prsti v povezavi s termičnim sevanjem TM 7 2,08–2,35 bližnja IR 30 30 določanje mineralov in tipov kamnin; merjenje vlažnosti vegetacije PAN 0,52–0,90 pankromatsko / 15 izboljšanje ločljivosti; prepoznavanje vegetacije Tabela 11.7: Kanali senzorjev TM in ETM+ na satelitih Landsat. 91 11 Satelitski sistemi za opazovanje Zemlje Okvara v delovanju senzorja ETM+ Maja leta 2003 je senzor ETM+ na satelitu Landsat 7 doživel okvaro v delo- vanju sistema za kompenzacijo snemalnih vrstic (razdelek 8.2.1). Zaradi nede- lujoče korekcije se snemalne vrstice prekrivajo na sredini in imajo velike vrzeli na robovih podobe. Manjkajočih podatkov ni mogoče nadomestiti, mogoče pa je spremeniti al- goritme obdelave in ohraniti skoraj 80 % pikslov. Analize so pokazale, da je mogoče doseči geometrijsko in radiometrično dobre podobe in s primerno inter- polacijo celo zapolniti manjkajoče dele. Seveda pa interpolacija ne nadomesti pravih vrednosti in je primerna le za določene namene. 11.2.2 SPOT SPOT (Satellite Pour l’Observation de la Terre) je skupina satelitov za opazovanje Ze- mlje, ki jo je pripravil in izstrelil francoski Centre National d’Études Spatiales (CNES), z njimi pa upravlja podjetje Spot Image (slika 11.7). Pri razvoju satelita so jim poma- gali strokovnjaki iz Švedske in Belgije. Prvi satelit iz skupine, to je SPOT 1, so izstrelili leta 1986, temu pa so vsake tri do štiri leta sledili nasledniki. Zadnji – SPOT 5 – je bil izstreljen 3. maja 2002. Vsi sateliti krožijo okrog Zemlje na višini 822 km v sončno sinhronih skoraj polarnih tirnicah. Višina leta določa čas ponovnega obiska, ki znaša 26 dni. Sateliti prečkajo ekvator približno ob pol enajstih dopoldne po krajevnem sončnem času. SPOT je bil eden prvih sistemov, ki je uporabil tehniko snemanja površja z vzdolžnim skenerjem (razdelek 8.2.2), poleg tega pa je bil med prvimi komercialnimi satelitskimi sistemi. Vsak od satelitov SPOT ima dva senzorja, ki vsak zase ali skupaj opazujeta površje bodisi v pankromatskem načinu z visoko ločljivostjo oziroma v večspektralnem načinu z nekoliko slabšo ločljivostjo. Sateliti SPOT imajo po vrsti naslednje senzorje: • HRV (High Resolution Visible, SPOT 1 do 3), • HRVIR (High Resolution Visible and Infrared, SPOT 4) in • HRG (High Resolution Geometry, SPOT 5). Pri satelitih SPOT 1 do 3 je so bili večspektralni kanali trije, medtem ko so pri novejših satelitih SPOT 4 in 5 štirje. Najnovejši satelit ima poleg tega izboljšano pro- storsko ločljivost, saj lahko pankromatske podobe ustvari z ločljivostjo 5 oziroma 2,5 m. 92 11.2 Sateliti za opazovanje kopnih površin Slika 11.6: Delta reke Geba v Gvineji Bissau, ki jo je 12. februarja 2000 posnel satelit Landsat 7. V rdeči, zeleni in modri barvi so prikazani infrardeči, rdeči in modri kanal (4, 3 in 1). Vsak od vzdolžnih senzorjev je sestavljen iz štirih (oziroma petih) vrstic detektorjev. Ena izmed njih ima 6000 elementov, namenjena pa je pankromatskemu snemanju z ločljivostjo 10 m. Tri oziroma štiri vrstice s po 3000 elementi pa snemajo večspektralne kanale z ločljivostjo 20 m. Pri satelitu SPOT 5 ima pankromatski detektor 12 000 ele- mentov, večspektralni pa 6000, čemur ustrezata prostorska ločljivost 5 oziroma 10 m. S posebnim skupnim delovanjem obeh senzorjev lahko najnovejši SPOT ustvari podobe ločljivosti 2,5 m. Pri tem oba senzorja opazujeta isti del površja, centri njunih pikslov pa so zamaknjeni za polovico. Z interpolacijo obeh podob dobimo podobo z večjo ločlji- vostjo. Če je instrument usmerjen proti nadirju, je pas snemanja pri obeh instrumentih enak 60 km. Tabela 11.8 prikazuje spektralne lastnosti različnih načinov snemanja na satelitih SPOT. Kot gledanja senzorjev lahko spremenimo, tako da so njegovi pogledi usmerjeni na eno ali drugo stran nadirja (slika 11.8 a). S tako imenovanim stranskim gledanjem lahko precej zmanjšamo čas ponovnega snemanja, to je čas, ko satelit lahko zaporedoma opazuje isto območje. Senzorje na satelitih SPOT lahko zasukamo do 27◦ od nadirja, tako da lahko satelit opazuje območje kjer koli v pasu širine 950 km. Ko senzor usmerjamo proč od nadirja, postane pas snemanja širši. Medtem ko je pri snemanju neposredno pod satelitom širok 60 km, je v skrajnih legah kar 80 km. Z 93 11 Satelitski sistemi za opazovanje Zemlje Slika 11.7: Satelit SPOT. obračanjem senzorjev torej zmanjšamo čas med snemanji istih območij, poleg tega pa lahko ustvarimo tudi tako imenovane steroskopske pare posnetkov. S snemanjem istega dela površja iz različnih zornih kotov, lahko podobe opazujemo in analiziramo v treh razsežnostih, kar je še posebej pripravno pri študijah površja, kartiranju in simulacijah terena. Možnost obračanja senzorjev poveča frekvenco ponovnega snemanja v ekvatorial- nem pasu na tri dni (sedemkrat v 26 dneh). Zaradi zbliževanja tirnic na polih lahko kraje na geografski širini 45◦ opazujemo še pogosteje (11 krat v 26 dneh). Če oba sen- zorja usmerimo tako, da opazujeta sosednja pasova v nadirju, lahko naenkrat snemamo pas širine 117 km (3 km je prekrivanja pasov, slika 11.8 b). S takim načinom lahko zajemamo bodisi pankromatske ali večspektralne podatke, ne pa obojih hkrati. Najnovejši satelit iz skupine, SPOT 5, je opremljen tudi s posebnim senzorjem HRS (High Resolution Stereoscopic), ki ustvarja pare stereo podob. Pri tem uporablja zanimivo metodo, ki celoten stereopar posname v približno treh minutah. HRS je opremljen z dvema teleskopoma – prvi je usmerjen 20◦ (glede na nadir) v smeri leta, drugi pa 20◦ nasproti smeri leta. Satelit najprej posname podobo s prvim teleskopom, po 90 s pa še podobo z drugim teleskopom. Tako sočasno nastane idealen stereopar, saj sta podobi narejeni skoraj hkrati z istim senzorjem ter se skoraj v celoti prekrivata. Če so v času snemanja idealni meteorološki pogoji, lahko s primerno obdelavo pridobimo zelo natančen model višin. HRS stereopar pokriva območje velikosti 600 krat 120 km (72000 km2). V nekaj letih delovanja je SPOT 5 pridobil arhiv stereoparov in iz njih 94 11.2 Sateliti za opazovanje kopnih površin Satelit Kanal Valovna dolžina (µm) Spektralni pas Ločljivost (m) SPOT 1 do 3 P 0,50–0,73 pankromatsko 10 B1 0,50–0,59 zelena 20 B2 0,61–0,68 rdeča 20 B3 0,78–0,89 bližnja IR 20 SPOT 4 P 0,61–0,68 pankromatsko 10 B1 0,50–0,59 zelena 20 B2 0,61–0,68 rdeča 20 B3 0,78–0,89 bližnja IR 20 B4 1,58–1,75 srednja IR 20 SPOT 5 P 0,48–0,71 pankromatsko 5 ali 2,5 B1 0,50–0,59 zelena 10 B2 0,61–0,68 rdeča 10 B3 0,78–0,89 bližnja IR 10 B4 1,58–1,75 srednja IR 20 Tabela 11.8: Kanali senzorja HRV na satelitih SPOT. (a) (b) Slika 11.8: Stranski pogledi (a) in sosednje gledanje (b) pri satelitu SPOT. izdelanih DMV, ki pokriva več kot 100 milijonov kvadratnih kilometrov. SPOT ima nekaj prednosti v primerjavi z drugimi optičnimi senzorji. Za njegovo pri- ljubljenost sta še posebej pomembni dobra prostorska ločljivost in zmožnost usmerjanja senzorjev. Tri ali po novem štirikanalne podatke lahko tudi »izostrimo« z upoštevanjem pankromatskega kanala, kar je uveljavljena tehnika pri vseh sistemih, ki zajemajo po- datke pankromatsko z večjo ločljivostjo. S sistemi SPOT lahko opravljamo študije, ki zahtevajo visoko ločljivost, na primer opazovanje urbanih površin, in sistematična snemanja. Poleg tega lahko njegove posnetke uporabljamo v aplikacijah, ki zahtevajo pogosto opazovanje, na primer v kmetijstvu (slika 11.9) in gozdarstvu. Pomembno vlogo pri kartiranju in pridobivanju topografskih informacij (digitalnih modelov višin) imajo tudi stereoskopski posnetki SPOT. Upoštevati moramo tudi obsežen arhiv podatkov, saj sateliti zemeljsko površje opazujejo že od leta 1986. 95 11 Satelitski sistemi za opazovanje Zemlje Slika 11.9: Opazovanje krožnih namakalnih polj v Saudovi Arabiji s satelitom SPOT. Podobo je 17. maja 1992 posnel satelit SPOT 1. 11.2.3 IKONOS Satelit IKONOS je prvi visokoločljivi civilni satelit za opazovanje zemeljskega površja. Iz letalskega oporišča Vandenberg v Kaliforniji ga je septembra 1999 izstrelila raketa Athena II. Satelit ima pankromatsko ločljivost 1 m in večspektralno 4 m. Oba podatka veljata pri naklonu 26◦ od nadirja. IKONOS leti s hitrostjo 7 km/s na višini 681 km, kar je nekoliko niže kot, na primer, Landsat. Njegova tirnica je sončno sinhrona skoraj polarna, z naklonom 98,1◦. Satelit prečka ekvator v spuščajočem letu ob pol enajstih dopoldne po krajevnem času. IKONOS uporablja prečni skener (razdelek 8.2.1), ki pa ga lahko usmerimo proč od nadirja. Čas ponovnega snemanja zato znaša na geografski širini 40◦ skoraj tri dni pri ločljivosti 1 m oziroma dan in pol pri snemanju pod večjimi koti, kjer znaša ločljivost 1,5 m. Satelit ustvarja posnetke v pasu širine 11 km, ki so lahko veliki od 11 krat 11 km do 11 krat 1000 km. Poleg tega ponudniki posnetkov ponujajo brezšivne mozaike večjih območij. Za IKONOS je značilno naročanje podatkov na kvadratni kilometer in ne na posnetek (sceno), določimo pa lahko celo ploskev nepravilne oblike. Zagotovljena položajna natančnost podob je 12 m vodoravno in 10 m navpično brez kontrolnih točk. S kontrolnimi točkami in uporabo modela višin, ki ju zagotovi naročnik, pa dosegajo 96 11.2 Sateliti za opazovanje kopnih površin Slika 11.10: Pankromatski posnetek piramid v Gizi, ki ga je 17. novembra 1999 zajel satelit IKONOS. Kanal Valovna dolžina (µm) Spektralni pas 1 0,45–0,52 modra 2 0,52–0,60 zelena 3 0,63–0,69 rdeča 4 0,76–0,90 bližnja IR PAN 0,45–0,90 pankromatsko Tabela 11.9: Kanali sistema IKONOS. podobe natančnost celo 2 m vodoravno in 3 m navpično. To je primerljivo oziroma le nekoliko slabše od natančnosti, ki jo dosegamo pri letalski fotografiji. Poleg zelo natančnega pankromatskega kanala, ki podatke zajema pri valovnih dol- žinah med 0,45 in 0,90 µm, ima IKONOS tudi štiri multispektralne kanale. Ti povsem ustrezajo prvim štirim kanalom senzorjev Landsat TM in ETM+ (tabela 11.9). Z njimi zajema elektromagnetno valovanje pri modri, zeleni, rdeči in infrardeči svetlobi. Za razliko od senzorja ETM+, pankromatski kanal v celoti pokriva multispektralne. Ra- diometrična ločljivost sistema IKONOS je 11 bitov, kar pomeni, da lahko loči 2048 vrednosti v vsakem kanalu. 97 11 Satelitski sistemi za opazovanje Zemlje Prvotni lastnik satelita je bil Space Imaging, ki pa ga je leta 2006 kupil Orbimage. Z združitvijo obeh je nastalo podjetje GeoEye, ki poleg satelita IKONOS upravlja še nekaj visokoločljivih satelitov, na primer OrbView-3, ki ima skoraj enake lastnosti kot IKONOS. Možnosti uporabe podob satelita IKONOS je veliko. Z njimi lahko izvajamo natančno kartiranje, ustvarjamo posnetke ortofoto in jih uporabljamo pri različnih ana- lizah okolja. Ne nazadnje so podobe postale zelo priljubljene tudi v elektronskih in tiskanih medijih (slika 11.10). 11.2.4 QuickBird Trenutno najbolj natančen sistem za opazovanje Zemlje je QuickBird, satelit podjetja DigitalGlobe, ki so ga z raketo Delta II izstrelili oktobra leta 2001 iz letalskega oporišča Vandenberg v Kaliforniji. Satelit se nahaja v sončno sinhroni skoraj polarni tirnici z naklonom 98◦ na višini 450 km. To je precej niže od ostalih sistemov za opazovanje Zemlje, kar QuickBirdu omogoča doseganje večje ločljivosti. Kanal Valovna dolžina (µm) Spektralni pas 1 0,45–0,52 modra 2 0,52–0,60 zelena 3 0,63–0,69 rdeča 4 0,76–0,90 bližnja IR PAN 0,45–0,90 pankromatsko Tabela 11.10: Kanali sistema QuickBird. Tudi QuickBird uporablja prečni skener (razdelek 8.2.1), ki ga je mogoče zasu- kati. Zemljo opazuje v enakih spektralnih kanalih kot IKONOS in deloma Landsat (tabela 11.10). Ločljivost v pankromatskem kanalu znaša od 61 cm v nadirju do 72 cm pri naklonu 25◦. Štirje multispektralni kanali pa podatke zajemajo z ločljivostjo med 2,44 m in 2,88 m. Velikost posnetkov je prav tako odvisna od kota gledanja in znaša od približno 16 km v nadirju do 20 km pri naklonu 25◦. Satelit ima, tako kot IKONOS, radiometrično ločljivost 11 bitov, čemur ustreza 2048 sivih vrednosti. Zelo pomembna lastnost satelita QuickBird je javna objava podatkov o snemalnem sistemu. Posnetki so namreč opremljeni s podatki o letu satelita in optičnih lastnostih senzorja, in sicer v obliki, berljivi z vsemi pomembnejšimi programi za obdelavo podob. To omogoča hitro in preprosto izdelavo posnetkov ortofoto, poleg tega pa tudi izdelavo digitalnih modelov višin. Podobe QuickBirda je mogoče uporabiti v številnih aplikacijah, od upravljanja z zemljišči, infrastrukturo in naravnimi viri prek opazovanja sprememb v mikro okolju, vse do posodabljanja kart velikega merila (slika 11.11). Satelit zajema podatke v pre- cej širokem pasu, kar omogoča pridobivanje podatkov na relativno velikih površinah. Pomembno je tudi dejstvo, da je QuickBird prvi iz vrste satelitov, ki jih nameravajo v podjetju DigitalGlobe izstreliti v naslednjih letih – s sistemoma WorldView I in II bodo dosegli prostorsko ločljivost pol metra pankromatsko in približno dva metra več- spektralno. 98 11.3 Sateliti za opazovanje morja Slika 11.11: Podoba Eifflovega stolpa, ki jo je 27. marca 2002 zajel QuickBird. 11.3 Sateliti za opazovanje morja Oceani prekrivajo več kot dve tretjini zemeljske površine in imajo pomembno vlogo v globalnem klimatskem sistemu. Poleg tega vsebujejo ogromno živih organizmov in naravnih virov, ki so občutljivi na onesnaženje in druge vplive. Meteorološke sate- lite in satelite za opazovanje kopnega, o katerih smo govorili v razdelkih 11.1 in 11.2, lahko uporabimo tudi za opazovanje oceanov na našem planetu. Vendar obstaja kar nekaj sistemov, ki so v prvi vrsti namenjeni opazovanju morja. Sateliti za opazovanje oceanov so pomembni za globalno in regionalno opazovanje onesnaženosti morja in nje- gove »zdravosti«. Hkrati pomagajo znanstvenikom pri razumevanju vpliva oceanov na globalni klimatski sistem. Satelit Nimbus-7, izstreljen leta 1978, je imel senzor Coastal Zone Colour Scanner (CZCS), prvi senzor, namenjen samo opazovanju oceanov in drugih vodnih površin. Glavni namen CZCS je bilo opazovanje barve in temperature oceanov, predvsem v obalnih predelih ter zaznavanje onesnaževalcev v zgornjih plasteh vode. Poleg tega je sistem lahko določal naravo materialov, raztopljenih v vodi. Nimbus je okrog Zemlje krožil v sončno sinhroni skoraj polarni tirnici, na višini približno 955 km. Satelit je deloval do leta 1994, njegove podatke pa uporabljajo še danes. Senzor CZCS je imel šest spektralnih pasov v vidnem, bližnjem infrardečem in ter- mičnem infrardečem delu spektra. Njegovi kanali so bili zelo ozki, ker je bil optimiziran 99 11 Satelitski sistemi za opazovanje Zemlje Slika 11.12: Koncentracija fitoplanktona, kot jo izmeril senzor CZCS v obdobju med novembrom 1978 in junijem 1986. Podoba je pridobljena iz približno 66 000 posameznih meritev, ki so trajale dve minuti. za zaznavanje majhnih razlik pri odbojnosti vode. Te so namreč posledica različnih koncentracij fitoplanktona in drugih v vodi raztopljenih delcev (slika 11.12). 11.3.1 SeaWiFS Kanal Valovna dolžina (µm) 1 0,40–0,42 2 0,43–0,45 3 0,48–0,50 4 0,50–0,52 5 0,55–0,57 6 0,66–0,68 7 0,75–0,79 8 0,85–0,89 Tabela 11.11: Kanali sistema SeaWiFS. Senzor SeaWiFS (Sea-viewing Wide-Field-of View Sensor) na satelitu SeaStar je trenutno najbolj napreden sistem, namenjen opazovanju oceanov. SeaWiFS ima osem kanalov, ki zajemajo zelo ozke pasove valovnih dolžin (tabela 11.11). Sistem je zmožen opazovanja točno določenih pojavov v oceanih, med drugim zaznavanja proizvodnje fito- planktona v oceanih, vpliva oceanov na klimo (hranjenja toplote in tvorjenja aerosolov) ter opazovanja kroženja ogljika, žvepla in dušika. Satelit SeaStar leti na višini približno 705 km in lahko opazuje površje Zemlje v dveh ločljivostih. Prva pri pasu snemanja širine 2800 km znaša 1,1 km v nadirju, druga 4,5 km pri pasu 1500 km. SeaWiFS omogoča opazovanje vpliva fizikalnega in kemičnega dogajanja v oceanih na biološke spremembe. Sistem je omogočil ne le kratkotrajno prostorsko in časovno 100 11.4 Radarski sistemi Slika 11.13: Povprečna koncentracija klorofila, ki jo je izmeril sistem SeaWiFS ob iz- strelitvi avgusta 1997. spremljanje, ampak tudi dolgotrajne podatke, s katerimi lahko zaznavamo odzive oce- anov na globalne spremembe (slika 11.13). 11.4 Radarski sistemi Optične sisteme so v zadnjem desetletju prejšnjega stoletja pričeli dopolnjevati tudi radarski (poglavje 9). Pri tem imata vodilno vlogo evropska in kanadska vesoljska agencija s sateliti ERS, Envisat in RADARSAT. Obe agenciji sta radarsko daljinsko zaznavanje postavili v ospredje svojega delovanja in optičnih senzorjev skorajda ne razvijata oziroma uporabljata. 11.4.1 ERS-1 in ERS-2 Julija leta 1991 je Evropska vesoljska agencija (European Space Agency, ESA) izstrelila prvega izmed evropskih satelitov za daljinsko zaznavanje Zemlje – ERS-1 (European Remote Sensing Satellite), ki mu je leta 1995 sledil še ERS-2. ERS-2 še vedno nemoteno deluje, ERS-1 pa je zaradi napake v sistemu za kontrolo višine v začetku marca 2000 »iztiril«. Sistem ERS posnetke pridobiva z mikrovalovno tehniko, poleg tega pa lahko z njim opazujemo tudi stanje površine morja, tokove v oceanih, premike ledenikov in podobno. Satelit ERS-2 – tako kot njegov predhodnik ERS-1 – kroži na višini približno 770 km. Nad isto točko se pojavi vsakih 35 dni, njegova tirnica pa je skoraj polarna (naklon je 98,5◦). Tirnica ERS-2 je bila nekaj časa, ko sta satelita delovala v paru, v primerjavi z ERS-1 premaknjena za trideset minut. Ta precejšnja bližina leta omogoča izdelavo digitalnih modelov višin iz podatkov, dobljenih z obeh satelitov v tako imenovanem tandemskem načinu delovanja. Satelita ERS-1 in 2 sta bila skoraj enaka in sta vsebovala tudi zelo podobne senzorje. Na obeh so bili: • AMI (Active Microwave Instrument), ki je sestavljen iz umetno odprtinskega ra- darja in merilnika vetrov, 101 11 Satelitski sistemi za opazovanje Zemlje Slika 11.14: Satelit ERS-2 tik pred izstrelitvijo. • RA (Radar Altimeter), • ATSR (Along-Track Scanning Radiometer), • PRARE (Precise Range and Range-Rate Equipment) in • LRR (Laser Retro-Reflectors). ERS-2 nosi poleg naštetih tudi instrument za globalno merjenje koncentracije ozona GOME (Global Ozone Monitoring Experiment). Satelit ERS-2 tik pred izstrelitvijo leta 1995 prikazuje slika 11.14. Aktivni mikrovalovni instrument deluje s frekvenco 5,3 GHz oziroma valovno dolžino 5,6 cm (pas C) in pod povprečnim kotom 23◦ »slika« 100 km širok pas na Zemlji. Sistem lahko deluje v slikovnem ali v vetrovnem oziroma valovnem načinu. Pri slednjem meri hitrost in smer vetrov nad oceani (v 500 km širokem pasu) ali pa zbira podatke o dolžini in smeri morskih valov (v pasu širine 200 do 300 km). Kadar ERS deluje kot aktivni mikrovalovni instrument, gre za zelo obsežno zbiranje podatkov, zato se ti ne morejo shranjevati v pomnilniku na samem satelitu. Delovanje senzorja AMI je lahko vključeno samo takrat, ko satelit leti nad sprejemno postajo, ki signale zajema neposredno. Oddajanje teh je zaradi velike porabe energije časovno omejeno na deset minut v vsaki tirnici. Satelitske posnetke ERS uporabljamo, kadar želimo pridobiti informacije v mikro- valovnem delu elektromagnetnega spektra, na primer, če želimo opazovati vlažnost površja. Ker radar skoraj nemoteno prodira skozi oblake, jih lahko uporabimo takrat, 102 11.4 Radarski sistemi Slika 11.15: Interferogram prikazuje obliko površja in bi ga lahko povezali s plastnicami. Na sliki je prikazano območje Maribora, kjer lahko vidimo bolj ali manj ravno Dravsko polje, ki na robovih počasi preide v vzpetine. Podoba je najbolj »živahna« na območju Pohorja. Enemu barvnemu kolobarju na sliki ustreza višinska sprememba 238 m. ko optičnih posnetkov ni mogoče uporabiti, na primer ob poplavah in drugih naravnih nesrečah. Posnetki ERS so postali priljubljeni tudi zaradi možnosti interferometrične uporabe, pri kateri s primerjavo dveh ali več posnetkov lahko izdelamo modele višin ali premikov površja (slika 11.15). 11.4.2 Envisat Envisat (Environmental Satellite) je naslednik satelitov ERS-1 in 2, ki ga je marca 2002 z raketo Ariane 5 izstrelila Evropska vesoljska agencija. Satelit kroži v sončno sinhroni skoraj polarni tirnici na višini 790 km z obhodnim časom približno sto minut in časom ponovnega obiska 35 dni. Envisat je največji in s skupno težo več kot osmih ton tudi eden najtežjih satelitov za opazovanje Zemlje, kar so jih kdaj koli zgradili. Satelit ima devet instrumentov, ki zbirajo podatke o kopnem, vodi, ledu in atmosferi. 103 11 Satelitski sistemi za opazovanje Zemlje Radarska interferometrija Radarska interferometrija (InSAR) je razmeroma nova tehnika, s katero lahko iz parov radarskih satelitskih in letalskih posnetkov pridobivamo visokoločljive podatke o zemeljskem površju. Najpomembnejši področji njene uporabe sta izdelava digitalnih modelov višin in opazovanje majhnih premikov, še posebej na območjih, ki so s »klasičnimi« metodami slabo izmerjena. Natančnost, ki jo dosežemo pri izdelavi modelov višin, je približno deset metrov v vodoravni (položaj) in nekaj metrov v navpični (višina) smeri. Zelo uporabna je tudi di- ferencialna interferometrija, s katero lahko opazujemo premike tal velikostnega reda valovne dolžine uporabljenega radarskega valovanja, kar znaša pri satelitih ERS približno pol centimetra. Pri interferometriji uporabljamo kompleksne radarske satelitske posnetke, ki poleg podatkov o amplitudi odboja na površju vsebujejo tudi fazo odbitega valovanja. Faza je odvisna od lastnosti opazovane površine in od dolžine poti med oddajno anteno, opazovano površino in sprejemno anteno. V primeru, da imamo posnetka istega območja, ki sta bila narejena iz rahlo premaknjenih tirnic, lahko z upoštevanjem geometrije gledanja določimo zvezo med interfero- gramom – fazno razliko obeh podob – in višinami na površju. Pri tem moramo paziti, da posnetka ustrezata zahtevam za interferometrično obdelavo, in si- cer da sta narejena iz bližnjih tirnic in da se med zajetjema obeh podob ni pretirano spremenila fazna odbojnost oziroma katera od geofizikalih lastnosti površja. Podobno lahko pri diferencialni interferometriji (DInSAR) z uporabo treh podob določamo majhne relativne premike. Iz treh podob lahko namreč ustva- rimo dva interferograma in z njuno primerjavo diferencialni interferogram. Ta je od nič različen samo v primeru, če se je med zajetjem podob znatno spreme- nila fazna odbojnost oziroma se je premaknilo opazovano površje. Prvi faktor predstavlja motnjo in se mu skušamo izogniti, drugi pa omogoča natančno določanje premikov. Nadgradnja diferencialne interferometrije je tehnika, ki uporablja perma- nentne sipalce (Permanent Scatterers InSAR ali PSInSAR), to je točke, ki jih zlahka najdemo na več posnetkih in ki ne spreminjajo svojih lastnosti. S tem se izognemo tako imenovani časovni dekorelaciji in lahko opazujemo premike v več zaporednih letih. Žal pa pri tem izgubimo zveznost, saj so tovrstni sipalci točkasti, njihova gostota pa je odvisna od oblike in pokrovnosti površja. Precej preprosto jih namreč najdemo v urbanih območjih, veliko teže pa na območjih, prekritih z vegetacijo. Teoretične osnove interferometrije poznamo dobri dve desetletji, že več kot petnajst let pa je minilo od prve uspešne interferometrične obdelave. Pravi razcvet je interferometrija doživela po letu 1991, ko so izstrelili prvi evropski satelit za opazovanje Zemlje ERS-1. Od takrat je bila tehnika uporabljena v mnogih študijah, od hidrologije prek vulkanologije in seizmologije do glaciolo- gije in ekologije. 104 11.4 Radarski sistemi SPOT 4 opazuje ERS-1 Tirnice satelitov, ki letijo na različnih višinah, se občasno križajo. V enem od takih srečanj je SPOT 4 ustvaril podobo satelita ERS-1. Francoski upravljalec satelita (CNES) je z upoštevanjem natančnih podatkov o tirnicah obeh sateli- tov določil kraj srečanja in 6. maja 1998 ob 9:56 UTC je SPOT 4 nad puščavo Ténéré v Nigerju posnel satelit ERS. SPOT 4, ki leti na višini 820 km lahko na površju razloči podrobnosti veli- kosti 10 m. Tirnica satelita ERS-1 je 41 km nižja, kar pomeni, da lahko SPOT razloči podrobnosti velikosti 50 cm na višini ERS-1. Zaradi nižjega leta pa se slednji giblje hitreje, njuna relativna hitrost je približno 250 km/h, zaradi česar je bila surova podoba satelita močno popačena. Z ustrezno obdelavo so obnovili pravo geometrijo in ustvarili pravilno podobo satelita. Na sliki lahko vidimo obsežne sončne celice na desni strani satelita. Na njegovi levi strani pa je radarska antena, ki meri 10 m krat 1 m, in pod kotom 45◦ anteni za merjenje hitrosti vetra, velikosti 3,6 m krat 0,25 m. Zelo svetli deli so posledica odboja sončnih žarkov na varovalni oblogi satelita. 105 11 Satelitski sistemi za opazovanje Zemlje Slika 11.16: Veččasovni barvni kompozit posnetkov ASAR, ki zajema vzhodno Slovenijo in Madžarsko. V rdeči, modri in zeleni barvi so prikazane podobe, zajete 4. novembra 2002, 7. julija 2003 in 24. marca 2003. Nekaj izmed njih predstavlja izboljšane različice obstoječih senzorjev, predvsem sateli- tov ERS, drugi pa so povsem novi. Velika količina različnih instrumentov je predsta- vljala eno največjih težav pri gradnji in pripravi na izstrelitev. Na satelitu so naslednji senzorji: • ASAR (Advanced Synthetic Aperture Radar), • MERIS (Medium Resolution Imaging Spectrometer), • AATSR (Advanced Along Track Scanning Radiometer), • RA-2 (Radar Altimeter 2), • MWR (Microwave Radiometer), • DORIS (Doppler Orbitography and Radiopositioning Integrated by Satellite), • GOMOS (Global Ozone Monitoring by Occultation of Stars), • MIPAS (Michelson Interferometer for Passive Atmospheric Sounding) in • SCIAMACHY (Scanning Imaging Absorption Spectrometer for Atmospheric Char- tography). 106 11.4 Radarski sistemi Izboljšani umetno odprtinski radar ASAR deluje v pasu C (valovna dolžina 5,6 cm) in zagotavlja kontinuiteto snemanje s sistemoma ERS-1 in 2. Senzor ima v najbolj natančnem načinu delovanja prostorsko ločljivost 30 m, deluje pa lahko v petih različnih polarizacijskih načinih. Pomemben instrument je tudi MERIS, večspektralni skener, ki ga je mogoče programirati za opazovanje do petnajstih kanalov v razponu med 390 nm in 1040 m. Od ostalih instrumentov sta zanimiva še višinomer RA-2, ki ima natančnost boljšo od 5 cm, in GOMOS, ki omogoča merjenje koncentracije ozona v ozračju in s tem določanje velikosti in položaja ozonske luknje. 11.4.3 RADARSAT RADARSAT je prvi kanadski satelit za opazovanje Zemlje. Izstrelili so ga leta 1995. Njegova prednost v primerjavi z drugimi radarskimi sateliti je široka paleta posnetkov (različnih načinov snemanja, velikosti in ločljivosti) ter njihova hitra dostopnost (nekaj ur po zajetju). Njegova tirnica je, tako kot pri večini drugih satelitov za opazovanje zemeljskega površja, sončno sinhrona na višini 798 km. Na vsakem obhodu lahko snema podatke 28 minut, kar ustreza površini več kot milijon kvadratnih kilometrov. Posnetke začasno shranjuje na trakovih in jih na Zemljo pošlje takrat, ko leti nad sprejemno postajo. Slika 11.17: Posnetek satelita RADARSAT, ki prikazuje naftni madež v bližini otočja Galapagos. Podoba je nastala 21. januarja 2001, štiri dni po nesreči tankerja Jessica. 107 11 Satelitski sistemi za opazovanje Zemlje Kanadski radarski satelit je opremljen z umetno odprtinskim radarjem, ki deluje v pasu C pri eni sami frekvenci (5,3 GHz, valovna dolžina 5,6 cm). Kot gledanja zemeljskega površja lahko spreminjajo, in sicer od malo manj kot 20 do več kot 50◦. Z različnimi žarki lahko posname naenkrat pas širine od 35 do 500 km, pri čemer je ločljivost od 10 do 100 m. RADARSAT skrbi za globalno pokritost, ki jo na Arktiki doseže vsak dan, na ekvatorju pa z uporabo 500 km pasu v šestih dneh. Njegova tirnica gre natanko prek iste točke vsakih 24 dni. RADARSAT je močno prekoračil predvideno življenjsko dobo pet let, a še vedno normalno deluje. Posnetke, ki jih ustvarja, uporabljamo za opazovanje ledenikov, spre- mljanje nesreč (slika 11.17), v kmetijstvu in gozdarstvu, pri kartiranju arktičnih prede- lov in podobno. Uspešno zajemanje podatkov bo nadaljeval satelit RADARSAT-2, ki bo s prostorsko ločljivostjo kar 3 m lahko deloval pri različnih polarizacijah, snemalno anteno pa bo mogoče obračati tako na levo kot na desno stran glede na smer leta. 11.4.4 Shuttle Radar Topography Mission Ameriška vesoljska agencija NASA je skupaj s partnerji pričela leta 1996 izvajati projekt Shuttle Radar Topography Mission (SRTM). Njegov cilj je bil ustvariti visokoločljivi globalni digitalni model zemeljske povšine, v pasu med 60◦ severno in 56◦ južno od ekvatorja, kar pomeni 80 odstotkov površine Zemlje in skoraj 95 odstotkov prebivalstva. Ločljivost ustvarjenega modela višin naj bi bila 30 m, kar je tridesetkrat bolj natančno od predhodnih višinskih podatkov za tako veliko površino. SRTM je radarski interferometrični sistem, ki je, nameščen na vesoljskem plovilu Endeavour, od 11. do 21. februarja 2000 zajemal podatke o višinah. Sistem je sesta- vljen iz dveh anten, od katerih je ena nameščena neposredno na plovilu, druga pa se nahaja na 60 m dolgi gredi. Ena izmed anten je oddajala radarsko valovanje, ki sta ga sprejemali obe. Iz fazne razlike med signaloma, zajetima z eno in drugo anteno, je mogoče izračunati višino površine, od katere se je signal odbil. Hkratno zajemanje podatkov z dvema antenama omogoča visoko ujemanje posnetkov (koherenco) tudi nad območji, ki se časovno hitro spreminjajo (gozdovi, polja ...). Endeavour je podatke zajemal v pasovih širine 225 km in s prekrivanjem dosegel enkratno ali večkratno pokri- tost v načrtovanem pasu. Sistem SRTM je opazoval Zemljo pri dveh različnih valovnih dolžinah, in sicer v pasu C (s frekvenco ν ≈ 5,2 GHz, čemur ustreza valovna dolžina λ ≈ 5,8 cm) in X (ν ≈ 10 GHz, λ ≈ 3 cm). Obdelava podatkov, ki so jih zajeli v desetih dneh snemanj, je trajala več let. Sama tehnologija zajemanja podatkov SRTM je dobro znana in ni predstavljala velike ovire. Že nekaj časa namreč na podoben način delujejo letalski in satelitski sistemi. Najtežje delo je bila izdelava gredi iz plastike in aluminija, ki je z dolžino 60 m predstavljala doslej najdaljši umetni objekt v vesolju. Gred je bilo treba sestaviti in razstaviti, poleg tega pa so morali poskrbeti za natančno merjenje njene dolžine (ta je namreč vhodni podatek pri interferometrični obdelavi). Način delovanja sistema SRTM shematično prikazuje slika 11.18. Interferometrična misija Endeavourja je bila uspešna, saj ustvarjeni DMV ustreza zastavljenim zahtevam – ima ločljivost 30 m, navpično natančnost 16 m, položajno pa 20 m. Model višin SRTM je brezplačno dostopen prek spleta, in sicer v polni ločljivosti za Združene države Amerike in v nekoliko zmanjšani (približno 90 m) za celotno opazovano območje. 108 11.4 Radarski sistemi Slika 11.18: Vesoljsko plovilo Endeavour z interferometričnim radarskim sistemom SRTM. Vprašanja 1. Kakšne so značilnosti vremenskih satelitov? 2. Kakšne so značilnosti satelitov za opazovanje morja? 3. Kakšne so značilnosti satelitov za opazovanje kopnega? 4. Podaj osnovne značilnosti satelitov Landsat. 5. Podaj osnovne značilnosti satelitov SPOT. 6. Podaj osnovne značilnosti satelitov IKONOS. 7. Podaj osnovne značilnosti satelitov QuickBird. 8. Navedi osnovne značilnosti satelitskega sistema ERS. 9. Navedi osnovne značilnosti satelitskega sistema Envisat. 10. Navedi osnovne značilnosti satelitskega sistema RADARSAT. 11. Kaj je Shuttle Radar Topography Mission? 109 12 Prenos in sprejem podatkov Podatke, ki jih zajamemo pri opazovanju z letali, pridobimo takoj, ko letalo pristane. Takrat jih arhiviramo, pričnemo z obdelavo in jih posredujemo končnim uporabnikom. Nekoliko drugače pa je s posnetki, ki jih zajamejo sateliti. Te moramo na Zemljo prenesti v elektronski obliki, z uporabo elektromagnetnega valovanja. Sateliti namreč ostajajo v svoji tirnici vso svojo »življenjsko« dobo. Prenos prek radijskih valov lahko uporabimo tudi pri opazovanju iz letala, če podatke potrebujemo takoj, na primer ob naravnih in drugih nesrečah. Slika 12.1: Prenos podatkov od satelita do sprejemne postaje. Obstajajo trije glavni načini prenosa podatkov, ki jih zajemajo sateliti, na Zemljo (slika 12.1). • Podatke lahko prenesemo neposredno v sprejemno postajo, in sicer če je ta iz satelita vidna. • Z zakasnjenim prenosom podatke začasno shranimo na satelitu in jih na Zemljo pošljemo, ko pridemo v vidno polje postaje. 111 12 Prenos in sprejem podatkov Slika 12.2: Sprejemne postaje satelitov SPOT in njihovo »pokrivno« območje. • Podobe lahko do sprejemne postaje pošljemo tudi posredno, prek posebnih sate- litov, ki so namenjeni prenosu podatkov. Za vsak satelitski sistem obstaja po vsem svetu več sprejemnih postaj. Ker je gra- dnja in upravljanje take postaje razmeroma draga, vsaka izmed njih zajema podatke več senzorjev. V Evropi so glavne sprejemne postaje Fucino (Italija), Neustreliz (Nemčija), Tromsø (Norveška), Kiruna (Švedska), Maspalomas (Španija) in Toulouse (Francija). Navedene postaje sprejemajo podatke satelitov ERS, Landsat, SPOT in drugih, pred- vsem za uporabnike iz Evrope. Sprejemne postaje za satelit SPOT prikazuje slika 12.2. Podatki, ki pridejo v sprejemne postaje, so v »surovi« obliki. Pogosto jih je treba sistematično in geometrično popraviti, odpraviti atmosferska in druga popačenja in jih na koncu pretvoriti v standardni zapis. Posnetke nato zapišemo na pomnilniški me- dij, na primer magnetni trak ali trdi disk. Podatke ponavadi arhivirajo neposredno v sprejemnih postajah, ogromne kataloge (knjižnice) obstoječih podatkov – tako imeno- vane metapodatke – pa upravljajo vladne in nadvladne agencije oziroma komercialna podjetja, ki so zadolžena za posamezni satelit ali senzor. Nekateri sateliti omogočajo tudi pridobivanje posnetkov nemudoma po zajemu. Sko- raj sočasni (near real time) sistemi, ki podatke obdelujejo in posredujejo v realnem času, omogočajo izdelavo nizkoločljivih digitalnih ali tiskanih podob v nekaj urah po zajemu. Njihove posnetke je mogoče hitro prenašati prek interneta ali komunikacijskih satelitov do uporabnikov, na primer ladij v Arktiki, ki lahko s satelitskimi posnetki ledu bolje, predvsem pa varneje načrtujejo plovbo, ali reševalcev, ki z infrardečimi kamerami iščejo pogrešane osebe v primeru naravnih nesreč. Neposredni prenos omogočajo praktično vsi sateliti za opazovanje vremena, ki posnetke pošiljajo med zajemanjem, podobe pa sproti nastajajo na zaslonu prejemnika. Podobe nizke ločljivosti uporabljamo tudi za preverjanje kakovosti arhiviranih po- snetkov pred nakupom. Prostorska in spektralna ločljivost tovrstnih posnetkov sta precej zmanjšani, vendar so tako imenovani hitri pogledi (quicklook) uporabni za oceno primernosti posnetka, določanje stopnje oblačnosti in za preverjanje pokritosti območja. Vprašanja 1. Kako poteka prenos podatkov od satelita do sprejemne postaje? 112 13 Interpretacija podob Če želimo izkoristiti in pravilno uporabiti podatke daljinskega zaznavanja, moramo iz podob izluščiti pomembne informacije. To pomeni, da se moramo ukvarjati z interpre- tacijo in analizo podob, ki smo ju definirali kot enega od korakov daljinskega zaznavanja (slika 13.1). V tem in naslednjih poglavjih si bomo ogledali načine interpretacije in teh- nike, ki jih pri tem uporabljamo. Ločili bomo vizualno interpretacijo, pri kateri ima najpomembnejšo vlogo človek kot opazovalec, in digitalno obdelavo, ki jo omogočajo oziroma izvajajo računalniki. Slika 13.1: Interpretacija in analiza podob je pomemben korak daljinskega zaznavanja. Pri interpretaciji in analizi daljinsko zaznanih podob gre za prepoznavanje in/ali merjenje lastnosti predmetov, o katerih želimo pridobiti kar se da veliko uporabnih podatkov. Predmeti na podobah so lahko kateri koli točkovni, linijski oziroma ploskovni objekti ali pojavi. To pomeni, da imajo kakršno koli obliko in razsežnost, od, na primer, avtobusa na postajališču ali letala na vzletni stezi, prek mosta na železniški progi do gozda ali jezera sredi polj. Predmeti morajo biti razločljivi – morajo se jasno ločiti od drugih predmetov v njihovi bližini. 113 13 Interpretacija podob (a) (b) Slika 13.2: Analogna (a) in digitalna obdelava (b) podob. Interpretacijo in prepoznavanje predmetov na podobah mnogokrat opravljajo pose- bej izurjeni interpretatorji »ročno« ali vizualno. Podobe so pogosto prikazane v slikovni ali fotografski obliki, torej povsem neodvisno od senzorja, ki jih je zajel. Za podatke v tem primeru rečemo, da so v analogni obliki. Kot smo že večkrat omenili, pa so podobe daljinskega zaznavanja največkrat podane v digitalni obliki. To pomeni, da so zapisane kot matrika pikslov, pri čemer vsakemu izmed njih ustreza vrednost, ki predstavlja sve- tlost opazovanega območja. Če podobo prikažemo na računalniškem zaslonu, ustvarimo sliko, ki jo lahko vizualno interpretiramo. Analogne, še laže pa digitalne podobe lahko prikažemo v obliki črno-belih (mo- nokromatskih, pankromatskih) ali barvnih slik. Pri slednjih uporabimo kombinacijo različnih kanalov, ki ustrezajo različnim valovnim dolžinam. Kadar imamo podobe v digitalni obliki, lahko izvajamo obdelavo in analizo z računalnikom. Pri tako imenovani digitalni obdelavi podobe izboljšujemo in tako olajšamo vizualno interpretacijo. Poleg tega lahko s tovrstno obdelavo samodejno prepoznavamo predmete in pridobivamo in- formacije, ki na podobi niso prepoznavne. Postopki pri analizah so zelo podobni kot pri »klasični« interpretaciji. Digitalna obdelava zato le redko v celoti nadomesti vizualno interpretacijo – ponavadi jo le dopolnjuje in pomaga človeškemu opazovalcu. »Ročna« interpretacija sega v same začetke daljinskega zaznavanja in fotointerpre- tacije. Digitalna obdelava je precej mlajša, saj sta jo omogočila šele razvoj sistemov za elektronsko zajemanje podatkov in izboljšanje zmogljivosti računalnikov. Tako vi- zualna kot digitalna obdelava podatkov imata svoje prednosti in slabosti. Vizualna interpretacija zahteva le malo opreme, medtem ko pri digitalni potrebujemo namenska, strogo specializirana orodja. Pri vizualni interpretaciji ponavadi analiziramo samo en podatkovni kanal ali eno samo podobo naenkrat, saj je obdelava več podob hkrati za človeka prezapletena. Računalniki nimajo težav pri shranjevanju in obdelavi podob z več kanali, ki so jih zaznali različni senzorji ob enakih ali različnih časih. Digitalna obdelava je torej uporabna za hkratno analizo več spektralnih kanalov in omogoča zelo hitro obdelavo velikih podob. Vizualna interpretacija je subjektivni postopek, kar po- meni, da različni operaterji ustvarijo različne rezultate. Še več – celo isti operater lahko ob različnih časih podobo različno interpretira. Pri digitalni obdelavi gre za opera- cije v računalnikih, kar zagotavlja mnogo večjo objektivnost in bolj dosledne rezultate. Seveda pa je določanje zanesljivosti in natančnosti tovrstnih obdelav precej zapleteno. 114 13 Interpretacija podob Vizualna interpretacija Digitalna obdelava izurjeni interpretatorji operaterji računalnikov sega v same začetke daljinskega omogočila sta jo razvoj sistemov za zaznavanja elektronsko zajemanje in izboljšanje računalnikov malo opreme namenska programska in strojna oprema en podatkovni kanal podobe z več kanali ena sama podoba naenkrat podatki enakih ali različnih senzorjev ob enakih ali različnih časih subjektivni postopek večja objektivnost Tabela 13.1: Primerjava vizualne interpretacije in digitalne obdelave podob. Slika 13.3: Sistem za obdelavo geografskih podob sestavlja strojna in namenska pro- gramska oprema. Kljub temu je treba ponoviti, da se vizualna in digitalna analiza podob ne izključu- jeta. Obe imata namreč svoje prednosti, zato v praksi praviloma uporabimo obe. Ne nazadnje o uporabnosti in pomenu informacij, dobljenih z daljinskim zaznavanjem in obdelavo podob, na koncu vedno odločajo ljudje. Dandanes praktično vse podatke daljinskega zaznavanja zajamemo v digitalni obliki ali pa jih pred obdelavami pretvorimo vanjo. Obdelava podob torej zajema vsaj ne- kaj elementov digitalne obdelave. Digitalna obdelava vsebuje veliko postopkov, med katerimi so oblikovanje in korekcija podatkov, digitalno izboljšanje podob z namenom olajšanja vizualne interpretacije, pa tudi samodejna klasifikacija, pri kateri predmete v celoti prepozna računalniški sistem. Če želimo podobe daljinskega zaznavanja obdelovati elektronsko, jih moramo zapi- sati v obliko, ki je primerna za hranjenje v računalnikovem pomnilniku ali na njegovem 115 13 Interpretacija podob Slika 13.4: Izboljšanje kontrasta podobe. trdem disku. Poleg tega potrebujemo sistem za obdelavo podob, pogosto mu pravimo tudi sistem za analizo georeferenciranih podob, ki vsebuje potrebno programsko in strojno opremo (slika 13.3). Obstaja kar nekaj zelo zmogljivih sistemov, ki so name- njeni samo obdelavi geografskih podob ali pa se z njimi ukvarjajo le deloma. Med strogo namenskimi programskimi orodji so najbolj znani ENVI, Erdas Imagine, ER Mapper in Geomatica, širši programski paketi pa so ArcGIS, GRASS, IDRISI, MicroStation GeoGraphics, TNTmips in drugi. Postopke pri obdelavi digitalnih podob lahko razdelimo v štiri skupine: • predobdelava, • izboljšanje, • transformacija ter • klasifikacija in analiza. Z izrazom predobdelava podob zajamemo vse operacije, ki jih izvedemo, preden se prične glavni postopek analize in pridobivanja informacij. Običajno gre za dve skupini operacij, in sicer za radiometrične in geometrične popravke. Pri radiometričnih po- pravkih skušamo odpraviti nepravilnosti v delovanju senzorja in odstraniti atmosferske šume. Poleg tega podatke pretvorimo v vrednosti, ki kar se da ustrezajo zaznanemu od- bitemu ali oddanemu elektromagnetnemu valovanju. Geometrični popravki vključujejo odstranjevanje popačenja zaradi geometrije snemanja (satelit, Zemlja) in zaradi njenega spreminjanja (stabilnost tirnice, zasuk senzorja, vrtenje Zemlje ...). V postopku pred- obdelave poskrbimo tudi za geokodiranje – pretvorbo podatkov v izbrane koordinate na površju Zemlje, na primer v geografsko širino in dolžino. Glavni namen funkcij za izboljšanje podob je spremeniti njihov videz in tako olajšati vizualno interpretacijo in analizo. Primer postopkov izboljšanja podob je povečanje kontrasta z raztegovanjem histograma in s tem povečevanjem razlik v tonu med predmeti na podobi (slika 13.4). Poleg tega v to skupino operacij sodijo tudi različna filtriranja, ki poudarijo ali prikrijejo določene prostorske vzorce na podobi. Transformacije podob so skupina operacij, podobnih postopkom za izboljšanje po- dob. Za razliko od slednjih, ki jih praviloma izvajamo z enim samim kanalom naenkrat, 116 13 Interpretacija podob Slika 13.5: Klasifikacija satelitskih posnetkov. pri transformacijah upoštevamo podatke več kanalov. Izvajamo različne aritmetične operacije, na primer seštevanje, odštevanje, množenje ali deljenje, in tako pretvorimo prvotne kanale v »nove« podobe. Te praviloma poudarijo določeno lastnost, ki na po- dobah ni jasno razločna ali pa sploh ni podana. V to skupino operacij štejemo, na primer, spektralna ali kanalna razmerja in postopek tako imenovane analize osnov- nih komponent (PCA), s katerim učinkoviteje predstavimo informacije večspektralnih podob. Z operacijami klasifikacije in analize podob piksle prepoznamo in jih razdelimo v razrede. Pri klasifikaciji, ki jo ponavadi izvajamo z večspektralnimi podatki, vsakemu pikslu na podobi priredimo določen razred ali temo glede na njegove sive vrednosti in druge statistične značilnosti (slika 13.5). Obstaja veliko načinov razdelitve v razrede, v splošnem pa klasifikacijo delimo na nadzorovano in nenadzorovano. V naslednjih poglavjih bomo najprej opisali vizualno obdelavo podob (14), nato pa nekoliko podrobneje vsakega izmed delov digitalne obdelave podob (15 do 18). Vprašanja 1. Primerjaj vizualno in digitalno obdelavo podob. 2. Opiši postopek pri digitalni obdelavi podob. 117 14 Vizualna interpretacija Kot smo omenili v prejšnjem poglavju, pri vizualni interpretaciji na daljinsko zaznanih podobah prepoznavamo najrazličnejše predmete, ki so lahko naravni ali umetni, lahko so točkovni, linijski ali ploskovni. V tem poglavju si bomo podrobneje ogledali elemente, ki omogočajo interpretacijo. Zakaj je interpretacija daljinsko zaznanih podob bolj zapletena od vsakodnevnega opazovanja naše okolice? Najprej zato, ker pri opazovanju dvorazsežnih podob izgu- bimo občutek globine, razen če za slednjo poskrbimo s stereoskopskim opazovanjem (to lahko znatno olajša in izboljša prepoznavanje predmetov). Opazovanje »od zgoraj« ustvari tudi precej drugačno perspektivo od tiste, ki smo je vajeni, ko površje opazu- jemo s tal. Zaradi različnega merila in odsotnosti lahko prepoznavnih podrobnosti je še tako dobro poznane predmete včasih nemogoče določiti. Ne nazadnje, naše oko je občutljivo samo na svetlobo vidnega dela spektra. Opazovanje odboja v valovnih dolži- nah zunaj tega dela je za človeka težko in pogosto nerazumljivo. Kljub temu se, zaradi izredne sposobnosti možganov, vizualne interpretacije hitro naučimo in jo izvajamo zelo učinkovito. Prepoznavanje predmetov je bistvenega pomena za interpretacijo in pridobivanje no- vih informacij. Opazovanje razlik med predmeti in njihovo okolico vključuje primerjavo glede na enega ali več osnovnih elementov vizualne interpretacije, ki so: • ton, • oblika, • velikost, • vzorec, • tekstura, • senca in • povezava. Vizualna interpretacija glede na navedene elemente je del našega vsakdanjega življe- nja, ne glede ali se je zavedamo ali ne. Opazovanje satelitskih posnetkov pri vremenski napovedi ali fotografij oziroma videoposnetkov iz helikopterja sta, na primer, dobro poznana primera vizualne interpretacije. Prepoznavanje predmetov na osnovi našte- tih elementov omogoča nadaljnjo interpretacijo in analizo, zato je v nadaljevanju vsak izmed njih opisan podrobneje. Ton se nanaša na relativno svetlost ali barvo predmetov na podobi (slika 14.1 a). Svetli toni pomenijo močan odboj ali lastno sevanje, temni pa šibak odboj oziroma 119 14 Vizualna interpretacija (a) (b) (c) (d) (e) (f) (g) Slika 14.1: Elementi vizualne interpretacije podob. Ton (a) omogoča ločevanje reke od gozda, travnika in stavb. Oblika (b) kaže, da gre za industrijske objekte, verjetno rezer- voarje. Velikost (c) loči individualne stavbe od večstanovanjskih. Vzorec (d) prikazuje naselje vrstnih hiš, najbrž novogradnjo. Tekstura (e) opredeljuje različne vrste gozda, jase in različne kmetijske površine. Senca (f) določa višino objekta. Povezava (g) pa omogoča prepoznavo sestavljenega elementa, na primer železniške postaje. 120 14 Vizualna interpretacija absorpcijo. Ton je glavni element za ločevanje med različnimi predmeti in pojavi. Njegovo spreminjanje omogoča tudi opazovanje oblike, teksture in vzorca predmetov. Oblika opisuje splošno zgradbo oziroma oris posameznih predmetov (slika 14.1 b). Pogosto predstavlja najpomembnejši element interpretacije. Ostri robovi in pravilne oblike ponavadi predstavljajo urbane ali kmetijske površine, medtem ko so naravni elementi, na primer gozdni robovi, bolj nepravilnih oblik. Pravilne oblike v naravi so praviloma rezultat človekove dejavnosti. Velikost predmetov na podobi je povezana z merilom (slika 14.1 c). Pri interpretaciji je pomembno poznavanje tako absolutne kot tudi relativne velikosti. Absolutna velikost omogoči natančno določitev razsežnosti predmeta, zelo pomembno za interpretacijo pa je določiti tudi njegovo relativno velikost glede na druge predmete na podobi. Že bežna ocena velikosti interpretacijo usmeri v pravo smer in hitreje zagotovi rezultate. Tako, recimo, interpretator sklepa, da majhne stavbe pomenijo bivalne objekte, velike pa tovarne ali druge poslovne objekte. Vzorec ustvarja prostorska razporeditev predmetov (slika 14.1 d). Ponavljanje po- dobnih tonov in tekstur ustvari jasen in razločen vzorec. Sadovnjaki, na primer, imajo drevesa v enakomernih razmikih in pravilni »mreži«, v gozdu pa so ta razporejena na- ključno. Naselja imajo pogosto geometrijsko razporeditev ulic in hiš, ki je še posebej značilna za načrtno urbanizacijo. Tekstura je značilna razporeditev in frekvenčno spreminjanje tona na posameznih območjih podobe (slika 14.1 e). Grobe teksture vsebujejo znatno spreminjanje sivih vrednosti, ki se menjajo na majhnih razdaljah, to je z veliko frekvenco. Po drugi strani pa se mehkim ali gladkim teksturam toni le malo spreminjajo. Mehke teksture so pra- viloma posledica enakomernih, gladkih površin, na primer polj, asfalta in travnikov. Predmeti z močno razgibano in nepravilno površino, na primer gozdne krošnje, imajo precej živahno spreminjanje tonov ali grobo teksturo. Tekstura je eden najpomembnej- ših elementov za ločevanje predmetov na radarskih podobah. Sence so prav tako v veliko pomoč pri interpretaciji (slika 14.1 f). Podajajo na- mreč podatke o višini in višinskem profilu predmetov, kar olajša njihovo prepoznava- nje. Za predmete z enakim tlorisom na navpičnem posnetku lahko na osnovi dolžine sence določimo višino in s tem obliko. Seveda sence interpretacijo tudi otežujejo ali celo onemogočajo. V njihovem območju so namreč predmeti mnogo slabše vidni ali v primeru radarskih posnetkov celo nevidni. Po drugi strani sence s pridom uporabljamo pri poudarjanju in določanju topografije, še posebej pri radarskih podobah. Povezava upošteva medsebojna razmerja med opazovanim predmetom in drugimi prepoznanimi predmeti ali pojavi v njegovi okolici (slika 14.1 g). Opazovanje lastnosti, ki jih povezujemo z določenimi predmeti, je pomemben del interpretacije podob. Tako lahko, na primer, poslovne objekte povežemo z bližino pomembnih prometnic, bivalna naselja pa s šolami, igrišči in športnimi objekti. Sorodno lahko zaliv, različna plo- vila in spremljevalne stavbe povežemo z marino, kar na osnovi prepoznave posameznih elementov ne bi bilo mogoče. Vprašanja 1. Kateri so osnovni elementi vizualne interpretacije podob? 2. Opiši pomen posameznih elementov. 121 15 Predobdelava podob Podatki, zaznani iz satelita ali letala, vsebujejo nepravilnosti in pomanjkljivosti, ki jih želimo odstraniti pred nadaljnjo obdelavo. Veliko popravkov opravijo že v spre- jemni postaji, precej pa jih mora opraviti vsak uporabnik podob sam. Ker gre pri tem za operacije, ki se izvajajo pred nadaljnjo obdelavo, to je izboljšanjem, analizo in interpretacijo, govorimo o predobdelavi podob. V naslednjih razdelkih bomo obravna- vali najpomembnejše korake predobdelave, in sicer odpravo napak v delovanju senzor- jev, geometrijske popravke in registracijo, atmosferske popravke, popravke osvetlitve in vpliva terena ter kalibracijo podatkov. Kateri postopki spadajo v predobdelavo, je odvisno od načina uporabe podatkov. Če želimo, na primer, ustvariti natančno vegetacijsko karto, potem so geometrijski popravki zelo pomembni. Ko pa nas zanima samo prisotnost ali odsotnost določene rastlinske vrste in je dovolj vizualna interpretacija, so tovrstni popravki nepotrebni. V tem poglavju se bomo ukvarjali z najpogostejšimi postopki geometrične, atmos- ferske in radiometrične korekcije. Pri podobah daljinskega zaznavanja se lahko srečamo z manjkajočimi podatki, na primer posameznimi piksli ali celotnimi vrsticami. Prečni senzorji zajemajo podatke z več detektorji, ki niso povsem umerjeni, zato na njih opa- zimo pojav prog. Še pomembnejše je vpenjanje posnetkov v koordinatni sistem ali georeferenciranje podob. Večina uporabnikov namreč podatke daljinskega zaznavanja primerja z drugimi kartografskimi podatki ali jih vključi v geografski informacijski sis- tem (GIS). Pri geometrijskih popravkih lahko upoštevamo model snemalnega sistema ali pa opravimo transformacijo na osnovi kontrolnih točk. Radiometrični popravki pa so potrebni zaradi sprememb v osvetlitvi scene in šuma senzorjev. Opraviti jih je treba, če želimo primerjati podobe, zajete ob različnih časih ali z različnimi senzorji. V po- stopku skušamo pogosto podatke pretvoriti v poznano absolutno odbojnost ali jih z drugimi besedami kalibrirati, s čimer omogočimo primerjavo podatkov. Z atmosfer- skimi popravki pa skušamo odstraniti vpliv ozračja, predvsem sipanja in absorpcije, na valovanje. Vsak izmed popravkov je odvisen od izbranega senzorja, platforme, ki je bila upo- rabljena za zajem podatkov, in od pogojev med samim zajemom. Navedeni postopki ne vključujejo vseh tehnik predobdelave, poleg tega pa praviloma ne uporabimo vseh. 15.1 Odprava napak v delovanju senzorjev Pri delovanju elektronskih skenerjev prihaja do napak. Opazimo lahko, na primer, manjkajoče vrstice (delno ali v celoti). Pri tem gre za okvaro samega senzorja ali pa za 123 15 Predobdelava podob napake pri prenosu oziroma arhiviranju, ki jih opazimo kot črne linije na podobi. Drugo vrsto pomanjkljivosti srečamo pri senzorjih, ki valovanje zaznavajo z več detektorji (razdelek 8.2). V idealnem primeru bi vsak detektor zaznal enake vrednosti za enake vrednosti sevane energije oziroma radiance (ob izstrelitvi satelita je res tako). Zaradi razlik v staranja pa se vrednosti nekoliko razlikujejo in na podobi opazimo sistematičen ponavljajoč se vzorec, ki je še posebej očiten na zelo temnih površinah. 15.1.1 Manjkajoče vrstice Manjkajočih vrstic, ki se pojavijo na podobah, seveda ne moremo preprosto odpraviti. Lahko pa na osnovi podatkov v okolici (vrstici nad in pod) izpuščene vrstice ocenimo vrednosti v manjkajočih pikslih (slika 15.1). Pristop temelji na prostorski avtokorelaciji, to je dejstvu, da vrednosti na podobi niso neodvisne. Točke, ki so blizu skupaj, imajo namreč podobne vrednosti. (a) (b) Slika 15.1: Manjkajoče vrstice na podobi (a) lahko nadomestimo z vrednostmi sosednjih pikslov (b). Najpreprostejši način zapolnjevanja manjkajočih vrstic je povprečenje vrednosti v vrstici nad in pod manjkajočo I(s,v + 1) + I(s,v − 1) I(s,v) = . (15.1) 2 Pri tem je I(s,v) intenziteta piksla v stolpcu s in vrstici v. S tovrstnim izračunom dobimo nove vrednosti pikslov, ki se praviloma razlikujejo od tistih v sosednjih vrsticah. Težave imamo samo v primeru, ko opazujemo mejo dveh zelo različnih območij in dobimo »nenaravne« vrednosti. Postopek lahko izboljšamo v primeru večspektralnih podob, pri katerih je »pokvar- jen« en sam kanal. Takrat lahko opazujemo vrednosti tako v sosednjih pikslih kot tudi v istem pikslu v drugih kanalih, manjkajočo vrednost pa določimo z opazovanjem korelacije med piksli v različnih kanalih. 124 15.2 Geometrijski popravki in registracija 15.1.2 Odstranitev prog Prisotnost sistematičnih vodoravnih prog je najbolj očitna na prečnih skenerjih, od ka- terih so najbolj poznani tisti na satelitih Landsat (slika 15.2 a). Vzorec je še posebno opazen na zelo temnih, na primer vodnih površinah, nastane pa zaradi neenakomer- nega delovanja skupine detektorjev posameznega senzorja. Landsat MSS je na primer zajemal šest, Landsat TM in ETM+ pa zajemata kar šestnajst vrstic hkrati. Z dru- gimi besedami, za vsak posamezni kanal ima satelit šest oziroma šestnajst detektorjev, ki med seboj niso popolnoma usklajeni. Zato so vrednosti v zaporednih vrsticah tudi pri opazovanju homogenih površin nekoliko različne, kar sicer ne vpliva bistveno na vizualno interpretacijo, pomembno pa je pri vsakršni statistični analizi. (a) (b) Slika 15.2: Vodoravne proge, ki jih opazimo na podobah satelitov Landsat, še posebej v zelo temnih delih (a). Podoba ima zaradi nazornejšega prikaza močno povečan kontrast. Proge lahko deloma odpravimo z upoštevanjem načina delovanja skenerja (b). Proge na podobah najpogosteje odpravljamo s statistično primerjavo posameznih vrstic. Na dovolj veliki podobi – taki, ki vsebuje vsaj nekaj snemalnih ciklov (prehodov skenerja levo–desno) – lahko pričakujemo, da so intenzitete po posameznih vrsticah porazdeljene enako. V primeru senzorja MSS, ki ima šest detektorjev, mora biti histo- gram vrstic 1, 7, 13 ... enak histogramu vrstic 2, 8, 14 ... Nepravilnosti posameznih detektorjev odpravimo s preračunom, ki zajete vrednosti popravi oziroma umeri vse detektorje. Najpreprostejši način odstranjevanja je računanje statističnih vrednosti za vrstice (povprečje, varianca), ki ustrezajo istemu detektorju. Naprednejše tehnike pa upora- bljajo tako imenovano ujemanje histograma, pri katerem opazujemo celotno porazdeli- tev vrednosti. Rezultat odstranjevanja prog na podobi Landsat prikazuje slika 15.2 (b). Vidimo, da so proge izginile, težave pa se pojavijo na mejah z visokim kontrastom, na primer med morjem in kopnim. 15.2 Geometrijski popravki in registracija Podobe, ustvarjene z daljinskim zaznavanjem, kljub pogostemu nasprotnemu mnenju, niso karte. Ne vsebujejo namreč kartografske projekcije in nimajo pravega merila. Na 125 15 Predobdelava podob Geometrijske napake podob Vsaka podoba daljinskega zaznavanja, ne glede na to, ali je bila ustvarjena z večspektralnim skenerjem na satelitu, fotografskim sistemom na letalu ali katero koli drugo kombinacijo senzorja in platforme, vsebuje različne geome- trijske napake. Temu se ne moremo izogniti, saj poskušamo natančno prikazati trirazsežno površino Zemlje na dvorazsežni podobi. Napake imajo – odvisno od načina zajema – lahko veliko različnih vzrokov, med katerimi so najpo- membnejši: • optika senzorja (perspektiva), • gibanje snemalnega sistema (detektorji, optika), • gibanje in (ne)stabilnost platforme, • višina, hitrost in usmerjenost (naklon) platforme, • oblika reliefa in • ukrivljenost in vrtenje Zemlje. Podobe vseh vrst so tudi občutljive na geometrijska popačenja, do katerih pride zaradi sprememb v položaju in stabilnosti platform. Pri tem so najbolj pomembne spremembe hitrosti, višine in naklona (usmerjenosti glede na po- vršje) v času zajema. Navedeni pojavi so izraziti, kadar imamo opravka z letali, medtem ko so pri satelitih praktično zanemarljivi. Tirnice satelitov so namreč stabilne, še posebej v primerjavi z razdaljo med njimi in Zemljo. Na napake vpliva tudi oblika površja (relief), ki povzroča paralakso, in vrtenje Zemlje pod snemalnim sistemom. Pri satelitskih posnetkih je zaradi slednjega vsaka naslednja vrstica podobe pomaknjena in podoba je zato nekoliko »nagnjena«. Kot rečeno, geometrijsko popačenje spremlja vse podobe daljinskega zazna- vanja. Od primera do primera so različni njegovi vzroki in obseg, vendar lahko v večini primerov napake odstranimo ali pa jih vsaj zmanjšamo. Kljub temu se jih moramo zavedati, še posebej, ko na podobah izvajamo meritve in na ta način skušamo pridobiti nove informacije. vseh podobah daljinskega zaznavanja opazimo geometrijske nepravilnosti, ki so lahko posledica številnih dejavnikov, na primer optike senzorja, gibanja snemalnega sistema, gibanja in nestabilnosti platforme, višine, hitrosti in usmerjenosti platforme, oblike reliefa ter ukrivljenosti in vrtenja Zemlje. Če želimo satelitske in letalske posnetke uporabiti kot karte, jih primerjati med seboj veččasovno ali večsenzorsko ali pa jih vključiti v analize z geografskim informa- cijskim sistemom, moramo najprej opraviti geometrijske popravke in podobe poravnati v izbrani koordinatni sistem ali jih georeferencirati. Veliko napak na podobah je siste- matičnih oziroma predvidljivih. Zato jih lahko opravimo že z natančnim modeliranjem gibanja senzorja ali platforme ter z upoštevanjem položaja senzorja glede na zemeljsko površje. Druge nepravilnosti so naključne in jih z modeliranjem ne moremo odstraniti. Visokoločljivi satelitski posnetki, kot so SPOT, IKONOS in QuickBird, so geometrij- ske korekcije približali fotogrametriji. V slednji že leta uporabljajo natančne modele ka- mer za odpravljanje nepravilnosti na podobah. Sistem globalnega pozicioniranja (GPS) omogoča dobro poznavanje gibanja satelita, kar skupaj z lastnostmi kamere omogoča 126 15.2 Geometrijski popravki in registracija Slika 15.3: Registracija podobe. uporabo fotogrametričnih metod tudi v daljinskem zaznavanju. Pri tem se uporabljajo bolj ali manj zapleteni orbitalni (tirni) modeli, ki poskušajo poiskati povezavo med slikovnim in geografskim koordinatnim sistemom. Pri srednjeločljivih satelitskih sistemih lahko uporabimo preprosto transformacijo na osnovi kontrolnih točk (slika 15.3). Prepoznati moramo slikovne koordinate (stolpec, vrstica) večjega števila jasno določljivih predmetov in jim poiskati ustrezne položaje v izbranem koordinatnem sistemu. »Prave koordinate« običajno odčitamo iz kart, bodisi analognih ali digitalnih. Pri tem moramo uporabiti karte primernega merila, to je take z natančnostjo, primerljivo velikosti piksla na podobi. V primeru satelitov Landsat TM in ETM+ z ločljivostjo 30 m zadoščajo karte merila 1 : 25 000. Pari koordinat v slikovnem in geografskem koordinatnem sistemu omogočajo dolo- čitev prostorske transformacije, s katero vsakemu paru slikovnih koordinat določimo koordinate na karti (x,y) = T (s,v). (15.2) Pri tem sta s in v slikovni koordinati (stolpec, vrstica), x in y pa geografski koor- dinati. Transformacija T je lahko poljubna, najpogosteje pa vključuje premik (transla- cijo), zasuk (rotacijo) in spremembo merila. Praviloma dobimo zadovoljive rezultate s polinomskimi transformacijami nižjih redov (prvega ali drugega). Podobe z velikimi (krajevnimi) nepravilnostmi transformiramo z zahtevnejšimi (lokalnimi) transformaci- jami, kot sta na primer triangulacija in lokalni razteg (rubber sheeting). Polinomsko transformacijo prvega reda lahko zapišemo kot x T R s = x + xx Rxy . (15.3) y Ty Ryx Ryy v Pri tem so T koeficienti vektorja premikov in R matrike zasukov. Kakovost transformacije določajo kontrolne točke, ki jih mora biti dovolj, poleg tega pa morajo biti dobro razporejene po podobi (okrog stranic in enakomerno po sredini). Stopnja uporabljenga poligona določa najmanjše število točk, potrebnih za njegovo določitev. Za polinom stopnje n moramo imeti najmanj (n + 1)(n + 2)/2 kontrolnih točk (tabela 15.1). Če je točk več, se morebitne napake pri določanju njihovega položaja izpovprečijo, poleg tega pa hitro odkrijemo očitne napake. 127 15 Predobdelava podob Stopnja poligona Število kontrolnih točk 1 3 2 6 3 10 4 15 5 21 6 28 7 36 8 45 9 55 10 66 Tabela 15.1: Število potrebnih kontrolnih točk v odvisnosti od stopnje polinomske transformacije. Opisani način registracije imenujemo tudi registracija podobe na karto ali geokodi- ranje. Registracijo pa lahko izvajamo tudi med dvema podobama, od katerih je ena že referencirana. Tako referenciranje se imenuje registracija podobe na podobo, izvajamo pa ga lahko tako ročno kot s samodejnimi postopki. 15.2.1 Prevzorčenje podob Transformacija, ki jo dobimo iz kontrolnih točk, omogoča določitev geografskih koordi- nat iz slikovnih. Provotno podobo moramo nato pretvoriti v referencirano, kar storimo s postopkom, ki mu pravimo prevzorčenje. Pri prevzorčenju izračunamo vrednosti no- vih pikslov z upoštevanjem starih. Matriko nove podobe dobimo iz vrednosti na stari, tako da za vsak nov piksel poiščemo njegov položaj v izvorni podobi in izračunamo in- tenziteto v novi. Ker središča novih pikslov ne ustrezajo središčem starih, uporabljamo različne metode prevzorčenja, od katerih so najpogostejše: • metoda najbližjega soseda, • bilinearna interpolacija in • kubična konvolucija. Metoda najbližjega soseda priredi v novi podobi pikslu vrednost njegovega najbliž- jega soseda iz prvotne podobe, kot je prikazano na sliki 15.4 (a). To je najpreprostejša metoda, ki ne spreminja vrednosti, vendar nekatere slikovne elemente izgubi, druge pa podvoji. Poleg tega so pretvorjene podobe videti nazobčane in zato niso najprimernejše za vizualno interpretacijo. Bilinearna interpolacija upošteva uteženo povprečje štirih najbližjih sosedov, kot kaže slika 15.4 (b). S povprečenjem se spremenijo vrednosti prvotnih pikslov in nova podoba ima drugačne vrednosti. Slednje je lahko neprijetno, če nameravamo podobo dodatno obdelovati in jo, na primer, klasificirati glede na spektralni odziv. V tem primeru je mogoče prevzorčenje opraviti šele po klasifikaciji. Ker pa so tudi v prvotni podobi vrednosti pikslov povprečja znotraj ločljivostih celic, z bilinearno interpolacijo, ki prav tako zajame okolico opazovanega območja, ne naredimo velike napake. Izmed vseh naštetih tehnik je najbolj zapletena kubična konvolucija, ki nove vre- dnosti izračuna z interpolacijo iz šestnajstih sosednjih vrednosti prvotne podobe, kar 128 15.3 Atmosferski popravki (a) (b) (c) Slika 15.4: Interpolacija novih vrednosti pri prevzorčenju z metodo najbližjega so- seda (a), z bilinearno interpolacijo (b) in s kubično konvolucijo (c). Vrednost v trans- formirani podobi (polna mreža) dobimo iz ene ali več vrednosti v prvotni (črtkano). prikazuje slika 15.4 (c). Tudi kubična konvolucija ustvari nove vrednosti pikslov. Bili- nearna interpolacija in kubična konvolucija dajeta podobe, ki so mehke in primerne za nadaljnjo interpretacijo. 15.3 Atmosferski popravki Kot smo se naučili v poglavju 4.1, pride na potovanju valovanja skozi atmosfero (od vira do površja in senzorja) do sipanja in absorpcije. Atmosfera lahko zmanjša ali zaduši del energije, ki osvetljuje površje, valovanje pa dodatno oslabi na poti nazaj proti senzorju. Signal, ki ga slednji zazna, ni enak tistemu, ki se odbije ali ga seva opazovani del zemeljskega površja. Slika 15.5 prikazuje različna vpadna valovanja, ki pridejo do detektorja na satelitu ali letalu. Poleg energije, ki zares prihaja iz točke, ki jo senzor opazuje, moramo upoštevati tudi sipano energijo vira (najpogosteje Sonca) in sipan odboj drugih točk na površju. Dodaten vpliv na vsako valovanje pri poti skozi atmosfero pa je absorpcija. Atmosferska korekcija je potrebna v več primerih. Če želimo opazovati razmerja med kanali v večspektralni podobi, skušamo odstraniti različen vpliv atmosfere v po- sameznih kanalih. V poglavju 4.1 smo pokazali, da je sipanje močnejše pri manjših valovnih dolžinah, kar pomeni, da močneje vpliva na svetlobo v vidnem kot v infrarde- čem delu spektra. Razmerje med kanali je zato »obremenjeno« z atmosferskim vplivom. Naslednji primer, ko želimo odstraniti vpliv ozračja, je pri določanju fizičnih lastnosti površja, na primer odbojnosti ali temperature. V oceanografiji želimo določiti biološke in sedimentološke lastnosti, ki v zaznanem signalu predstavljajo del, manjši od vpliva atmosfere. Tretji primer je primerjava podob, posnetih ob različnih časih. Ob dveh različnih trenutkih atmosfera namreč nima enakih pogojev in zato je njen vpliv ve- dno značilen za posamezno podobo. Če želimo primerjati lastnosti površja, se moramo omenjenega vpliva znebiti. Obstaja veliko metod za atmosfersko korekcijo, od natančnega modeliranja atmos- ferskih pogojev med zajemom podatkov do preprostih izračunov na osnovi podatkov v sami podobi. Zapleteni modeli zahtevajo dobro poznavanje vremenskih razmer v času zajetja podob, kar je v realnosti zelo težko izvedljivo. Preprostejše metode skušajo vpliv atmosfere določiti z opazovanjem samih podob. 129 15 Predobdelava podob Slika 15.5: Na signal, ki ga zazna detektor, vplivajo različna vpadna valovanja. Slika 15.6: Opazovanje in odštevanje odbojnih vrednosti temnih predmetov je najpre- prostejši način atmosferske korekcije. Iskanje minimuma histograma je metoda, ki opazuje svetlost podobe in poišče naj- manjše vrednosti odboja. Če upoštevamo, da so odbojne vrednosti temnih predmetov, na primer jezer, v primeru, ko je ozračje čisto in atmosferskega sipanja ni, zelo majhne ali skoraj enake nič, lahko predvidevamo, da so večje vrednosti temnih predmetov posle- dica sipanja. Pri tovrstnih popravkih zaznane najmanjše vrednosti preprosto odštejemo od podobe (slika 15.6). Ker je sipanje odvisno od valovne dolžine, so tudi najmanjše vrednosti različne od kanala do kanala. Zato moramo opazovati vsak kanal posebej in za vsakega določiti atmosfersko sipanje. Nekoliko zahtevnejša tehnika je pretvorba radiance v odbojnost, saj zahteva poznava- nje prave (talne) odbojnosti dveh predmetov na površju. Pri tem gre lahko za meritve na površju ali odčitavanje iz tabel odbojnosti. Prve so bolj zanesljive, a le redko do- segljive, druge pa vključujejo veliko neznanih dejavnikov. Če poznamo odbojnost vsaj dveh točk na površju, najbolje zelo temne in zelo svetle, lahko določimo prenosno funk- cijo senzorja in s tem prave vrednosti odboja za vse piksle. Relativno dobre rezultate dobimo tudi z uporabo linearne regresije. Pri tej primer- jamo vrednosti odboja v infrardečem delu spektra (četrti kanal za Landsat in tretji za SPOT) z vrednostmi v vidnem delu in določimo premico, ki najbolje opiše njihovo po- 130 15.4 Popravki osvetlitve in vpliva terena Slika 15.7: Regresijska krivulja pri primerjavi infrardečega in vidnega kanala določa prispevek atmosfere. vezavo. Presečišče premice z ordinato določa prispevek atmosferskih pojavov k celotni odbojni vrednosti (slika 15.7). 15.4 Popravki osvetlitve in vpliva terena Signal, ki ga zaznajo senzorji na satelitih ali letalih, je odvisen od velikega števila dejavnikov, od katerih so najpomembnejši: • odbojnost površja, • narava in stopnja atmosferskih vplivov, • naklon in usmerjenost površja glede na položaj Sonca, • vidni kot senzorja in • položaj Sonca. Razlike v osvetlitvi in geometriji gledanja (za optične senzorje) lahko odpravimo z modeliranjem geometrije opazovanja. Pri tem upoštevamo razdaljo med površjem in senzorjem ter položaja Sonca in senzorja. Modeliranje je pogosto nujno potrebno, še posebej kadar želimo primerjati podobe, zajete ob različnih dnevih ali urah, oziroma če želimo ustvariti mozaik več posnetkov istega senzorja in želimo ohraniti enakomerno osvetlitev (slika 15.8). Spremembe v položaju Sonca lahko določimo, če predvidevamo, da površje svetlobo odbija po Lambertovo.1 To le redko drži za naravne površine, je pa dovolj za približek prvega reda. Če je zenitni položaj Sonca (merjen od navpičnice) enak θ in opazovana radianca L, potem je normirana radianca Ln enaka L LN = . (15.4) cos(θ) 1 Do Lambertovega sipanja prihaja na grobih površinah. Zanj je značilno, da je intenziteta sipanja neodvisna od kota gledanja, torej od položaja opazovalca. 131 15 Predobdelava podob Slika 15.8: Mozaičenje ustvari iz posameznih satelitskih posnetkov (levo) navidezno enega samega (desno). Postopek lahko izboljšamo s tako imenovano topografsko normalizacijo, ki upošteva obliko opazovanega reliefa (digitalni model višin). Metoda nadomesti zenitni položaj Sonca v enačbi 15.4 z vpadnim kotom (α), ki ga določajo višina (θs) in azimut Sonca (φs) ter naklon (θn) in usmerjenost (φn) površja L LT N = . (15.5) cos(α) Pri tem velja cos(α) = cos(π − θs) cos(θn) + sin(π − θs) sin(θn) cos(φs − φn). (15.6) Še bolj zapleten pa je Minnaertov model, ki upošteva dejstvo, da opazovana površina valovanja ne odbija v vse smeri enako. Rezultat topografske normalizacije je podoba, pri kateri ni razlik zaradi položaja posameznega predmeta. Osvetlitev je enaka na senčnih in sončnih pobočjih in je preračunana na ravnino. 15.5 Kalibracija podatkov Če želimo vrednosti na podobah daljinskega zaznavanja povezati s fizikalnimi količi- nami, moramo opraviti kalibracijo podatkov oziroma radiometrično kalibracijo kanalov. 132 15.5 Kalibracija podatkov (a) (b) Slika 15.9: Topografska normalizacija posnetka Landsat. Izvirni posnetek (a) vsebuje vpliv reliefa in položaja Sonca, medtem ko je normiran posnetek (b) prilagojen opazo- vanju ravnine (Richter, 2006). Z drugimi besedami to pomeni, da moramo določiti energijo odboja ali sevanja povr- šine. To lahko storimo, če dovolj dobro poznamo delovanje senzorja in način pretvorbe analognega signala v numerično vrednost. Z obratnim postopkom lahko določimo ab- solutne vrednosti za energijo zaznanega valovanja, in to za vsak piksel posebej. Na ta način lahko opravimo natančne časovne primerjave podob, zajetih z enakim ali raz- ličnimi senzorji (na primer Landsat, SPOT ...). Poleg tega lahko podatke daljinskega zaznavanja uporabimo v fizikalnih ali biofizikalnih modelih. Če poznamo prenosno funkcijo senzorja, torej način določanja digitalnih vrednosti glede na izmerjeno energijo, lahko opravimo obratni postopek kalibracije. Oglejmo si omenjeni postopek nekoliko podrobneje v primeru posnetkov Landsat. Senzor Landsat ETM+ deluje v dveh načinih, z nizkim in visokim prirastkom (low, high gain). Če je pričakovan majhen razpon vrednosti, se uporablja delovanje z visokim prirastkom, sicer pa z nizkim. Tako vedno dobimo podobe z velikim kontrastom (slika 15.10). Pretvorba med digitalnimi vrednostmi, ki jih vsebuje podoba, in radianco poteka z upoštevanjem zveze LM AX L λ − LM I Nλ λ = DN DN λ + LM I Nλ. (15.7) M AX Pri tem so LMAXλ največja, LMINλ najmanjša radianca in DNλ digitalna vre- dnost v kanalu λ. DNMAX pa je največji obseg vrednosti. Enačbo lahko poenostavimo, 133 15 Predobdelava podob Slika 15.10: Delovanje senzorja Landsat ETM+ z nizkim in visokim prirastkom. če definiramo prirastek (gain) G in zamik (offset) O: LM AX G λ − LM I Nλ λ = DNMAX Oλ = LM INλ Lλ = Gλ DNλ + Oλ (15.8) Radianca L je podana v W/m2 srad µm. Podatki za kalibracijske parametre spre- mljajo vsako podobo (v tako imenovani metapodatkovni datoteki) in se le malenkostno spreminjajo s časom. Podatke za kalibracijo novejših podob Landsat ETM+ podaja tabela 15.2. Landsat vsebuje poleg optičnih, bližnjih in srednjih infrardečih kanalov tudi termi- Nizek prirastek Visok prirastek Kanal LMIN LMAX LMIN LMAX 1 −6,2 293,7 −6,2 191,6 2 −6,4 300,9 −6,4 196,5 3 −5 234,4 −5 152,9 4 −5,1 241,1 −5,1 157,4 5 −1 47,57 −1 31,06 6 0 17,04 3,2 12,65 7 −0,35 16,54 −0,35 10,8 8 −4,7 243,1 −4,7 158,3 Tabela 15.2: Kalibracijski parametri za senzor Landsat ETM+ (veljajo za podobe ustvarjene po juliju 2000). 134 15.5 Kalibracija podatkov čnega (šesti kanal), ki omogoča določitev temperature površja. Radianco moramo v tem primeru pretvoriti v temperaturo (izmerjeno na satelitu), kar storimo z upoštevanjem zveze K T = 2 . (15.9) ln( K1 L + 1) 6 Pri tem je T temperatura v stopinjah Kelvina in L radianca v šestem (termičnem) 6 kanalu. K in sta kalibracijski konstanti, ki za satelit Landsat 7 znašata 1 K2 K1 = 666,09 W/m2 srad µm in K2 = 1282,71 K. Vprašanja 1. Kaj je predobdelava podob? 2. Kako odpravljamo napake v delovanju senzorja? 3. Kaj je georeferenciranje in kako poteka? 4. Opiši tehnike prevzorčenja podob. 5. Kako potekajo atmosferski popravki podob? 6. Opiši popravke osvetlitve in topografsko normalizacijo. 7. Kaj je kalibracija podatkov in zakaj je pomembna? 135 16 Izboljšanje podob Vizualna analiza in interpretacija omogočata hitro pridobivanje osnovnih informacij o zemeljskem površju. Prednost digitalnih podob v primerjavi z analognimi slikami je, da prve omogočajo preprosto spreminjanje videza. Tako lahko ustvarimo prikaze, ki so prilagojeni določenemu namenu in posameznemu interpretatorju. V tem poglavju se bomo ukvarjali s postopki za izboljšanje podob, ki vključujejo vse tehnike, s katerimi spremenimo videz podobe in s tem olajšamo vizualno interpretacijo. Radiometrične popravke zaradi različne osvetljenosti, atmosferskih razmer in zna- čilnosti senzorja pogosto opravijo v sprejemni postaji, še preden podatki pridejo do končnega uporabnika. Kljub temu pa posnetki v »surovi« obliki še niso najbolj pri- merni za vizualno interpretacijo. Naprave za daljinsko zaznavanje, še posebej tiste na satelitih, morajo zaznati zelo širok razpon energij. Pripravljene morajo biti na najraz- ličnejše odbojnike in vire elektromagnetnega valovanja, na katere lahko naletijo. Zelo različne »tarče«, na primer gozdovi, puščave, ledeniki, vode in podobno, imajo zelo različne spektralne odzive. Nemogoče je najti eno samo radiometrično korekcijo, ki bi bila primerna za vse posnetke. Zato moramo za vsak namen in vsako podobo poiskati svoj razpon kontrastov in za vsak primer posebej opraviti spremembe svetlosti. Podatki v surovih podobah praviloma zasedejo le majhen del celotnega razpona vrednosti. Iz- boljšanje kontrasta pomeni spreminjanje prvotnih vrednosti tako, da se uporabi širši del razpoložljivih, s čimer povečamo razliko med predmeti in njihovim ozadjem. Prostorsko filtriranje je naslednja množica funkcij digitalne obdelave, ki lahko pre- cej izboljša videz podob. S filtri lahko določene lastnosti poudarimo ali zabrišemo. Pri tem upoštevamo prostorsko frekvenco podobe, ki je neposredno povezana s teksturo (poglavje 14). Gre za krajevno spreminjanje vrednosti, ki se pojavljajo na podobi. »Groba« tekstura pomeni območja, kjer se na kratkih razdaljah, to je z veliko fre- kvenco, močno spreminja svetlost. »Mehka« območja pa imajo po drugi strani le rahlo spreminjanje svetlosti, do katerega pride na velikih razdaljah. Filtri na podobi izberejo in poudarijo ploskve s hitrim ali počasnim spreminjanjem vrednosti. Preden se lotimo pregleda posameznih tehnik, si oglejmo osnovne lastnosti člove- škega vida. Te so namreč pomembne za razumevanje »izboljšanja« in interpretacije podob. 16.1 Človeški vid in barvni prostori O delovanju človeškega vida obstaja veliko teorij, ki se ukvarjajo tako s fiziološkimi kot psihološkimi dejavniki. Koncepti, kot so rdeče in modro, svetlo ali temno, so neposredno 137 16 Izboljšanje podob povezani s posameznikovo reakcijo na zunanje (fizične) dražljaje (stimulus). Svetlobo, ki skozi zenico pride do očesa, leča projicira na retino (slika 16.1). Retina ali mrežnica je tanka plast za svetlobo občutljivih organov, ki se združujejo v vidni živec. Mrežnica je sestavljena iz približno sto milijonov paličasto in pet milijonov konusno oblikovanih celic. Vsaka izmed njih je prek sinapse povezana z živcem. Spremembe v količini svetlobe, ki pade na fotodetektorje, ustvarijo signale, ki prek živcev potujejo v možgane – tisti iz levega očesa gredo v desno stran možganov in tisti iz desnega v levo. Slika 16.1: Prerez človeškega očesa. Paličaste in konusne celice delujejo različno in so namenjene različnemu »gledanju«. Paličaste celice so občutljive na svetlobo majhne intenzitete, omogočajo torej gledanje v mraku, in ne podajajo barvne informacije. Konusne celice pa omogočajo ločevanje različnih barvnih odtenkov, vendar pa zato potrebujejo več svetlobe. Obstajajo tri vrste konusnih celic, ki so občutljive na tri osnovne barve (rdečo, zeleno in modro). Poskusi so pokazali, da je mnogo manj celic občutljivih na modro barvo kot na rdečo ali zeleno in da se občutljivosti posameznih barv med seboj prekrivajo (slika 16.2). Idejo pridobivanja poljubne barve z dodajanjem treh osnovnih lahko posplošimo v tako imenovani barvni prostor RGB. Slika 16.3 (a) prikazuje barvno kocko RGB (red, Slika 16.2: Spektralna občutljivost človeškega očesa. Črtkano je prikazana občutljivsot paličastih, modro, zeleno in rdeče pa konusnih celic. 138 16.1 Človeški vid in barvni prostori (a) (b) Slika 16.3: Barvna modela (a) RGB in (b) HSI (Wikipedia, 2006a). green, blue ali rdeča, zelena, modra). Izhodišče kocke označuje črna barva, njene osi pa ustrezajo posameznim osnovnim barvam. Vsako barvo lahko predstavimo s tremi koordinatami, to je z njenim položajem v kocki. Beli barvi ustrezajo maksimalne vred- nosti rdeče, zelene in modre. Črti, ki povezuje izhodišče (črno) z maksimumom (belo), ustrezajo različni odtenki sive barve. Idejo dodajanja posameznih barv izkorišča televi- zijski zaslon (in na njem temelječi računalniški monitorji), ki s »prižiganjem« različno obarvanih fosforescenčnih območij ustvarjajo barvno sliko. Poleg modela RGB obstaja še nekaj drugačnih pogledov na naše zaznavanje barve. Model HSI (hue, saturation, intensity oziroma barva, nasičenost in intenziteta) je člove- ški predstavi bliže kot model RGB. Barvi ustreza valovna dolžina svetlobe, ki jo vidimo, in torej podaja ime barve, na primer rdeča, modra, oranžna, turkizna ... Stopnjo čisto- sti barve določa nasičenost, pri čemer je čista barva 100 odstotno nasičena. Intenziteta pa je merilo za svetlost barve. Predstavitev modela HSI podaja dvojni stožec, ki je prikazan na sliki 16.3 (b)1. Barvi ustreza kot na vrhnji ploskvi, pri čemer so osnovne barve postavljene v oglišča šestkotnika (rdeča pri 0◦, zelena pri 120◦ in modra pri 240◦). Intenziteta je podana z osjo, ki je normalna na barvo, nasičenost pa predstavlja odda- ljenost od intezitetne osi. Popolnoma nasičene in najbolj intenzivne barve ležijo na stranicah barvnega dvojnega stožca. Črna in sive barve, ki ležijo v koordinatnem iz- hodišču oziroma vzdolž intenzitete, nimajo barve, njihova nasičenost pa je enaka nič. Zaradi preprostosti in jasnosti barvnega modela RGB v daljinskem zaznavanju druge modele – na primer CMYK ali CIE L*a*b*, pa tudi HSI – uporabljamo le izjemoma, na primer pri združevanju podatkov pankromatskih in večspektralnih senzorjev. Delovanje senzorjev daljinskega zaznavanja se nekoliko razlikuje od delovanja člo- veških oči. S slednjimi barve vidimo zato, ker naše oči zaznajo celotni del vidnih valovnih dolžin, možgani pa pridobljene informacije obdelajo in jih posredujejo kot raz- lične barve. Precej drugače bi bilo, če bi naše oko zaznalo samo del valovnih dolžin oziroma več njihovih pasov. Tako namreč deluje večina senzorjev, ki jih uporabljamo pri daljinskem zaznavanju. Informacije, ki jih pridobijo v ozkem spektralnem območju, zaznajo in shranijo v kanal oziroma pas (channel, band). 1 Slika je nastala po predlogi, ki jo je pripravil Alexandre Van de Sande (Wikipedia, 2006a). 139 16 Izboljšanje podob Pri interpretaciji podob daljinskega zaznavanja se običajno srečamo z barvnim pro- storom RGB, kjer posamezne kanale združimo in jih prikažemo z uporabo treh osnovnih barv (modre, zelene in rdeče). Podatke vsakega izmed treh pasov prikažemo v eni od osnovnih barv, pri čemer njegova svetlost določa intenziteto. Z mešanjem različnih razmerij osnovnih barv ustvarimo celotno barvno paleto. (a) (b) barva kanal barva kanal R 1 R 1 G 1 ⇒ črno-belo G 2 ⇒ barvno B 1 B 3 Slika 16.4: Primerjava črno-belega (a) in barvnega (b) prikaza podobe. Kadar z opisanim postopkom prikažemo en sam kanal, ga prikažemo pravzaprav hkrati z vsemi tremi osnovnimi barvami. Ker so svetlosti vseh pikslov enake pri vseh treh barvah, dobimo črno-belo sliko (slika 16.4 a), ki vsebuje sivine od črne do bele. Kadar pa prikažemo z osnovnimi barvami različne kanale, so svetlosti praviloma različne za posamezno barvo in s kombinacijo kanalov in osnovnih barv dobimo barvno sliko (slika 16.4 b). Kadar tako prikažemo vidni del spektra oziroma modri, rdeči in zeleni kanal v ustreznih barvah, dobimo naravni barvni prikaz. Poljubna druga kombinacija vidnih ali prikaz nevidnih kanalov pa ustvarita lažno barvno podobo. 16.2 Izboljšanje kontrasta Senzorji na satelitih in letalih morajo, kot rečeno, zaznati širok razpon vrednosti, od zelo nizkih (na primer na oceanih) do zelo visokih (na primer snega ali ledu). Zato je le malo verjetno, da bi katero območje zajelo celoten mogoč radiometrični razpon vrednosti, od 0 do 2n–1 (o radiometrični ločljivosti smo govorili v poglavju 7.3). Vrednosti v barvnem modelu RGB so zato nakopičene v zelo majhnem območju, blizu sivinske osi. Z drugimi besedami to pomeni, da ne moremo ločiti podrobnosti na podobi, ki je v fotografskem žargonu pod- ali presvetljena. Če bi lahko razpon vrednosti, ki jih podoba zavzame, raztegnili na celotno območje, bi se povečal kontrast med svetlimi in temnimi deli, ohranili pa bi njihova medsebojna razmerja. 140 16.2 Izboljšanje kontrasta Histogram Za razumevanje izboljšanja kontrasta je bistvenega pomena histogram podobe. Histogram je grafična predstavitev svetlih vrednosti, ki jih podoba vsebuje. Svetlost – oziroma vrednosti od 0 do 255 v primeru osembitnih podatkov – je prikazana vzdolž abscisne osi grafa. Pogostost ali frekvenca pojavljanja vsake vrednosti na podobi pa je podana kot ordinata. 200000 TM4 TM3 TM2 150000 100000 50000 0 0 50 100 150 200 250 Na sliki je prikazan posnetek Landsat TM ter histogrami kanalov 2, 3 in 4. Vidimo lahko, da odbojne vrednosti, še posebej za kanala 2 in 3, zavzemajo zelo majhen del razpoložljivega razpona. 141 16 Izboljšanje podob (a) (b) 30000 25000 20000 15000 10000 5000 0 0 50 100 150 200 250 Slika 16.5: Podoba satelita Landsat, prikazana z vrednostmi, ki jih je zaznal senzor (a). V rdeči, zeleni in modri barvi so prikazani kanali 4 (infrardeči), 3 (rdeči) in 2 (zeleni). Pripadajoči histogram vrednosti za kanal 3 (b) kaže, da je zajet le majhen del vseh razpoložljivih vrednosti. Podoba je popolnoma nekontrastna in zato neprimerna za interpretacijo. 16.2.1 Linearni razteg kontrasta S spreminjanjem razpona vrednosti na podobi lahko podatke izboljšamo na več nači- nov. Obstaja namreč kar nekaj različnih tehnik in metod za povečanje kontrasta in po- udarjanje podrobnosti. Najpreprostejša tehnika izboljšanja je linearni razteg kontrasta. Pri njej poiščemo najmanjšo in največjo vrednost v histogramu, čemur ustrezata naj- manjša (Imin) in največja svetlost (Imax). Histogram nato raztegnemo s transformacijo, ki zapolni celotno območje vrednosti (0 − Rmax, kjer je Rmax največja radiometrična vrednost), pri osembitnih podobah je to od 0 do 255. Če je I prvotna vrednost piksla, potem je nova vrednost enaka I − I I min lin_razt = Rmax . (16.1) Imax − Imin Recimo, da imamo podobo z najmanjšo vrednostjo v histogramu 84 in z največjo 153. Zasedenih 70 sivin predstavlja manj kot tretjino od možnih 256 vrednosti. Linearni razteg histograma omejeni del vrednosti preslika na celoten razpon od 0 do 255. S to potezo povečamo kontrast tako v svetlih kot v temnih delih podobe in olajšamo vizualno interpretacijo. Razteg histograma posnetka s slike 16.5 prikazuje slika 16.6. Zavedati se moramo, da so vrednosti pikslov na podobah diskretne, torej 0, 1, 2, 3 ..., in da so take tudi vrednosti v izhodni podobi. Z drugimi besedami – po raztegu histograma ostanejo določene vrednosti nezasedene. Če bi na primer želeli razpon med 0 in 5 raztegniti na vrednosti med 0 in 255, bi imeli v izhodni podobi le vrednosti 0, 51, 102, 153, 204 in 255. Opisani postopek linearnega raztega histograma upošteva samo najmanjšo in naj- večjo vrednost na podobi. Pri tem gre lahko za posamezne vrednosti, ki so daleč od »praga« histograma, kar vpliva na premajhen razteg kontrasta. Zato je smiselno upora- 142 16.2 Izboljšanje kontrasta (a) (b) 30000 25000 20000 15000 10000 5000 0 0 50 100 150 200 250 Slika 16.6: Linearni razteg kontrasta izboljša jasnost podobe (a). Histogram (b) je razširjen na širši razpon vrednosti, ki pa niso v celoti zastopane. biti tako imenovani linearni razteg z nasičenjem (saturacijo), pri katerem na spodnjem in zgornjem delu histograma odrežemo del vrednosti (ekstreme). Praviloma gre za ne- kaj odstotkov, na primer 1 % do največ 10 %, simetrično pri največjih in najmanjših vrednostih. Transformacijo podaja nekoliko spremenjena enačba 16.1, namesto največje in najmanjše vrednosti namreč upoštevamo spodnjo in zgornjo mejo nasičenja  0 : I ≤ Is_min    I − Is_min Ilin_razt_sat = Rmax : I (16.2) I s_min < I < Is_max . s_max − Is_min    Rmax : I ≥ Is_max Vsi piksli, ki so manjši od spodnje meje Is_min, dobijo vrednost 0, tisti, ki so večji od zgornje meje Is_max pa dobijo vrednost Rmax. Pogosto je smiselno histogram izboljšati samo v omejenem delu. Recimo, da opa- zujemo izliv reke v morje in da voda zavzame relativno nizke vrednosti med 40 in 74, kar je zelo majhen del celotnega histograma. Če bi želeli opazovati samo vodne povr- šine, denimo da nas zanima odlaganje sedimentov, lahko omenjeno območje (40 do 74) raztegnemo na celoten razpon vrednosti (med 0 in Rmax, na primer 255). Vsi piksli pod spodnjim pragom dobijo vrednost 0, tisti nad zgornjim pa Rmax, kar pomeni, da v nevodnih območjih izgubimo vse podrobnosti, pridobimo pa širok razpon vrednosti za opazovanje sedimentov. Linearni razteg kontrasta je za interpretacijo podob izredno pomemben, saj močno izboljša kontrast in ohrani razmerja med vrednostmi. Večina programov za obdelavo geografskih podob ga, najpogosteje z nasičenjem, uporablja kot privzeti samodejni raz- teg pri prikazu posnetkov. 16.2.2 Uravnoteženje histograma Linearni razteg histograma ni vedno najboljši, saj podobe same po sebi praviloma ne vsebujejo linearno porazdeljenih vrednosti. Zato je pogosto primerneje uporabiti kako 143 16 Izboljšanje podob Vpogledna tabela Večina programov za obdelavo podob daljinskega zaznavanja omogoča upo- rabo tako imenovane vpogledne tabele (lookup table, LUT). Slednja omogoča preslikavo vrednosti podobe v vrednosti namenjene prikazu na zaslonu (ali na- daljnji obdelavi). Vpogledna tabela vsebuje seznam vhodnih in njim ustreznih izhodnih vrednosti ter deluje kot nekakšen vmesnik med datoteko in zaslonom. Prednost vpogledne tabele se pokaže predvsem pri izboljšanju kontrasta. Namesto, da bi spremenili (originalne) vrednosti v sami podobi, samo zame- njamo vpogledno tabelo, datoteka s podatki senzorja pa ostane nespremenjena. Prikaz podob je z uporabo vpogledne tabele bolj zapleten, saj moramo prebrati vrednost, jo pretvoriti glede na tabelo in šele nato poslati na zaslon. Zaradi velike zmogljivosti današnjih računalnikov pa je tovrstna operacija praktično neopazna. V nadaljevanju je podan primer vpogledne tabele, pri kateri je bil opravljen linearni razteg kontrasta na vrednosti med 4 in 12. Datoteka Zaslon 0 0 1 0 2 0 3 0 4 0 5 2 6 4 7 6 8 8 9 9 10 11 11 13 12 15 13 15 14 15 15 15 144 16.2 Izboljšanje kontrasta drugo tehniko izboljšanja histograma, na primer uravnoteženje histograma (histogram equalization). Pri uravnoteženju histograma je več vrednosti namenjenih tistim od- bojem, ki v podobi nastopajo pogosteje. Tako se precej povečajo podrobnosti v tistih svetlostnih delih podobe, kjer jih je več, medtem ko se v delih, kjer jih je manj, kontrast zmanjša. Osnovna ideja uravnoteženja histograma je poiskati porazdelitev pikslov, pri kateri so vse vrednosti zastopane približno v enaki meri. Na ta način povečamo entropijo podobe, ki je merilo za njeno informacijsko vsebino. Kot smo že omenili, imajo podobe diskretne vrednosti, zato tudi po uravnoteženju v histogramu niso vse vrednosti zasto- pane enako. Nekatere intenzitete namreč vsebujejo veliko pikslov, ki pa jih ne moremo razdeliti v sosednje vrednosti. Postopek uravnoteženja histograma je, kljub na videz zapleteni osnovi, relativno preprost. Najprej je treba izračunati število pikslov za posamezno vrednost v uravno- teženem histogramu. To vrednost (nt) dobimo z deljenjem števila vseh pikslov (N) s številom mogočih vrednosti (Rmax) N nt = . (16.3) Rmax Nato histogram podobe spremenimo v kumulativni histogram, to je seštevek vseh pikslov z vrednostmi, manjšimi od izbrane. Za digitalno vrednost j je ta torej j cj = ni. (16.4) i=0 Pri tem je ni število pikslov z intenziteto i. Izhodna vrednost, ki ustreza vhodni vrednosti j, je zaokroženo razmerje med kumulativnim številom pikslov in teoretičnim Prvotna Število Kumulativno Nova vrednost pikslov število vrednost 0 12957 12957 0 1 21278 34235 0 2 33805 68040 1 3 95918 163958 2 4 117716 281674 4 5 84421 366095 5 6 71698 437793 7 7 92569 530362 8 8 81648 612010 9 9 72759 684769 10 10 64723 749492 11 11 86180 835672 13 12 79634 915306 14 13 33162 948468 15 14 28550 977018 15 15 22982 1000000 15 Tabela 16.1: Uravnoteženje histograma zahteva izračun kumulativnega indeksa, teore- tičnega števila pikslov v razredu in novih digitalnih vrednosti podobe. 145 16 Izboljšanje podob (a) (b) 30000 25000 20000 15000 10000 5000 0 0 50 100 150 200 250 Slika 16.7: Uravnoteženje ustvari zelo kontrastno podobo (a) z enakomeno razporeje- nimi vrednostmi v histogramu (b). številom pikslov za posamezni razred c I j j = . (16.5) nt Postopek spreminjanja histograma pri uravnoteženju je podan v preglednici 16.1. Primer velja za štiribitno podobo, ki ima torej šestnajst različnih sivinskih vrednosti, in je velika 1000 krat 1000 pikslov. V popolnoma uravnoteženem histogramu bi vsaki vrednosti ustrezalo 1 000 000/16 = 62 500 pikslov. Nove digitalne vrednosti ne zajemajo vseh možnosti, so pa enakomerneje razporejene (tabela 16.2). Razredi vrednosti z manjšim številom pikslov so združeni, tisti z večjim pa so porazdeljeni bolj narazen. Učinek uravnoteženja histograma podobe s slike 16.5 (a) podaja slika 16.7. Rezultat je zelo kontrastna podoba, ki prikazuje podrobnosti tako v gozdovih, poljih in travnikih kot v naseljih. Pri gosto zastopanih vrednostih, kjer je največ pikslov in kjer želimo ločiti več podrobnosti, se je kontrast povečal, medtem ko se je zmanjšal pri manj zastopanih, kjer je manj pikslov in velika natančnost ni potrebna. Uravnotežene podobe so bolj jasne, jih je pa zaradi porušenega medsebojnega razmerja vrednosti teže interpretirati. Težavo lahko predstavlja tudi veliko število digitalnih vrednosti, ki jim ne ustreza noben piksel. 16.2.3 Gaussov razteg histograma Naslednja metoda izboljšanja kontrasta, ki temelji na obliki histograma, je Gaussov razteg. Z njim poskušamo histogram prilagoditi normalni ali Gaussovi porazdelitvi. Pri Gaussovi ali normalni porazdelitvi verjetnosti je verjetnostna gostota enaka 1 (x−¯ x)2 p(x) = √ e− 2σ2 . (16.6) σ 2π Pri tem je x vrednost spremenljivke in ¯x njeno povprečje. Standardni odklon σ je vrednost, pri kateri verjetnost pade na e−0,5 oziroma 0,607. To z drugimi besedami 146 16.2 Izboljšanje kontrasta Nova vrednost Število pikslov 0 34235 1 33805 2 95918 3 0 4 117716 5 84421 6 0 7 71698 8 92569 9 81648 10 72759 11 64723 12 0 13 86180 14 79634 15 84694 Tabela 16.2: Število pikslov v odvisnosti od novih digitalnih vrednosti pri uravnoteženju histograma. Vsaki novi vrednosti ustreza približno enako število pikslov. pomeni, da je pri normalni porazdelitvi 60,7 % vrednosti manj kot σ oddaljenih od povprečja. Obliko Gaussove krivulje pri različnih standardnih odklonih in povprečnih vrednostih prikazuje slika 16.8. Slika 16.8: Normalna ali Gaussova porazdelitev. Normalna porazdelitev je dobro poznana in uporabna marsikje, tudi pri izboljšanju kontrasta. Njena osnovna ideja je spremeniti vrednosti na podobi tako, da je njihovo povprečje in s tem največje število pikslov na sredini razpona razpoložljivih vrednosti, razpršenost pa je odvisna od namena uporabe podobe in je določena s standardnim odklonom. Postopek Gaussovega raztega histograma je nekoliko podoben tistemu pri njegovem uravnoteženju. Ker se normalna porazdelitev razteza od −∞ do +∞, moramo zaradi praktičnih razlogov izbrati najmanjšo in največjo vrednost, na primer od −3σ do +3σ. 147 16 Izboljšanje podob Digitalna Položaj v Število Kumulativno vrednost porazdelitvi Verjetnost pikslov število 0 −3,0 0,002 1775 1775 1 −2,6 0,005 5440 7215 2 −2,2 0,014 14208 21423 3 −1,8 0,032 31620 53044 4 −1,4 0,060 59968 113011 5 −1,0 0,097 96912 209923 6 −0,6 0,133 133460 343383 7 −0,2 0,157 156617 500000 8 0,2 0,157 156617 656617 9 0,6 0,133 133460 790077 10 1,0 0,097 96912 886989 11 1,4 0,060 59968 946956 12 1,8 0,032 31620 978577 13 2,2 0,014 14208 992785 14 2,6 0,005 5440 998225 15 3,0 0,002 1775 1000000 Tabela 16.3: Določitev števila pikslov za posamezno digitalno vrednost pri Gaussovem raztegu s trojnim standardnim odklonom. Prvotna Število Kumulativno Nova vrednost pikslov število vrednost 0 12957 12957 2 1 21278 34235 3 2 33805 68040 4 3 95918 163958 5 4 117716 281674 6 5 84421 366095 7 6 71698 437793 7 7 92569 530362 8 8 81648 612010 8 9 72759 684769 9 10 64723 749492 9 11 86180 835672 10 12 79634 915306 11 13 33162 948468 12 14 28550 977018 12 15 22982 1000000 15 Tabela 16.4: Za določanje novih digitalnih vrednosti pri Gaussovem raztegu primerjamo teoretično (tabela 16.3) in dejansko kumulativno število pikslov. Nova vrednost je določena s prvo vrednostjo kumulativnega histograma, ki preseže kumulativno vrednost porazdelitve. 148 16.2 Izboljšanje kontrasta Nova vrednost Število pikslov 0 0 1 0 2 12957 3 21278 4 33805 5 95918 6 117716 7 156119 8 174217 9 137482 10 86180 11 79634 12 61712 13 0 14 0 15 22982 Tabela 16.5: Število pikslov v odvisnosti od novih digitalnih vrednosti pri Gaussovem raztegu. Opazimo lahko obliko normalne porazdelitve vrednosti. Novima vrednostima 0 in Rmax ustrezajo torej piksli, ki so za več kot tri standardne od- klone oddaljeni od povprečja. Za vsako digitalno vrednost določimo število pikslov, ki bi jih morala imeti pri normalni porazdelitvi z določenim standardnim odklonom. Ta- bela 16.3 prikazuje normalno porazdeljene piksle na podobi. Gre za štiribitno podobo, ki lahko zavzame šestnajst sivin, in je razporejena med −3σ in +3σ. Podano je število pikslov, ki bi posamezni vrednosti ustrezalo v primeru podobe velikosti 1000 krat 1000 pikslov. Za ustvarjanje Gaussovega raztega je najpomembnejše kumulativno število pikslov. Digitalna vrednost po raztegu je namreč določena s prvo vrednostjo kumula- tivnega histograma teoretične porazdelitve, ki preseže kumulativno vrednost dejanske porazdelitve. Vzemimo enako podobo kot pri pri uravnoteženju histograma (tabela 16.1) in pri- merjajmo kumulativne vrednosti vhodne podobe (tabela 16.4) s teoretičnimi (tabe- la 16.3). Prva kumulativna vrednost v prvotni podobi je 12 957, prva teoretična kumu- lativna vrednost, ki jo preseže, pa je 21 423, čemur ustreza nova vrednost 2. Z enakim postopkom določimo preslikavo med vsemi prvotnimi in novimi intenzitetami podobe. Nove digitalne vrednosti so porazdeljene približno normalno, tako kot pri uravnote- ženju histograma pa tudi pri Gaussovem raztegu ne zavzamejo vseh mogočih vrednosti (tabela 16.5). Pogostost je največja v sredini razpona, proti skrajnima točkama pa se manjša. Slika 16.9 prikazuje Gaussov razteg kontrasta podobe s slike 16.5. Upora- bljen je dvakratni standardni odklon, končna podoba je zato precej bolj kontrastna kot prvotna, oblika histograma pa je približno normalna. Postopek spreminjanja kontrasta je popolnoma enak, če se ukvarjamo z enokanal- nimi (pankromatskimi), večspektralnimi ali hiperspektralnimi podobami. Vrednosti vedno spremenimo posameznim kanalom, ki jih nato prikažemo v rdeči, zeleni in modri barvi. Ker želimo ohraniti vrednosti, ki jih je zaznal senzor, pogosto operacije opravimo le v vpogledni tabeli. 149 16 Izboljšanje podob (a) (b) 30000 25000 20000 15000 10000 5000 0 0 50 100 150 200 250 Slika 16.9: Gaussov razteg ustvari kontrastno podobo (a), ki ima normalno razporejen histogram (b). 16.3 Psevdobarvni prikazi Črno-bele podobe zajamejo le majhen del barvnega prostora. V primeru prostora RGB gre za diagonalo med »črnim« in »belim« ogliščem, v prostoru HSI pa gre za navpično os oziroma intenziteto (slika 16.3). Pri tovrstnih podobah nimamo informacij o barvi ali nasičenosti, čeprav ju človeško oko bolje loči kot intenziteto. Za lažjo interpretacijo skušamo zato črno-bele podobe pretvoriti v barvne. Iz sivinskih, to je enokanalnih, podob ne moremo dobiti pravih ali naravnih barvnih, saj prvotna podoba ne vsebuje podatka o barvi. Poleg tega ne moremo govoriti o lažno barvnih podobah, saj so slednje sestavljene iz podatkov treh kanalov, ki jih prikažemo v rdeči, zeleni in modri barvi. Spremembo črno-bele podobe v barvno zato imenujemo navidezno barvna ali psevdobarvna pretvorba. Obstajata dva najpomembnejša načina za ustvarjanje barvnih podob iz črno-belih, in sicer razrez na nivoje in psevdobarvna transformacija. 16.3.1 Razrez na nivoje Pri razrezu na nivoje (density slicing) pasove ali območja sivih vrednosti prikažemo z eno samo barvo. Območja sivin, na primer od 0 do 10 in tako dalje, imenujemo rezine ali nivoji. Celoten razpon vrednosti na podobi, na primer od 0 do 255, predstavimo z več deset barvnimi pasovi. S tovrstno pretvorbo črno-bele podobe učinkovito prikažemo različne homogene dele podobe, pri čemer pa izgubimo podrobnosti. Razlog za to je preprosto dejstvo, da relativno širok razpon vrednosti spremenimo v nekaj barvnih pasov.2 Če na primer prikažemo 256 sivin s 25 barvnimi nivoji, smo razpon zmanjšali na slabih 10 odstotkov. Seveda pa lahko s pravilnim izborom nivojev in barv znatno olajšamo interpretacijo. 2 Človeške oči so sposobne zaznati približno deset milijonov barv. Z neposredno primerjavo lahko ločimo približno sto odtenkov iste barve, brez referenčnega vira pa le kakih deset. 150 16.3 Psevdobarvni prikazi Slika 16.10: Razrez podobe temperatur na nivoje omogoča hitro določanje različno toplih območij. Slika prikazuje termogram Tržaškega zaliva in Slovenskega primorja, ki ga je posnel satelit Landsat. Obseg razredov ter njim pripadajoče barve lahko določimo preprosto s podajanjem števila nivojev ali z bolj zapletenimi postopki, ki dajejo razrede z enakim številom pikslom, »naravno« ločene razrede in podobno. Praviloma pa gre za interaktivni po- stopek, pri katerem dinamično določamo obseg posameznih razredov in jim pripišemo primerne barve. Izbira barv je še posebej pomembna, saj želimo z njimi opazovalcu neposredno podati informacijo. Vizualno zaznavanje je namreč tako fiziološki kot tudi psihološki postopek. Naključni izbor barv pove več o samem operaterju kot o podobi, ki jo opazujemo. Na sliki 16.10 je prikazana termična infrardeča podoba Slovenskega primorja, do- bljena iz satelita Landsat. Prikazana je v barvah od temno modre do svetlo rdeče, ki opazovalcu dajeta občutek hladu oziroma toplote. 16.3.2 Psevdobarvna transformacija Na sivinski podobi ima vsak piksel enake deleže rdeče, zelene in modre barve. Pri psevdobarvni transformaciji tovrstne deleže spremenimo, s čimer posameznim barvnim topovom pošljemo različne vrednosti in ustvarimo navidezno (psevdo, tudi umetno) barvno podobo. 151 16 Izboljšanje podob (a) (b) Slika 16.11: Pri psevdobarvni transformaciji črno-beli podobi spremenimo deleže posa- meznih barv (a) in ustvarimo navidezne barve (b). Slika 16.11 (a) prikazuje primer barvne transformacije, pri kateri nižje vrednosti po- maknemo proti rdeči, srednje proti zeleni in višje proti modri. Za razliko od razreza na nivoje pri psevdobarvni transformaciji ne izgubimo razpona vrednosti, saj vsaki vhodni (sivi) vrednosti ustreza ena sama izhodna (barva). Res pa je, da sosednje barve, na primer 90 % in 91 % rdeče, med seboj težko ločimo. Dodatno težavo predstavljajo podobe z neuravnoteženim histogramom, pri katerih po transformaciji prevladuje dolo- čena barva. Preden opravimo tovrstno pretvorbo, si je smiselno ogledati porazdelitev sivin in po potrebi uporabiti eno od pretvorb, opisanih v poglavju 16.2. 16.4 Filtriranje Postopki obdelave podob, ki smo jih opisali v prejšnjih razdelkih, spremenijo način pri- kaza podobe s spreminjanjem vrednosti, vpogledne tabele ali ustvarjanjem psevdobarv (upoštevajo samo posamezne piksle). V tem razdelku pa se bomo ukvarjali s filtrira- njem – metodami, ki upoštevajo prostorske razsežnosti podatkov in različna merila na podobah (upoštevajo sosede). S filtriranjem želimo, na primer, odstraniti šum na satelitskih posnetkih in jih tako zgladiti ali pa poudariti meje med homogenimi območji in povečati njihovo prepoznav- nost. Pri tem opazujemo spremembe v intenziteti, ki so praviloma postopne in le redko nenadne, in govorimo o »prostorski frekvenci«. Slednja je določena s številom spre- memb na enoto razdalje v izbrani smeri. Podoba z eno samo prostorsko frekvenco bi bila sestavljena iz zaporedja vzporednih črt.3 Podobo lahko zapišemo kot vsoto več delov, ki imajo različne prevladujoče frekvence: podoba = ozadje + podrobnosti + šum = nizke frekvence + visoke frekvence + šum. 3 Omenjeni pojav lahko v obliki majhnih sprememb intenzitete opazujemo pri posnetkih satelitov Landsat, ki imajo šest (MSS) oziroma šestnajst (TM in ETM+) snemalnih pasov za vsak detektor (razdelka 11.2.1 in 15.1.1). 152 16.4 Filtriranje Kljub temu, da ima šum praviloma visoko frekvenco, ni razloga, da bi ga pripisali samo podrobnostim ali samo ozadju. Šum je lahko namreč naključen, na primer zrnatost na radarskih posnetkih, ali periodičen, na primer posledica vrstične ali prečne snemalne naprave. Podrobnosti z visoko frekvenco, to je hitrim spreminjanjem tonov, dopolnjujejo osnovo z nizko frekvenco, kjer se vrednosti spreminjajo počasi. Matematični postopek, ki podatke razdeli na različne frekvence, se imenuje Fourierjeva analiza. Ko posnetek razdelimo na različne komponente, lahko posamezne skupine poudarimo, zanemarimo ali v celoti odstranimo in tako dobimo spremenjeno podobo. Algoritmi, ki jih pri tem uporabljamo, se imenujejo filtri, ker izločijo (izberejo) določene frekvence. Filtri, ki prepuščajo visoke frekvence, in tako poudarijo podrobnosti, se imenujejo visokoprepu- stni filtri. Tistim, ki prepustijo nizke frekvence in podobo zato zgladijo, pa pravimo nizkoprepustni filtri. V digitalni obdelavi podob se srečujemo s tremi tehnikami filtriranja (ločevanja kom- ponent različnih frekvenc). Prva temelji na diskretni Fourierjevi transformaciji, s katero pretvorimo podobo v frekvenčni prostor, izberemo del frekvenc in nato naredimo obra- tno pretvorbo. Druga uporablja relativno preproste matematične postopke (na primer konvolucijo) v prostorski domeni. Tretja, novejša, pa izkorišča lastnosti diskretne valčne transformacije (discrete wavelet transform) in združuje tako prostorsko kot frekvenčno filtriranje. Tako Fourierjeva kot valčna transformacija sta pojmovno in izvedbeno zelo zahtevni, zato se bomo v naslednjih razdelkih ukvarjali samo s filtriranjem v prostorski domeni. 16.4.1 Konvolucijsko filtriranje Najpogostejši način izvedbe filtriranja v prostorski domeni je konvolucijsko filtriranje. Pri tem uporabljamo premično »okno« velikosti nekaj pikslov, na primer 3 krat 3 ali 5 krat 5 ... Znotraj okna (računske matrike) opravimo določeno matematično operacijo in v izhodni sloj zapišemo izračunano vrednost. Dimenzija okna je praviloma liha, ker želimo imeti centralni piksel, to je tisti, v katerega bomo zapisali rezultat. Ni pa nujno, da je dimenzija enaka v obeh smereh, uporabimo lahko tudi filtre »nepravilnih« oblik, na primer 3 krat 5. Filtrirno okno premikamo od piksla do piksla vzdolž stolpcev in vrstic ter izračune ponovimo za vse piksle podobe. Tako celotno podobo »sfiltriramo« in ustvarimo novo. S spreminjanjem računskih operacij znotraj okna in uteži, ki jih posamezni piksli v njem imajo, vplivamo na obliko (učinek) filtra. S posebno oblikovanimi računskimi okni lahko podobo zgladimo, jo izostrimo ali odkrijemo robove. Splošno lahko postopek konvolucijskega filtriranja zapišemo kot a b IF i,j = Fk,l Ii+k,j+l . k=−a l=−b Pri tem je I intenziteta vhodne podobe, IF intenziteta izhodne podobe, F pa filtrirna matrika. Indeksa i in j predstavljata slikovne koordinate, k in l sta položaja znotraj filtra, a in b pa določata njegovo velikost. Na robovih podobe računsko okno sega deloma izven podobe (tem bolj, čim večja je njegova razsežnost). Manjkajoče piksle lahko nadomestimo na več načinov, od katerih sta najpogostejša zrcaljenje in izpuščanje vrednosti. Pri prvem v računu upoštevamo 153 16 Izboljšanje podob Slika 16.12: Pri konvolucijskem filtriranju prek podobe pošljemo računsko okno in v njem izvedemo določeno operacijo. vrednosti, ki se nahajajo na nasprotni strani manjkajoče, pri drugem pa vrednosti ne upoštevamo in primerno spremenimo računsko operacijo. 16.4.2 Nizkoprepustni filtri Nizkoprepustni (low-pass) filter poudarja večje homogene površine, to je take z majhnim spreminjanjem tona, hkrati pa zmanjša drobne detajle na podobi in ga zato uporabljamo za glajenje podob. Najpreprostejši primer nizkoprepustnega filtra je povprečenje, pri katerem v izhodno podobo zapišemo povprečje vrednosti njegove bližnje okolice. V matrični obliki je tovrstni filter pri velikostih 3 krat 3 in 5 krat 5 enak  1 1 1  1 F np3x3 = 1 1 1 , 9   1 1 1 (a) (b) Slika 16.13: Nizkoprepustni filter oziroma filter povprečenja podobo (a) zgladi in s tem odpravi šum (b). 154 16.4 Filtriranje  1 1 1 1 1  1 1 1 1 1 1   F np   5x5 =  1 1 1 1 1  . (16.7) 25  1 1 1 1 1    1 1 1 1 1 Faktorja 1/9 in 1/25 sta namenjena normalizaciji filtra, s katero dosežemo, da so v izhodni podobi vrednosti enakega velikostnega reda kot v vhodni (dosežejo enak razpon). Učinek nizkoprepustnega filtra prikazuje slika 16.13. Vidimo, da je izhodna podoba precej mehkejša in ne vsebuje visokofrekvečnega dela (praviloma šuma). Seveda pa s tovrstno operacijo izgubimo podrobnosti in zabrišemo meje med predmeti. 16.4.3 Filter mediana Mediana je v statistiki določena kot vrednost, ki v porazdelitvi loči zgornjo in spodnjo polovico – polovica elementov populacije ima višje, druga polovica pa nižje vrednosti. Mediano poiščemo tako, da skupino uredimo od najmanjše do največje in izberemo srednjo vrednost. Filter mediana je zelo podoben filtru povprečenja, saj prav tako prepušča nizke frekvence. Za razliko od povprečenja pa je vrednost, ki jo vrne mediana, vsebovana v prvotni podobi. Razliko med obema najlaže pokažemo s primerom. Recimo, da imamo v oknu razsežnosti 3 krat 3 vrednosti 2, 2, 3, 5, 1, 3, 10, 3, 5. Mediano dobimo tako, da podatke najprej uredimo, s čimer dobimo zaporedje 1, 2, 2, 3, 3, 3, 5, 5, 10, in poiščemo srednjo vrednost, ki je v našem primeru enaka 3. Povprečje navedene populacije pa znaša je 3,78 ≈ 4, to pa je vrednost, ki je v prvotnem nizu ni. Mediana daje praviloma boljše rezultate kot povprečje. Glavni razlog za to je dej- stvo, da je vrednost, ki jo vrne, vedno eden od elementov opazovane množice. Poleg tega ni občutljiva na podatke, ki močno odstopajo. Mediana na podobi torej odstrani posamezne ekstremne piksle, ne ustvari »umetnih« vrednosti in hkrati dobro ohrani (a) (b) Slika 16.14: Filter mediana podobo (a) zgladi (b), pri čemer ohrani robove in ne ustvari novih vrednosti. 155 16 Izboljšanje podob robove (slika 16.14). Njena slabost pa je precejšnja računska zahtevnost, saj moramo piksle razvrstiti in nato poiskati njihovo sredino, kar je pri velikih oknih lahko precej dolgotrajno. 16.4.4 Gaussov filter Gaussov filter je dvorazsežen konvolucijski filter, ki »zamegli« podobe in odstrani po- drobnosti in šum. Sama oblika filtra je zelo podobna povprečenju, le da vrednosti se- štejemo uteženo – osrednji piksel močneje vpliva na rezultat kot njegovi sosedje. Oblika filtrirne matrike je določena z Gaussovo porazdelitvijo 1 k2 +l2 Fk,l = √ e− 2σ2 . (16.8) σ 2π Pri tem sta k in l indeksa filtrirnega okna. Porazdelitev ima povprečje v centralnem pikslu, standardni odklon pa določa stopnjo glajenja (v primeru σ = ∞ dobimo filter povprečenja). Filtrirna matrika je odvisna od velikosti filtrirnega jedra. Ker je slednji praviloma precej majhen, je njena oblika le približek Gaussove. Pri velikosti 5 krat 5 je, na primer, enaka  0,000015 0,000676 0,002431 0,000676 0,000015   0,000676 0,031441 0,113083 0,031441 0,000676  F np   5x5 =  0,002431 0,113083 0,406718 0,113083 0,002431  . (16.9)  0,000676 0,031441 0,113083 0,031441 0,000676    0,000015 0,000676 0,002431 0,000676 0,000015 Vsota vrednosti filtra je ena, kar pomeni, da je filter normiran. Učinek filtriranja z gornjo matriko prikazuje slika 16.15. Rezultat je zelo podoben običajnemu povprečenju, imamo pa pri Gaussovem filtru boljši vpliv na stopnjo in intenzivnost glajenja. (a) (b) Slika 16.15: Gaussov filter podobo (a) zgladi (b), pri čemer stopnjo glajenja določamo z vrednostjo standardnega odklona v filtrirni matriki. 156 16.4 Filtriranje 16.4.5 Visokoprepustni filtri V postopku daljinskega zaznavanja imamo vedno opravka s povprečenjem vrednosti ozi- roma dušenjem signala. Pri tem so visoke prostorske frekvence praviloma bolj zadušene kot nizke. Zato jih pogosto skušamo okrepiti in tako povečati vizualno kakovost podob. Visokoprepustni (high-pass) filtri delujejo nasprotno kot nizkoprepustni in podobe izo- strijo in s tem poudarijo podrobnosti. V poglavju 16.4.2 smo kot način glajenja omenili povprečenje, ki je posebna oblika integracije. Matematično nasprotna operacija, to je odvajanje, bi torej podobo izostrila. Preden si ogledamo tehnike, ki temeljijo na odvajanju, omenimo še preprostejši postopek visokoprepustnega filtriranja. Preprost tovrstni filter lahko ustvarimo tako, da od podobe odštejemo njen nizkoprepustni del. Tako ostanejo le visoke frekvence, ki jim ustreza hitro spreminjanje tona. Viskoprepustni filter, kot rečeno, ustreza matematični operaciji odvajanja. Odvod zvezne funkcije podaja hitrost njenega spreminjanja, to je stopnjo njenega naraščanja oziroma padanja. Postopek lahko nadaljujemo z drugim odvodom, ki predstavlja hitrost spreminjanja prvega odvoda in s tem ukrivljenost funkcije. Pri sivinskih podobah prvi odvod predstavlja spreminjanje vrednosti v prostoru. Določimo ga lahko v posamezni smeri, to je x in y ∆x(i,j) = I(i,j) − I(i − 1,j), ∆y(i,j) = I(i,j) − I(i,j − 1). (16.10) Odvod je razlika vrednosti I sosednjih pikslov v izbrani smeri, pri čemer upoštevamo, da podobe niso zvezne ampak diskretne. Skupna vrednost odvoda je določena kot ∆ = ∆2 (16.11) x + ∆2 y Prvi odvod pove, kako hitro se spreminjajo vrednosti v posamezni smeri, kolikšna je skupna velikost spreminjanja in v kateri smeri se vrednosti najmočneje spreminjajo. Odvod je majhen pri homogenih površinah in močno naraste v bližini hitrih sprememb (robov). Prvi odvod je torej povezan z visokofrekvenčno komponento podobe. Podobno kot prvi odvod lahko definiramo tudi drugega ∆x2(i,j) = ∆x(i + 1,j) − ∆x(i,j) = [I(i + 1,j) − I(i,j)] − [I(i,j) − I(i − 1,j)] = I(i + 1,j) + I(i − 1,j) − 2I(i,j) in ∆y2(i,j) = I(i,j + 1) + I(i,j − 1) − 2I(i,j). (16.12) Drugi odvod torej podaja spreminjanje prvega in ga zato lahko uporabimo za do- ločanje ekstremov (vrhov in dolin) na podobi. V obdelavi podob kot drugi odvod najpogosteje uporabljamo Laplaceov filter, ki ga določa naslednja filtrirna matrika  0 1 0  F lap3x3 = 1  −4 1  . (16.13) 0 1 0 Vsota vrednosti v Laplaceovi matriki je enaka nič, zato normalizacija ni potrebna. Viskoprepustne filtre pri obdelavi podob uporabljamo precej pogosto, še posebej kadar želimo poudariti podrobnosti na njih. Slika 16.16 prikazuje učinek prvega (b) in 157 16 Izboljšanje podob (a) (b) (c) (d) Slika 16.16: Z viskoprepustnim filtriranjem (odvajanjem) iz podobe (a) dobimo po- drobnosti (b). Drugi odvod (Laplaceov operator) podaja hitrost spreminjanja prvega in omogoča odkrivanje robov (c). Če originalni podobi prištejemo prvi odvod, dobimo vizualno ostrejšo sliko (d). drugega (c) odvoda. Če podobo visokih frekvenc prištejemo prvotni podobi (z določeno utežjo), ji tako »vrnemo« del zadušenih podrobnosti. S kombinacijo prvotne podobe in odvoda lahko povečamo ostrino in intenziteto robov (slika 16.16 d). 16.4.6 Filtri robov Visokoprepustna podoba omogoča opazovanje robov, vendar obstaja tudi nekaj učin- kovitejših filtrov, ki so namenjeni samo zaznavanju teh. Rob je hitra sprememba sivih vrednosti, ki je praviloma povezana z antropogenimi dejavniki, na primer cestami, me- jami med zemljišči, posekami ... Poleg že omenjenih filtrov (visokoprepustni, Laplaceov) lahko za iskanje robov uporabimo še nekatere druge, od katerih sta najbolj znana Sobelov 158 16.4 Filtriranje (a) (b) (c) Slika 16.17: Primerjava filtrov za odkrivanje robov. Slika prikazuje originalno podobo (a) ter rezultat Sobelovega (b) in Robertsovega (c) filtra. in Robertsov. Oba delujeta v dveh osnovnih smereh, robove pa določita z opazovanjem skupne vrednosti v obeh – njune vsote ali vsote njunih kvadratov. Sobelov filter podajata naslednji matriki  −1 0 1   1 2 1  F sobx = in F sob 0 0 0 . (16.14)  −2 0 2  y =   −1 0 1 −1 −2 −1 Robertsov filter je preprostejši, podajata pa ga matriki 0 1 1 0 F roba = in F rob . (16.15) −1 0 b = 0 −1 Slika 16.17 primerja Sobelov (b) in Robertsov (c) filter. Vidimo, da oba delujeta podobno in da relativno dobro prikažeta hitre spremembe sivih vrednosti. Naslednji 159 16 Izboljšanje podob korak pri iskanju robov je določanje ustreznega praga za robove, njihovo prepoznavanje in morebitna vektorizacija. Izbira prave tehnike izboljšave podobe je zapletena, saj so pri interpretaciji po- membni tako fiziološki kot psihološki dejavniki. Podobe v surovi obliki niso primerne za opazovanje, že z malenkostnimi popravki pa jih naredimo jasnejše. Zavedati se moramo, da pri vsaki operaciji pridobimo nove informacije, hkrati pa izgubimo del po- datkov. Izmed primerljivih postopkov moramo izbrati torej tistega, ki je preprostejši, torej hitrejši in manj »uničevalen«. Vprašanja 1. Opiši tehnike za izboljšanje podob. 2. Kako deluje človeško oko? 3. Kaj je barvni prostor RGB? 4. Kaj je barvni prostor HSI? 5. Opiši tehnike izboljšanja kontrasta. 6. Kaj so psevdobarvni prikazi? Kako jih ustvarimo? 7. Kaj je filtriranje in kako poteka? 8. Katere vrste filtrov uporabljamo v daljinskem zaznavanju in zakaj? 160 17 Transformacije podob Postopki izboljšanja, ki jih obravnava poglavje 16, spremenijo videz podobe, praviloma z upoštevanjem enega samega kanala. Pri transformacijah pa iz obstoječih informacij ustvarimo nove, pogosto z upoštevanjem več kanalov. Pri tem gre lahko za kanale istega večspektralnega senzorja ali podatke dveh ali več podob istega območja, ki so zajete ob različnih časih (multitemporalni ali veččasovni podatki). S transformacijami v obeh primerih ustvarimo »nove« podobe.1 Tako bolje kot na prvotnih podobah poudarimo predmete ali lastnosti, ki nas zanimajo, oziroma določimo količine, ki jih osnovne podobe ne vsebujejo. V nadaljevanju bomo obravnavali nekaj različnih transformacij podob, od katerih so najpreprostejše osnovne aritmetične operacije (seštevanje, odštevanje, množenje in deljenje). Pri slednjih težko govorimo o transformacijah v pravem pomenu besede. Po- sebno pozornost bomo namenili razmerjem kanalov ali tako imenovanim spektralnim indeksom, od katerih je brez dvoma najbolj poznan normiran diferencialni vegetacij- ski indeks (NDVI). Nekoliko bolj zapletena aritmetična pretvorba je Kauth-Thomasova (imenovana tudi tasseled cap) transformacija, ki določi svetlost, zelenost in vlažnost površja. V obdelavi podob je pomembna tudi analiza osnovnih komponent, transfor- macija, ki ustvari manjše število informacijsko gostejših kanalov. Pomembna skupina transformacij so tudi barvne, od katerih velja omeniti transformacijo HSI (hue, satu- ration, intensity oziroma barva, nasičenost in intenziteta). Pomemben sklop transformacij, ki pa ga zaradi zahtevnosti ne bomo obravnavali, so frekvenčne transformacije. Veliko operacij v daljinskem zaznavanju, na primer fil- triranje (razdelek 16.4), je preprostejših v frekvenčnem prostoru. Pri tem gre za tako imenovano diskretno Fourierjevo (DFT, discrete Fourier transform) in valčno (wavelet) transformacijo. Pri prvi predstavimo podobo v obliki frekvenčnih komponent, pri čemer prostorsko spreminjanje sivin nadomestimo s frekvenčno vrsto, to je vsoto periodičnih (sinusnih) nihanj. Pri drugi namesto periodičnih funkcij uporabljamo funkcije, ki so omejene tako časovno kot krajevno. Valčna transformacija je zaradi svojih lastnosti posebej primerna za večločljivostni pristop k obdelavi podob, saj omogoča obravnavo različnih stopenj podrobnosti. 1 Transformacije lahko primerjamo s kuharjem, ki ima na razpolago osnovne sestavine (podobe) in z njihovo kombinacijo ter obdelavo ustvari različne jedi. Vsaka izmed njih ne vsebuje ničesar drugega kot prvotne sestavine, pa vendar imajo drugačen videz (in okus). Tako lahko tudi različne podobe kombiniramo in ustvarimo enostavne ali zelo zapletene rezultate. 161 17 Transformacije podob 17.1 Aritmetične operacije Osnovne transformacije podob ustvarimo s preprostimi aritmetičnimi operacijami – seštevanjem, odštevanjem, množenjem in deljenjem. Kot smo že omenili, gre lahko za operacije med različnimi kanali iste podobe ali kanali različnih podob. Osnovni pogoj, ki omogoča aritmetične (pa tudi druge) transformacije, je natančna poravnava podob. Tovrstna obdelava namreč ni smiselna, če ne opazujemo podob, pri katerih istim pikslom ustrezajo isti deli površja. Podobe moramo zato predhodno registrirati drugo glede na drugo ali v izbrani koordinatni sistem (razdelek 15.2). Natančnost, ki jo pri tem potrebujemo, je velikostnega reda en piksel. Seštevanje podob je operacija, ki jo najpogosteje uporabljamo za zmanjšanje šuma na veččasovnih podobah. Vsako podobo si lahko zamislimo kot vsoto »pravih« vrednosti in šuma. Če za slednjega predvidevamo, da je porazdeljen normalno, ga s seštevanjem več podob izpovprečimo. Zapišemo lahko n 1 Isum(x,y) = I n i(x,y). (17.1) i=1 Pri tem so Ii posamezne podobe, Isum pa njihova vsota. Ker želimo ohraniti dina- mični razpon vrednosti (na primer od 0 do 255 pri osembitnih podobah), vsoto delimo s številom podob n. Seštevanje izvajamo po posameznih pikslih, rezultat pa praviloma zaokrožimo k najbližji celi vrednosti. Odštevanje podob pogosto uporabljamo za določanje sprememb, do katerih je prišlo med zajetjem ob različnih časih (slika 17.1). Pri paru georeferenciranih podob vrednosti pikslov (svetlosti) ene podobe odštejemo od vrednosti druge Idif (x,y) = I2(x,y) − I1(x,y). (17.2) Rezultat operacije je podoba, pri kateri vrednost 0 pomeni, da med zajetjema podob ni prišlo do sprememb, majhne vrednosti pomenijo majhne spremembe, velike pa velike. Hkrati predznak podaja »smer« spremembe (če nas ta ne zanima, uporabimo absolutno vrednost razlike). Podoba razlik ima obliko relativno ozke Gaussove krivulje, saj so razlike pogosto majhne in praviloma porazdeljene normalno. S pravilnim raztegom in barvnim prikazom (razdelka 16.2 in 16.3) lahko razlike med podobama prikažemo zelo jasno. Izhodna podoba za razliko od vhodnih zajame tako pozitivne kot negativne vredno- sti, kar pa je lahko pri nadaljnji obdelavi moteče. Zato jo pogosto nekoliko premaknemo oziroma ji prištejemo konstanto. Najpogosteje gre za polovico največje vrednosti, ki jo Slika 17.1: Z odštevanjem lahko določimo spremembe, do katerih je prišlo med zajetjem podob. 162 17.1 Aritmetične operacije (a) (b) (c) Slika 17.2: Infrardeči kanal posnetkov satelita Landsat, ki prikazuje Sorško polje, zajeto v razmiku osmih let, in sicer 18. avgusta 1992 (a) in 16. avgusta 2000 (b). Razlika podob (c) poudari spremembe, nastale v času med obema snemanjema. V sivi barvi so deli, ki se niso spremenili, temna in svetla pa pomenita zmanjšanje in povečanje odboja. pri dani radiometrični ločljivosti lahko zavzame (Rmax, pri osembitnih podobah je to 255) R I I max 2(x,y) − I1(x,y) dif (x,y) = + . (17.3) 2 2 Na taki podobi imajo območja, na katerih ni prišlo do sprememb, vrednosti okoli izbrane konstante, čemur ustrezajo srednje sive vrednosti. Območja z znatnimi spre- membami pa imajo vrednosti, ki so manjše ali večje – odvisno od »smeri« razlike – od konstante. Odštevanje podob je uporabno, na primer, za kartiranje sprememb spre- memb urbanih ali kmetijskih površin, določanje območij, kjer prihaja do krčenja gozda in podobno (slika 17.2). Če smo predhodno digitalne vrednosti na podobi pretvorili v radianco (razdelek 15.5), z odštevanjem dobimo absolutne razlike odbite energije. Množenje podob je operacija, ki jo v praksi zelo redko srečamo. Še najpogosteje jo uporabljamo za maskiranje določenih delov posnetka. Če nas zanimajo podrobnosti v delu podobe, na primer vodi, lahko vrednosti v ostali podobi postavimo na nič. Najprej 163 17 Transformacije podob Slika 17.3: Razmerje kanalov je zelo podobno na osvetljenem in na senčnem delu po- dobe, kljub temu da so vrednosti v posameznih kanalih zelo različne. ustvarimo dvojiško (binarno) masko, ki podaja vodne in nevodne površine, nato pa z množenjem ustvarimo podobo, ki vsebuje vrednosti le v izbranem območju. Deljenje podob ali računanje spektralnih razmerij je ena najpogostejših transformacij podob. Z razmerji lahko opazimo drobne razlike v spektralih odzivih različnih tipov površja. Z deljenjem podatkov dveh kanalov poudarimo spremembe naklona odbojnih krivulj, ki jih sicer ne opazimo zaradi sprememb znotraj enega samega kanala. Pomembna prednost spektralnih razmerij je zmanjšanje vpliva topografije in osve- tlitve opazovanega območja. Pri razmerjih namreč opazujemo relativne vrednosti in ne absolutnih, kar pomeni, da so rezultati bolj ali manj neodvisni od sprememb v osvetlje- nosti. Absolutne vrednosti odboja so sicer različne v odvisnosti od usmeritve glede na položaj Sonca, razmerje kanalov pa je od njegovega položaja neodvisno (slika 17.3). Deljenje podob lahko opravimo med poljubnima kanaloma iste podobe, skoraj nikoli pa ne uporabljamo podatkov različnih podob ali celo različnih senzorjev. Zaradi velike prednosti, ki jih razmerja prinašajo v interpretacijo, namesto enostavnega deljenja upo- rabljamo tudi zapletene, pogosto empirično določene transformacije, ki veljajo samo za posamezen senzor. Govorimo o tako imenovanih indeksih, na primer vegetacijskem, železovem, glinenem ... 17.2 Vegetacijski indeks Pojem spektralnega razmerja ima posebej velik pomen pri opazovanju vegetacije. Zdra- vo, to je živo rastlinje močno odbija svetlobo v bližnjem infrardečem delu elektromagnet- nega spektra, medtem ko rdečo svetlobo močno absorbira. Druge površine, na primer voda in gola prst, imajo skoraj enako odbojnost v obeh omenjenih spektralnih območjih. Razmerje bližnjega infrardečega in rdečega pasu imenujemo vegetacijski indeks IR V I = . (17.4) R Vegetacijski indeks je mnogo večji od ena za vegetacijo in približno enak ena za večino drugih snovi (vodo, prst ...). V primeru satelita Landsat in senzorja Thematic Mapper gre pri tem indeksu za razmerje kanalov 4 in 3. Ločevanje med vegetacijo 164 17.2 Vegetacijski indeks Slika 17.4: Vegetacijski indeks NDVI območja okolice Ljubljane podaja stanje oziroma zdravost vegetacije. V temni barvi vidimo predele s poškodovanim rastlinjem ali brez njega, v svetli pa so območja z zelo aktivno vegetacijo. in drugimi tipi tal je z uporabo razmerja navedenih kanalov precej lažje in predvsem jasnejše. Poleg tega lahko hitro odkrijemo območja nezdravega ali poškodovanega ra- stlinja. To ima manjši odboj v bližnjem infrardečem delu spektra in posledično manjše razmerje od zdrave vegetacije. Z zapletenejšimi razmerji ali indeksi, ki vsebujejo vsote in razlike kanalov, lahko vegetacijo in druge značilne predmete na površju še močneje poudarimo. Eden najbolj razširjenih indeksov za opazovanje vegetacije je normiran diferencialni vegetacijski in- deks (NDVI, normalized difference vegetation index). NDVI je bil razvit za opazovanje stanja vegetacije na večjih območjih, na primer na kontinentih ali na celotni Zemlji. Pri tem se v glavnem uporabljajo podatki senzorja AVHRR (Advanced Very High Re- solution Radiometer), ki se nahaja na satelitih skupine NOAA (razdelek 11.1.2). NDVI predstavlja razmerje med razliko infrardečega in rdečega kanala in njuno vsoto IR − R N DV I = . (17.5) IR + R Indeks NDVI zavzame vrednosti med −1 in +1, pri čemer višje vrednosti pomenijo bolj intenzivno vegetacijo. Primer indeksa, dobljenega iz posnetka satelita Landsat, podaja slika 17.4. V temnih tonih so prikazana območja s poškodovanim rastlinjem ali 165 17 Transformacije podob Mineralni indeksi Indeksi so relativno pogosti tudi v geofizikalnih aplikacijah daljinskega zazna- vanja. Praviloma so določeni empirično in prilagojeni posameznemu senzorju. Spodnja tabela podaja nekatere enostavnejše indekse za senzor Landsat The- matic Mapper. Indeks Razmerje železov oksid TM3/TM1 ilovnati minerali TM5/TM7 železovi minerali TM5/TM4 mineralni kompozit TM5/TM7, TM5/TM4, TM3/TM1 hidrotermalni kompozit TM5/TM7, TM3/TM1, TM4/TM3 brez njega, v svetlih pa območja z aktivno vegetacijo. Obstaja še cela množica bolj zapletenih vegetacijskih indeksov, ki skušajo odstraniti različne moteče dejavnike, na primer prst, vodo ... Pogosto vključujejo kombinacijo velikega števila kanalov, kot na primer indeks zelene vegetacije (GVI, green vegetation index), ki je za Landsat določen kot GV I = − 0,2848 T M 1 − 0,2435 T M 2 − 0,5436 T M 3 (17.6) + 0,7243 T M 4 + 0,0840 T M 5 − 0,1800 T M7. 17.3 Analiza osnovnih komponent Različni kanali večspektralnih senzorjev so si med seboj pogosto zelo podobni. Podatki senzorja Landsat TM imajo skoraj enake vrednosti v drugem in tretjem kanalu (ze- lena in rdeča). Odboj večine tipov tal je namreč v omenjenih dveh kanalih skoraj enak. Korelacijo med kanali in s tem podvajanje podatkov lahko zmanjšamo z uporabo poseb- nih transformacijskih tehnik, ki temeljijo na statističnih operacijah z večspektralnimi podatki in zahtevnejših obdelavah. Ena izmed pogostih transformacij za zmanjšanje števila kanalov se imenuje analiza osnovnih komponent (PCA, principal components analysis). Glavni namen transformacije PCA je zmanjšanje razsežnosti podatkov, to je števila kanalov, s povečevanjem informacijske gostote (slika 17.5). »Novi« kanali, ki jih dobimo s tem postopkom, se imenujejo osnovne komponente. Postopek skuša povsem statistično poiskati kar se da majhno število dimenzij s pestrim razponom vrednosti, to je veliko varianco. Postopek iskanja osnovnih komponent se začne z določanjem korelacij med posame- znimi kanali podobe (tabela 17.1). Z metodami linearne algebre nato poiščemo lastne vrednosti (eigenvalue) in njim pripadajoče lastne vektorje (eigenvector). Ti določajo smeri osnovnih komponent (osnovnih osi), to je smeri z največjim razponom vredno- sti oziroma največjo varianco. Nazadnje podatke v vhodni podobi zavrtimo in jim spremenimo merilo – pretvorimo jih v osnovne komponente (tabela 17.2). Z analizo osnovnih komponent lahko, na primer, sedem kanalov senzorja Landsat TM (slika 17.6) pretvorimo v zgolj tri kanale, ki vsebujejo skoraj 97 % informacij, 166 17.3 Analiza osnovnih komponent Slika 17.5: Transformacija PCA zmanjša število kanalov s povečevanjem informacijske gostote. TM1 TM2 TM3 TM4 TM5 TM6 TM7 povp. st.odkl. TM1 1,00 0,97 0,96 −0,08 0,66 0,62 0,85 59,99 10,15 TM2 0,97 1,00 0,98 0,02 0,75 0,65 0,89 25,80 6,47 TM3 0,96 0,98 1,00 −0,06 0,75 0,68 0,92 25,01 9,93 TM4 −0,08 0,02 −0,06 1,00 0,38 −0,04 0,07 67,36 14,06 TM5 0,66 0,75 0,75 0,38 1,00 0,64 0,91 65,61 21,91 TM6 0,62 0,65 0,68 −0,04 0,64 1,00 0,70 147,67 8,34 TM7 0,85 0,89 0,92 0,07 0,91 0,70 1,00 25,42 13,23 Tabela 17.1: Korelacija med kanali podobe satelita Landsat, prikazane na sliki 17.6. PC1 PC2 PC3 PC4 PC5 PC6 PC7 TM1 0,28 −0,27 −0,58 0,00 −0,37 −0,58 0,20 TM2 0,19 −0,13 −0,32 0,00 −0,09 0,23 −0,88 TM3 0,30 −0,25 −0,36 −0,03 0,07 0,73 0,42 TM4 0,13 0,86 −0,43 0,17 0,16 0,00 0,04 TM5 0,73 0,23 0,47 −0,20 −0,39 0,03 0,01 TM6 0,20 −0,14 0,16 0,95 0,01 −0,01 0,00 TM7 0,44 −0,17 0,03 −0,14 0,82 −0,27 −0,05 lastna vrednost 843,30 232,79 51,06 31,24 5,02 2,33 0,53 varianca (%) 72,31 19,96 4,38 2,68 0,43 0,20 0,05 skupaj (%) 72,31 92,27 96,65 99,32 99,76 99,95 100,00 Tabela 17.2: Osnovne komponente s pripadajočimi variancami za podobo na sliki 17.6. Vidimo lahko, da prve tri komponente vsebujejo skoraj 97 % vseh podatkov izvorne podobe. 167 17 Transformacije podob (a) (b) (c) (d) (e) (f) (g) Slika 17.6: Kanali 1 do 7 podobe satelita Landsat (a–g) Ljubljane in okolice. 168 17.3 Analiza osnovnih komponent (a) (b) (c) (d) (e) (f) (g) Slika 17.7: Osnovne komponente 1 do 7 (a–g) podobe s slike 17.6. 169 17 Transformacije podob vsebovanih v prvotnih kanalih (slika 17.7). Prve štiri osnovne komponente pa v prika- zanem primeru vsebujejo več kot 99 % izvorne podobe. Prva osnovna komponenta (a) v grobem predstavlja povprečje kanalov prvotnega posnetka (in je zato najbolj podobna vidnim kanalom 1 do 3). Druga (b) je skoraj enaka bližnjemu infrardečemu kanalu (4), tretja (c) pa srednjemu infrardečemu (5), zanimiva je tudi četrta (d), ki pokriva ter- mični kanal (6). Ostale komponente večinoma predstavljajo šum, jasno so, na primer, vidni pasovi skenerja. Interpretacija prvih nekaj osnovnih komponent, pa naj gre za digitalno ali vizualno, je preprostejša in bolj učinkovita od analize vseh kanalov določenega senzorja. Analizo osnovnih komponent lahko torej uporabimo kot tehniko izboljšanja podob, poleg tega jo lahko izkoristimo za zmanjšanje števila kanalov in s tem pospešitev in olajšanje digitalnih obdelav, predvsem klasifikacije podob (poglavje 18). Lahko jo uporabimo tudi za povečanje ločljivosti, če prvo osnovno komponento večspektralne podobe zamenjamo s pankromatsko visokoločljivo podobo. 17.4 Kauth-Thomasova transformacija S Kauth-Thomasovo transformacijo2 iz večkanalnega posnetka ustvarimo tako imeno- vano kompozitno podobo. Kompozit je trikanalna podoba, ki praviloma vsebuje tri različne podatke in je posebej primerna za prikaz na zaslonu. Ponavadi ga dobimo z uteženo vsoto vrednosti v različnih kanalih. Pri Kauth-Thomasovi transformaciji kot osnovne elemente kompozita določimo svetlost, zelenost in vlažnost površja. Transformacija temelji na empiričnih opazovanjih in uporablja enake ideje kot ana- liza osnovnih komponent. Pri slednji ustvarimo nove kanale (osnovne komponente) kot vsoto prvotnih kanalov. Kot smo videli, že prvih nekaj komponent vsebuje večino podatkov večspektralnega posnetka in bi slednjega lahko predstavili samo s tremi ka- nali. Vrednosti uteži za kombinacijo osnovnih kanalov so določene statistično, vendar lahko hitro opazimo, da so pri prvi komponenti kanali zastopani približno enako. Z drugimi besedami, prva komponenta je približno enaka vsoti (bolje rečeno povprečju) vseh kanalov oziroma svetlosti podobe. Z analizo osnovnih komponent ustvarimo zbirko pravokotnih osnovnih osi. Postopek je enak pri Kauth-Thomasovi transformaciji, le da temelji na empiričnih opazovanjih in ne na strogo matematičnih (statističnih) postopkih. Avtorja transformacije sta namreč z opazovanji ugotovila, da lahko z zasukom koordinatnega sistema kanalov določimo osi, na katerih sta zelo dobro predstavljena vegetacija in prst. Transformacija je odvisna od uporabljenih podatkov in je bila najprej razvita za senzor Landsat MSS. Kasneje so jo razširili na Landsat TM in še nekatere druge sisteme, tudi IKONOS in QuickBird. Kauth-Thomasova transformacija določi nove osi, ki se imenujejo svetlost (bright- ness), zelenost (greenness) in vlažnost (wetness). Vrednosti uteži za posamezne kanale senzorja Landsat TM podaja tabela 17.3. Svetlost je, kot rečeno, približno povprečje vrednosti v posameznih kanalih. Zelenost je povezana s kontrastom med vidnimi in bližnjimi infrardečimi kanali. Vlažnost pa je določena z razliko med srednjimi infra- rdečimi ter rdečim in bližnjim infrardečim kanalom. Ploskev, ki jo določata osi zelenost in svetlost, je povezana z vegetacijo, osi vlažnost in svetlost pa določata ploskev pr- sti. Kompozitno podobo, ki je rezultat Kauth-Thomasove transformacije, prikazuje slika 17.8. 2 Transformacija se v angleščini imenuje tudi tasseled cap po obliki, ki spominja na kapo s cofom. 170 17.5 Transformacija HSI Kanal Svetlost Zelenost Vlažnost TM1 0,3037 -0,2848 0,1509 TM2 0,2793 -0,2435 0,1793 TM3 0,4343 -0,5436 0,3299 TM4 0,5585 0,7243 0,3406 TM5 0,5082 0,0840 -0,7112 TM7 0,1863 -0,1800 -0,4572 Tabela 17.3: Koeficienti Kauth-Thomasove transformacije v primeru senzorja Lan- dsat TM. Slika 17.8: Kauth-Thomasova transformacija podobe senzorja Landsat TM. V rdeči, zeleni in modri barvi so prikazane svetlost, zelenost in vlažnost. 17.5 Transformacija HSI Barvni model HSI (hue, saturation, intensity ali barva, nasičenost in intenziteta) je poleg modela RGB (red, green, blue oziroma rdeča, zelena in modra) najpomembnejši način predstavljanja barv v računalniški grafiki. O njem smo podrobno govorili v raz- delku 16.1, tokrat pa si oglejmo, kako poteka transformacija med obema prostoroma in zakaj je pomembna. 171 17 Transformacije podob Pri pretvorbi med prostorom RGB in HSI ustvarimo iz kartezičnega koordinatnega sistema s pravokotnimi barvami prostor, ki ga določa dvojni stožec. Barva je podana s kotom (razpon vrednosti med 0 in 360◦), nasičenost in intenziteta pa s stopnjo (vrednost med 0 in 1). V barvnem prostoru RGB imajo vse barve pozitivne vrednosti, od 0 do največje mogoče vrednosti pri dani barvni globini. Pri osembitnih podobah, ki jih najpogosteje uporabljamo, je razpon od 0 do 255. Transformacija med navedenima barvnima prostoroma poteka v več korakih. Naj- prej je treba vrednosti za rdečo (r), zeleno (g) in modro (b) pretvoriti na razpon med 0 in 1 M − r R = , M − m M G = − g , (17.7) M − m M − b B = . M − m Pri tem so R, G, B rdeča, zelena in modra vrednost v obsegu od 0 do 1, M je največja in m najmanjša vrednost za omenjene barve. Intenziteto podaja enačba M + m I = . (17.8) 2 Enačbe za izračun nasičenosti v obsegu od 0 do 1 so  0 : M = m     M  − m S = : I ≤ 0,5 M + m (17.9)   M  − m  : I > 0,5  2 − M − m Enačbe za izračun barve v obsegu od 0 do 360◦ pa so  0 : M = m     60 (2 + b − g) : R = M H = (17.10) 60 (4 + r  − b) : G = M    60 (6 + g − r) : B = M Transformacija iz prostora HSI v RGB je zelo podobna in poteka v obratnem vrst- nem redu. Opisana pretvorba je uporabna iz več razlogov. V prostoru HSI lahko preprosto opravljamo določene operacije izboljšanja podob. Če podobo spremenimo iz prostora RGB v HSI in opravimo, na primer, razteg histograma na komponenti intenzitete, dobimo po obratni transformaciji podobo, ki ima hkrati povečan kontrast v vseh kanalih. Še pomembnejša pa je možnost združevanja podob različnih virov, kar imenujemo tudi podatkovna fuzija (data fusion). Veliko sodobnih senzorjev zajema podatke več- spektralno z manjšo ločljivostjo in pankromatsko z večjo (Landsat ETM+, SPOT, IKONOS, QuickBird ...). V tem primeru opravimo transformacijo večspektralnih po- dob v prostor HSI, zamenjamo intenziteto s pankromatsko podobo in opravimo obratno transformacijo. Tako dobimo podobo, ki ima dobre spektralne lastnosti in visoko pro- storsko ločljivost (slika 17.9). Podoben postopek lahko uporabimo tudi pri podobah različnih senzorjev in združimo podatke, na primer, satelitov Landsat in SPOT ali pa optičnih in radarskih snemalnih sistemov. 172 17.5 Transformacija HSI (a) (b) (c) (d) Slika 17.9: Združevanje grobe večspektralne (a) in natančne pankromatske (b) po- dobe lahko opravimo s transformacijo med prostoroma HSI in RGB. Izbrane tri kanale večspektralnega posnetka najprej pretvorimo v barvo, nasičenost in intenziteto. Inten- ziteto (c) nato zamenjamo s pankromatskim posnetkom in opravimo pretvorbo nazaj v prostor RGB. Rezultat (d) ohrani barve večspektralne in prostorsko ločljivost pankro- matske podobe. Vprašanja 1. Opiši transformacije podob in podaj njihov pomen. 2. Katere aritmetične operacije uporabljamo pri transformacijah? 3. Kaj je vegetacijski indeks? Kako je določen? 4. Kaj je analiza osnovnih komponent in zakaj je pomembna? 5. Opiši Kauth-Thomasovo transformacijo. 6. Opiši transformacijo HSI. 173 18 Klasifikacija podob Klasifikacija podob je eden najpomembnejših postopkov pri obdelavi daljinsko zaznanih podob, saj predstavlja povezavo med daljinskim zaznavanjem in geografskimi informa- cijskimi sistemi (GIS). Z njo namreč iz rastrske podobe, ki je primerna kot ozadje pri različnih prikazih in vizualnih analizah, dobimo kvantitativni sloj, ki ga kasneje lahko uporabimo v analizah s sistemi GIS. Kljub temu da je prikladno opazovati posnetke iz vesolja ali zraka, pa so vendarle šele tematske karte tiste, ki dajo podobam pomen. V naslednjih razdelkih bomo podali osnove za klasifikacijo, si ogledali nenadzorovano in nadzorovano klasifikacijo ter postopek ovrednotenja rezultatov. Glavni namen klasifikacije satelitskih in drugih posnetkov je prepoznavanje predme- tov na zemeljski površini. Pri vizualni interpretaciji poskuša operater določiti razrede rabe tal z iskanjem zaključenih skupin pikslov (poglavje 14). Digitalna klasifikacija pa razrede določi z upoštevanjem spektralnih informacij, to je »opazovanjem« sivih tonov na večspektralnih posnetkih. Z drugimi besedami tovrstno klasifikacijo imenujemo tudi spektralno prepoznavanje vzorcev (spectral pattern recognition). Tako pri vizualni in- terpretaciji kot pri digitalni obdelavi skušamo piksle na podobi razdeliti v razrede ali skupine, na primer voda, iglasti gozd, listnati gozd, koruza ... Postopek klasifikacije satelitskih posnetkov razdelimo na nekaj korakov: • izbira primernih posnetkov, • predobdelava, če je potrebna, • priprava testnih območij, • razvrščanje v razrede, • prepoznavanje razredov in • ovrednotenje rezultatov. Klasifikacijo posnetkov omogoča tako imenovani spektralni podpis ali spektralni od- ziv, to je značilen način odboja elektromagnetnega valovanja v odvisnosti od valovne dolžine (poglavje 5.1). Na sliki 18.1 je prikazan spektralni podpis treh različnih tipov tal, in sicer vode, prsti (golih tal) in zelene vegetacije. Vidimo, da se odbojnost močno spreminja z valovno dolžino in prav odvisnost odboja od valovne dolžine je tista, ki omogoča določanje spektralnih lastnosti in s tem ločevanje med različnimi predmeti. Tako kot je podpis značilnost posameznika, je tudi spektralni podpis značilna lastnost predmeta. Žal pri klasifikaciji nimamo na voljo celotnega podpisa predmeta, ki ga opazujemo. Namesto tega imamo množico diskretnih vrednosti, ki predstavljajo odboje v različnih 175 18 Klasifikacija podob Slika 18.1: Spektralni podpis različnih tipov tal (vode, prsti in vegetacije). Označeni so tudi kanali senzorja Landsat Thematic Mapper. kanalih uporabljenega senzorja.1 V primeru satelita Landsat in detektorja Thematic Mapper gre za sedem kanalov od vidne do infrardeče svetlobe (slika 18.1). Ti tako imenovani delni podpisi predmeta ne opišejo v celoti, ampak podajajo le njegove posa- mezne značilnosti. Manj ko imamo podatkov o predmetu (manj ko ima senzor kanalov), težje opravimo klasifikacijo. Če želimo, na primer, ločevati med omenjenimi tremi tipi rabe tal, imamo pa na voljo le prvi kanal satelita Landsat, utegnemo imeti težave. Odbojnost vode in rastlinja je namreč v tem delu elektromagnetnega spektra skoraj enaka. Podobno je tudi v petem kanalu, kjer se skoraj ne razlikujeta odbojnosti rastlin in prsti. S kombinacijo podatkov v obeh kanalih pa lahko razmeroma dobro ločimo vse tri navedene tipe tal (tabela 18.1). Tip tal TM 1 TM 5 voda nizek zelo nizek rastlinje nizek visok prst srednji visok Tabela 18.1: Dvokanalni podpisi (odbojnost) značilnih tipov površja. V splošnem velja, da večje število kanalov olajša ločevanje predmetov in s tem klasi- fikacijo. Seveda pa z nekritičnim dodajanjem informacij ne izboljšamo vedno rezultatov. V sosednjih kanalih imajo predmeti pogosto le rahlo različno odbojnost in torej ne pri- našajo novih podatkov, se pa zaradi povečanja pomnilniških zahtev precej upočasni postopek klasifikacije. Izbira »pravih« kanalov je torej zelo pomemben in hkrati zah- teven postopek, ki ga moramo opraviti, preden se lotimo klasifikacije. V poglavju 11 smo se podrobneje ukvarjali s satelitski sistemi in senzorji, namenjenimi opazovanju vremena (11.1), kopnega (11.2) in morja (11.3). Tabele pri opisih sistemov podajajo kanale posameznih senzorjev in njihovo uporabnost. 1 Pri hiperspektralnih senzorjih z več sto ali celo tisoč kanali lahko spektralni podpis opazujemo skoraj zvezno. 176 18 Klasifikacija podob Spektralni prostor Letalski ali satelitski posnetki so vedno podani v »običajnem« prostoru, ime- nujmo ga geografski prostor, to je tako kot površje v naravi »vidimo« (na spodnji levi sliki). Vsak piksel ima dve koordinati, na primer geografsko širino in dolžino, tretje koordinate pri satelitskih in letalskih posnetkih ponavadi ne upoštevamo. Pri določenih operacijah s posnetki, na primer pri manipulaciji histograma, pa tudi pri klasifikaciji, je koristno uporabiti večrazsežni spektralni prostor oziroma prostor spektralnih kanalov (feature space). V primeru dveh kanalov gre za del ravnine, pri treh za del prostora ... Koordinate v spektral- nem prostoru so sive vrednosti pikslov (na spodnji desni sliki). Histogram, na primer, je ponazoritev spektralnega prostora enega samega kanala. Pretvorba med geografskim in spektralnim prostorom je razmeroma enostav- na. Vsakemu pikslu iz geografskega sistema priredimo piksel v spektralnem na mestu, ki ga določajo njegove odbojnosti oziroma sive vrednosti v posameznem kanalu.  o  1(x,y)  o2(x,y)  X   geo(x,y) = . = Xspek(o1,o2, ...,on)  ..    on(x,y) Celotna klasifikacija pravzaprav poteka v spektralnem prostoru, šele rezultati se zapišejo z upoštevanjem geografskih koordinat. 177 18 Klasifikacija podob Kadar govorimo o razredih, moramo ločevati med informacijskimi razredi in spek- tralnimi razredi. Informacijski razredi so tiste kategorije, ki jih skušamo na podobah prepoznati, na primer različne vrste poljščin, vrste gozdov, geološke strukture in po- dobno. Spektralni razredi pa so skupine podobnih pikslov, glede na njihove sive vred- nosti v posameznih kanalih. Glavni namen pri klasifikaciji je iskanje povezave med spektralnimi in informacijskimi razredi. Pri tem je le redko mogoče dobiti povezavo enega spektralnega razreda z enim informacijskim. Pogosto obstajajo spektralni ra- zredi, ki ne ustrezajo nobenemu informacijskemu razredu, po drugi strani pa širokemu informacijskemu razredu pripada večje število spektralnih razredov. V gozdu, na pri- mer, se spektralni razredi ločijo po starosti, vrsti in gostoti dreves, pa tudi osvetljenosti in tako dalje. Glede na metodo dela delimo klasifikacijo podob na: • nenadzorovano in • nadzorovano. Glavna razlika med obema je način, kako ustvarimo spektralne podpise. Pri nadzo- rovani klasifikaciji operater določi manjša območja, kjer je določen tip rabe tal, raču- nalniški program pa iz njih izračuna spektralne podpise. Pri nenadzorovani klasifikaciji pa podpise ustvari program z matematičnim združevanjem (clustering) v n-razsežnem spektralnem prostoru. 18.1 Nenadzorovana klasifikacija Pri nenadzorovani klasifikaciji piksle razporedimo v razrede glede na njihovo »naravno« združevanje v spektralnem prostoru. Za razliko od nadzorovane pri nenadzorovani kla- sifikaciji v prvem koraku ne potrebujemo nikakršnega védenja o površju. Pri tem upo- števamo, da so vrednosti enake rabe tal (ali podobni predmeti) blizu v spektralnem prostoru, vrednosti različnih tipov rabe tal pa so daleč narazen. To je sicer nekoliko idealizirano, saj vedno pride do določenega prekrivanja razredov in je zato ločevanje precej težavno, poleg tega pa je, kot smo omenili, posamezni informacijski razred po- gosto sestavljen iz več spektralnih. Za nenadzorovano klasifikacijo lahko torej rečemo, da najprej z upoštevanjem številčnih vrednosti podatkov določimo spektralne razrede, ki jim v nadaljevanju priredimo informacijske razrede. Postopek nenadzorovane klasifikacije razdelimo na: • gručenje (združevanje v razrede) in • prepoznavanje razredov. Gručenje ali klastrska analiza (cluster analysis) je postopek združevanja večraz- sežnih podatkov v skupine ali gruče. Pri tem uporabljamo različne matematične algo- ritme, ki so praviloma računsko precej zahtevni. Najpreprostejši med njimi je K-Means (K-povprečje), ki temelji na iskanju podobnosti. Pri tem postopku naključno izbe- remo določeno število centrov gruč, glede na te centre v gruče razporedimo vse piksle posnetka z upoštevanjem metode najmanjše razdalje (posamezen piksel uvrstimo v ra- zred, od katerega centra je najmanj oddaljen). Nato znova izračunamo položaj centrov in postopek ponavljamo toliko časa, da so spremembe v klasifikaciji dovolj majhne. Ne- koliko izboljšan algoritem K-Means je ISODATA (iterative self-organizing data analysis 178 18.2 Nadzorovana klasifikacija Slika 18.2: Gruče v spektralnem prostoru. technique), ki ga najdemo v večini sistemov za obdelavo podob. ISODATA deluje di- namično, kar pomeni, da lahko združuje centre sorodnih razredov, briše majhne gruče in velike razdeli na več delov. Razredi, ki jih dobimo z gručenjem so spektralno homogeni in predstavljajo zaklju- čene celote. Vendar ne vemo, kateri rabi tal posamezna gruča ustreza. To določimo s tako imenovanim prepoznavanjem razredov, postopkom, pri katerem opazovalec ugo- tovi, kateri razredi se na posnetku nahajajo in jim dodeli ustrezne oznake. Nekaterim razredom ustreza samo ena gruča, drugim bolj zapletenim, na primer gozdu, pa jih priredimo več. 18.2 Nadzorovana klasifikacija Pri nadzorovani klasifikaciji za ustvarjanje spektralnih vzorcev uporabimo svoje pozna- vanje zemeljskega površja. Na nek način računalniški program »naučimo«, kaj je na primer voda in kaj trava, nato pa ta svoje znanje prenese na celoten posnetek. Postopek nadzorovane klasifikacije razdelimo na: • ustvarjenje in urejanje vzorcev in • razvrščanje v razrede (klasifikacija). Prvi in najpomembnejši korak pri nadzorovani klasifikaciji je izbira vzorcev. Pri tem operater na računalniškem zaslonu označi območja, kjer ve, da se nahaja določen tip površja. Pri nadzorovani klasifikaciji torej najprej določimo informacijske razrede, program za obdelavo posnetkov pa iz njih določi ustrezne spektralne. Ti so podani s spektralnim podpisom, ki ponavadi obsega povprečne, največje in najmanjše vrednosti, standardne odklone in podobno v vseh kanalih, ki jih imamo na razpolago (slika 18.3). Postopek določanja vzorcev poteka interaktivno, saj moramo kakovost informacijskih razredov ves čas preverjati in jih po potrebi izboljšati, dopolniti, premakniti ali zame- njati. 179 18 Klasifikacija podob Slika 18.3: Spektralni podpisi učnih (testnih) vzorcev. Za vsakega izmed razredov je treba izbrati dobre, to je homogene in dovolj velike učne vzorce. Slednje ponavadi določamo glede na poznavanje površja, pa tudi s primer- javo topografskih in različnih tematskih kart. Pri klasifikaciji oziroma razdelitvi v razrede vsak piksel na podobi primerjamo s poznanimi podpisi v vseh kanalih. Pri tem lahko uporabimo več različnih primerjalnih oziroma klasifikacijskih algoritmov, na primer: • metodo najmanjše razdalje, • paralelepipedno metodo ali • metodo največje verjetnosti. V izhodni tematski sloj zapišemo vrednost razreda, ki je pri danih vhodnih po- datkih najverjetnejši. Kakovost same klasifikacije je močno odvisna od uporabljenega algoritma. Pri metodi najmanjše razdalje razporedimo piksel v razred, od katerega povprečja je najmanj oddaljen (slika 18.4 a). V primeru na sliki bi piksel z oznako 2 dodelili v zgornjo desno kategorijo, kljub temu da verjetneje pripada zgornji levi. Metoda najmanjše razdalje je računsko zelo hitra, vendar je zaradi neupoštevanja razpršenosti pikslov bolj podvržena napakam. Pri paralelepipedni metodi poleg povprečja sivih vrednosti upoštevamo tudi njihovo razpršenost. Tako imenovano klasifikacijsko območje določata največja in najmanjša vrednost odboja v posameznem razredu (za vsak kanal posebej). V primeru dveh kana- lov gre torej za pravokotnik, v več razsežnostih pa za paralelepiped (kvader). Paralele- pipedna metoda piksel uvrsti v tisto kategorijo, v katero padejo njegove sive vrednosti (slika 18.4 b). V primeru, da piksel ne pade v noben razred, dobi oznako »neklasi- ficirano«. Težave pri klasifikaciji pa imamo tudi v primeru, ko se pasovi prekrivajo. Na sliki bi piksel 3 uvrstili v kategorijo neklasificirano. Precej težav pa bi imeli tudi s pikslom 1, ki bi lahko dobil oznako »neznano«. Paralelepipedna metoda je nekoliko počasnejša od metode najmanjše razdalje. Metoda največje verjetnosti upošteva pri razvrščanju pikslov tako povprečja razre- dov kot tudi variance in korelacije med njimi. Pri tem predvideva, da so piksli v spektralnem prostoru razporejeni normalno (Gaussovo). Metoda največje verjetnosti v omenjenem prostoru ustvari elipsoidne ploskve enake verjetnosti (v dveh razsežnostih 180 18.3 Ovrednotenje klasifikacije (a) (b) (c) Slika 18.4: Pri klasifikaciji uporabljamo več različnih algoritmov, na primer metodo najmanjše razdalje (a), paralelepipedno metodo (b) ali metodo največje verjetnosti (c). gre za običajno elipso; slika 18.4 c). Klasifikacija je v tem primeru bolj točna kot v prej- šnjih dveh, je pa seveda računalniško mnogo zahtevnejša. Kot lahko vidimo na sliki, bi z metodo največje verjetnosti vse »problematične« piksle razvrstili pravilno. Metodo največje verjetnosti lahko dopolnimo s podajanjem tako imenovane a priori (predhodno znane) verjetnosti. Ta pove, kako verjetno je, da na posameznem posnetku najdemo določeno rabo tal, na primer vodo. 18.3 Ovrednotenje klasifikacije Po razdelitvi v razrede nas pri klasifikaciji satelitskih posnetkov zanima tudi natan- čnost. Pri njenem ovrednotenju po celotnem posnetku porazdelimo večje število te- stnih »točk«, to je pikslov, za katere vemo, katero vrsto rabe tal vsebujejo. Slednje 181 18 Klasifikacija podob Slika 18.5: Rezultat nadzorovane klasifikacije satelitskega posnetka. ugotovimo bodisi s terenskim ogledom ali z opazovanjem podob manjšega merila, na primer letalskih posnetkov, ali natančnih tematskih kart. Vrednosti v znanih področjih nato primerjamo z rezultati klasifikacije in izračunamo odstotek prekrivanja. Z analizo kakovosti lahko tudi ugotovimo, kateri so največkrat napačno klasificirani razredi. Kakovost postopka klasifikacije podaja matrika napak (error matrix). Gre za ta- belo, ki primerja rezultat klasifikacije z referenčnim podatkom in za vsak razred podaja število pravilno in napačno klasificiranih pikslov. Matrika napak omogoča izračun več statističnih pokazateljev natančnosti in odkrivanje razredov, kjer je mešanje pikslov najbolj močno. Preglednica 18.2 prikazuje matriko, dobljeno na podlagi 800 vzorčnih točk pri oceni natančnosti klasifikacije pokrovnosti območja Krasa. Vidimo lahko, da so razredi precej dobro določljivi, še največ težav je z grmičevjem in kmetijskimi povr- šinami. Pri analizi natančnosti ločimo izdelovalčevo natančnost (producers accuracy) in upo- rabnikovo natančnost (users accuracy). Prva je namenjena analitiku, ki je izdelal kla- sifikacijo, in jo izračunamo kot delež pravilno klasificiranih referenčnih točk. Druga pa služi kot vodnik za zanesljivost rezultata kot sredstva za napovedovanje in je po- dana kot delež pravilno klasificiranih točk glede na celotno število točk v posamezni kategoriji. Preglednica 18.3 podaja oceno natančnosti za klasifikacijo območja Krasa. Natančnost presega 92 %, kar je zelo dober rezultat – splošno namreč velja, da je pri klasifikaciji natančnost nad 90 % dobra, nad 80 % pa zadovoljiva. Primerjamo lahko 182 18.3 Ovrednotenje klasifikacije Razred 1 2 3 4 5 6 7 Klasificirane 1 gozd 312 1 2 1 316 2 grmičevje 6 67 2 6 81 3 travniki 4 4 94 5 107 4 kmetijsko 3 10 1 128 5 147 5 pozidano 3 5 59 1 68 6 voda 1 19 20 7 odprto 1 2 58 61 Referenčne 329 84 99 145 65 19 59 800 Tabela 18.2: Matrika napak pove, kako zanesljivo so določeni posamezni razredi. S pri- merjavo klasificiranih in referenčnih točk (zajetih s posnetkov ortofoto) lahko v prikaza- nem primeru ugotovimo, da sta najpogosteje napačno klasificirani kategoriji grmičevje in kmetijsko. Natančnost (%) Razred Referenca Klasifikacija Pravilno Izdelovalec Uporabnik gozd 329 316 312 94,8 98,7 grmičevje 84 81 67 79,8 82,7 travniki 99 107 94 95,0 87,9 kmetijsko 145 147 128 88,3 87,1 pozidano 65 68 59 90,8 86,8 voda 19 20 19 100,0 95,0 odprto 59 61 58 98,3 95,1 Skupaj 800 800 737 Tabela 18.3: Ocena natančnosti klasifikacije, dobljena s primerjavo kontrolnih točk in posnetkov ortofoto. tudi izdelovalčevo in uporabnikovo natančnost in ugotovimo, da je bilo 95 % gozda pra- vilno klasificiranega (podatek za izdelovalca) in da 99 % območij, označenih kot gozd, ustreza dejanskemu stanju (informacija za uporabnika). Vprašanja 1. Opiši postopek klasifikacije satelitskih posnetkov. 2. Kaj je spektralni prostor? 3. Kaj je nadzorovana klasifikacija satelitskih posnetkov? 4. Kaj je nenadzorovana klasifikacija satelitskih posnetkov? 5. Kako ovrednotimo klasifikacijo? 183 19 Integracija podatkov V začetkih analognega daljinskega zaznavanja, ko je bil edini vir podatkov letalska fotografija, so bile možnosti integracije podatkov različnih virov zelo omejene. Stanje je precej drugačno danes, ko imamo na voljo podatke najrazličnejših senzorjev, praviloma v digitalni obliki. Povezovanje informacij je pogosto orodje pri interpretaciji in analizi. Integracija podatkov zajema kombiniranje podatkov z namenom pridobiti boljše ali več informacij (slika 19.1). Kot bomo podali v nadaljevanju, se pri tem ukvarjamo s povezovanjem: • veččasovnih, • večločljivostnih ali • večsenzorskih podatkov. Slika 19.1: Integracija podatkov daljinskega zaznavanja. 185 19 Integracija podatkov Slika 19.2: Integracija posnetkov različnih ločljivosti in različnih senzorjev. Prikazana je povezava večspektralnih podob Landsat in pankromatskih SPOT. O veččasovnem povezovanju podatkov smo govorili že v razdelku 17.1, kjer smo se ukvarjali z računanjem razlik med podobami. Podobe, zajete ob različnih časih, primerjamo in tako odkrijemo spremembe. Veččasovno opazovanje slednjih lahko dose- žemo s preprostimi metodami, kot je odštevanje, ali bolj zapletenimi, kot je primerjava večkratne klasifikacije ali celo klasifikacija z integriranimi podatki iz različnih obdobij. Večločljivostno povezovanje je uporabno v različnih aplikacijah. Povezovanje podat- kov visoke prostorske ločljivosti s podatki slabše ločljivosti lahko izostri podrobnosti na podobah in tako olajša prepoznavanje predmetov. Za tovrstne namene so zelo upo- rabni podatki satelitov, kot so Landsat, SPOT, IKONOS in QuickBird, ki imajo poleg pankromatskega kanala z visoko ločljivostjo tudi večspektralne z nižjo ločljivostjo. Če podatke obeh načinov snemanja združimo, ohranimo dobro spektralno ločljivost in po- večamo prostorsko. S tako imenovano večsenzorsko integracijo lahko združujemo podatke različnih sen- zorjev (slika 19.2). Pogost primer tovrstnega združevanja je povezava večspektralnih optičnih podatkov z radarskimi podobami (slika 19.3). Oba spektralno različna načina predstavitve površja drug drugega dopolnjujeta. Optični podatki poskrbijo za podrobne spektralne informacije, ki jih uporabimo za ločevanje tipov tal. Radarski posnetki pa poudarijo strukturne podrobnosti na površju. Osnovni pogoj za večsenzorsko integracijo je predhodna geometrična registracija podatkov, bodisi drugega glede na drugega ali glede na izbrani koordinatni sistem. Če imamo geokodirane podobe, lahko povežemo s podatki daljinskega zaznavanja tudi zunanje podatke, na primer, digitalni model višin. Model višin lahko uporabimo pri klasifikaciji podob, saj lahko z njim zmanjšamo vpliv naklonov, senc in nadmorske višine, s čimer lahko znatno izboljšamo kakovost klasifikacije. Digitalni model višin lahko uporabimo tudi za ustvarjanje trirazsežnih perspektivnih pogledov, pri katerih prek modela napnemo podobo daljinskega zaznavanja. S tem izboljšamo vizualizacijo in olajšamo interpretacijo (slika 19.4 a). 186 19 Integracija podatkov Slika 19.3: Intergracija podatkov optičnega (Landsat) in radarskega (ERS) senzorja. (a) (b) Slika 19.4: Perspektivni pogled (a) in integracija podatkov v sistemih GIS (b). Združevanje podatkov različnih tipov in virov, kot smo ga opisali, predstavlja vrhu- nec postopka analize in interpretacije podob. V digitalnem okolju, kjer so vsi podatki georegistrirani v skupnem koordinatnem sistemu, je možnost analiz in pridobivanja no- vih informacij ogromna. Podatke daljinskega zaznavanja lahko povežemo z geografskimi informacijskimi sistemi (GIS) in jih kot enakovreden informacijski sloj vključimo v ana- lize (slika 19.4 b). V GIS lahko vključimo vsak podatek z geografsko komponento, na primer digitalni model višin ali sloj prsti, gozdnih drevesnih vrst, cestnega omrežja in še veliko drugih. Ne nazadnje lahko v analizah z orodji GIS uporabimo tudi rezultate klasifikacije satelitskih posnetkov. Z uporabo in analizo različnih podatkov lahko pridobimo mnogo boljše in bolj na- tančne informacije kot z enim samim virom. Olajšamo lahko veliko obstoječih aplikacij in hkrati ustvarjamo nove. V poglavju 20 se bomo ukvarjali z nekaterimi primeri upo- 187 19 Integracija podatkov rabe tehnologije daljinskega zaznavanja in posebno pozornost posvetili tudi integraciji podatkov. Vprašanja 1. Opiši primer integracije podob. 188 20 Primeri uporabe Možnosti za uporabo daljinskega zaznavanja je ogromno. Nekatere so bolj zanimive, druge manj, nekatere raziskovalne, druge popolnoma rutinske ... Interpretirane podobe, zaznane iz satelitov in letal, lahko uporabljamo za: • določanje pokrovnosti in rabe tal ter njuno analizo in časovno primerjavo, • opazovanje vegetacije in njenih sprememb v različnem časovnem obdobju (sezon- sko, večletno), • napovedovanje stanja pridelkov v kmetijstvu in opazovanje posledic suše, • spremljanje stanja gozdov, zaraščanja in zmanjševanja njihovega obsega, • opazovanje vpliva človekove dejavnosti na vegetacijo, ocenjevanje ekološke škode, • spremljanje urbanih površin, • opazovanje posegov v prostor, • opazovanje legalnih in nelegalnih odlagališč odpadkov, • izdelavo modelov višin oziroma reliefa, • stereo opazovanje površja, • kartiranje, izdelavo topografskih in tematskih kart, • opazovanje kopenskih in morskih voda, opazovanje poplav, • napovedovanje vremena, opazovanje globalnih sprememb klime, • spremljanje in napovedovanje vremenskih ujm, • opazovanje oljnih madežev na morju, spremljanje ekoloških katastrof, • opazovanje naravnih nesreč, hitro kartiranje in oceno škode, • termično opazovanje • spremljanje emisij, toplotnega onesnaženja, učinka tople grede, • opazovanje (gozdnih) požarov, • modeliranje pojavov v okolju, • odkrivanje arheoloških najdišč in preteklih komunikacij, • geološko kartiranje, opazovanje prelomov, • odkrivanje nafte in rudnin, 189 20 Primeri uporabe Slika 20.1: Uporaba je zadnji korak postopka daljinskega zaznavanja. • opazovanje vulkanov in potresov, • opazovanje vojaških objektov in razkrivanje vojnih grozodejstev, • napovedovanje izbruhov bolezni, ki so povezane s podnebnimi in vegetacijskimi razmerami, • raziskave osončja, planetov (Mars, Saturn) in njihovih satelitov (Luna) ... Pregleden opis različnih aplikacij daljinskega zaznavanja močno presega obseg te knjige. Gre namreč za izrazito interdisciplinarno področje, ki je ves čas v razvoju. Novi snemalni sistemi in nove tehnike obdelave dajejo nove rešitve ali vedno boljše odgovore na zastavljena vprašanja. Bralec, ki ga zanimajo možnosti uporabe satelitskih in letalskih podob v določeni stroki, dobi največ informacij v publikacijah specializiranih revij in v svetovnem spletu. Spletni iskalnik Google v trenutku pisanja knjige indeksira več kot 50 milijonov strani o daljinskem zaznavanju (remote sensing), od katerih jih približno tri petine go- vori o aplikacijah. Poleg splošnih in namenskih knjig, na primer o obdelavi podob, uporabi v posamezni disciplini, obstaja več revij, ki so namenjene samo daljinskemu za- znavanju. Omeniti velja vsaj najpomembnejše, to je Canadian Journal of Remote Sen- sing, IEEE Transactions on Geoscience and Remote Sensing, International Journal of Remote Sensing, ISPRS Journal of Photogrammetry and Remote Sensing, Photogram- metric Engineering & Remote Sensing (PE&RS) in Remote Sensing of Environment. Domače publikacije, ki prinašajo članke o opazovanju iz satelitov in letal, so Geodet- ski vestnik, Geografski vestnik, Geografski zbornik, Geologija, Življenje in tehnika ter zborniki simpozijev Geografski informacijski sistemi v Sloveniji. V nadaljevanju si na kratko oglejmo nekaj primerov uporabe tehnologije daljinskega zaznavanja v Sloveniji. Pregled ne poskuša biti celovit, temelji pa na publikacijah, objavljenih v zadnjih nekaj letih. 190 20.1 Kartiranje in posodabljanje kart 20.1 Kartiranje in posodabljanje kart Topografske karte kljub vse širšemu razmahu številnih topografskih baz ostajajo po- memben vir in način predstavitve podatkov o stanju prostora. Zaradi vizualne nazor- nosti, celovitosti prikaza in preprostosti uporabe ostajajo podlaga za mnoge aktivnosti, vezane na prostor (Petrovič, 2006). Izdelovanje kart je eno najpomembnejših področij uporabe daljinskega zaznavanja – satelitskega za srednja in manjša merila in letalskega za velika merila. Najpomembnejši vir podatkov za kartografijo je letalsko snemanje – postopek prido- bivanja fotografij, pretežno namenjenih zajemu topografskih podatkov in evidentiranju stanja prostora. V Sloveniji sistematično ciklično snemanje izvajamo že od leta 1975. Fotografije so se zajemale v različnih merilih, od sredine devetdesetih let prejšnjega stoletja pa v enotnem merilu 1 : 17 400. Eden najpomembnejših izdelkov iz letalskih fotografij je ortofoto – skeniran posnetek, ki je z upoštevanjem centralne projekcije po- (a) (b) (c) (d) Slika 20.2: Primerjava simuliranih pankromatskih posnetkov visoke in srednje ločljivosti – 0,61 m originalni posnetek QuickBird (a), 1 m IKONOS (b), 5 m SPOT 5 (c) in 15 m Landsat 7 (d). Visokoločljivi satelitski posnetki imajo ločljivost, ki je primerljiva z letalsko fotografijo (Oštir, 2004). 191 20 Primeri uporabe snetka in modela višin transformiran (razpačen) v državni koordinatni sistem. Izdelek je v metričnem smislu enak linijskemu načrtu ali karti. Poleg tega so podatki cikličnega snemanja osnovni vir za zajem podatkov za različne topografske karte, v zadnjem času predvsem državne topografske karte v merilu 1 : 5000 (DTK 5) in 1 : 50 000 (DTK 50). Z uporabo stereoparov se določajo trirazsežni prostorski položaj posameznih objektnih tipov na teh kartah, poleg tega pa se uporabijo tudi za določitev tematskih atributov (Duhovnik, 2005; Petrovič, 2006). Večspektralni satelitski posnetki so primerni predvsem za tematsko kartiranje, na primer pokrovnosti, temperature tal, vegetacije, stopnje poseljenosti in podobno. Upo- rabljamo pa jih tudi kot vir podatkov za topografsko kartiranje manjšega merila. Po- snetki satelita SPOT, na primer, so primerni za ustvarjanje satelitskih ortopodob in izdelavo kart merila 1 : 50 000 in manj ... Za izdelavo ortopodob so na voljo tudi visoko- ločljive podobe satelitov IKONOS, QuickBird, OrbView-3, in EROS-1A (Kokalj et al., 2006). Slednje z metrsko ločljivostjo že posegajo do natančnosti, ki jo dosega letalska fotografija (slika 20.2). 20.2 Izdelava digitalnih modelov višin Digitalni model višin (DMV) je eden najpomembnejših podatkovnih slojev v analizah z geografskimi informacijskimi sistemi. Načini izdelave modelov višin so se sčasoma spre- minjali. Še vedno je najbolj v rabi klasična metoda izdelave modelov z interpolacijo, na primer podatkov iz plastnic in značilnih točk, zajetih s topografskih kart, ali pa vseh razpoložljivih višinskih podatkov. Že nekaj časa se uporablja tudi letalska fotografija, katere tehnologijo so prenesli tudi na področje optičnih in radarskih satelitskih sistemov (Triglav Čekada, 2004). Razvoj kinematičnih sprejemnikov GPS in inercialnih naviga- cijskih sistemov (INS) je olajšal letalsko fotogrametrijo, hkrati pa omogočil tudi razvoj lidarskega snemanja. Lidar je trenutno najbolj natančna tehnika za izdelavo modelov višin. Prvi poskusi izdelave DMV iz podob daljinskega zaznavanja v Sloveniji so bili ome- jeni na manjša območja. Sistematična izdelava se je začela s projektom digitalnega ortofota DOF 5. Ob izdelavi slednjega se je namreč z metodo avtomatskega slikovnega ujemanja zajemal tudi višinski model DMR 25 (Kosmatin Fras, 2004). Žal pa je iz- delava ortoforta potekala več kot deset let (konec leta 2002 je bila Slovenija pokrita v celoti), zaradi česar so bili izdelani modeli nehomogeni in zelo različne kakovosti. Pri uporabi več »listov« DMR 25 hkrati pride do znatnih odstopanj na robovih. Bolj homogena in precej hitreje izdelana sta bila modela višin, ki sta ju naročila Ministrstvo za obrambo in podjetje Mobitel. Francosko podjetje SPOT Image je v času od leta 1995 do 1999 izdelalo DMV z ločljivostjo 20 m iz stereo satelitskih posnetkov SPOT. Model zajema Slovenijo in približno stokilometrski pas okrog nje, pri obdelavi pa so bili narejeni tudi ortofoto posnetki ločljivosti 10 m (Logar, 2000). Za potrebe načrtovanja omrežja mobilnih komunikacij pa je Znanstvenoraziskovalni center SAZU s tehniko radarske interferometrije izdelal InSAR DMV 25 z ločljivostjo 25 m (slika 20.3). Model je kot vir uporabil radarske satelitske posnetke ERS-1 in 2 iz obdobja med 1995 in 1999, zajel pa je Slovenijo in 25-kilometrski obmejni pas. Sama obdelava je bila opravljena leta 1999 v manj kot pol leta (Oštir et al., 2000). Do leta 2006 je bil InSAR DMV 25 najbolj natančen in statistično homogen model za območje celotne države. 192 20.3 Določanje pokrovnosti oziroma rabe tal Slika 20.3: Digitalni model višin, ki je bil izdelan s tehniko radarske interferometrije za načrtovanje omrežja mobilnih komunikacij v podjetju Mobitel (Oštir et al., 2000). 20.3 Določanje pokrovnosti oziroma rabe tal Raba tal je definirana kot namen, za katerega ljudje izkoriščajo nek kos zemljišča (po- ljedelstvo, trgovinsko, industrija, rekreacija ...). Gre za precej abstrakten pojem, ki ga včasih ne moremo določiti objektivno niti s podrobnim ogledom. Pokrovnost po drugi strani pa predstavlja konkretne podatke o površju (redko pozidano, vegetacija, voda, travniki ...). Pokrovnost lahko neposredno opazujemo s tehnikami daljinskega zaznavanja. Daljinsko zaznavanje oziroma klasifikacija satelitskih posnetkov predstavljata na- tančno in cenovno ugodno alternativo klasičnim tehnikam kartiranja pokrovnosti. Te- renski pregled je primeren za manjša območja in občasne študije, ne moremo pa z njim v razumnem času z realnimi stroški pokriti večjih površin. Klasifikacija satelitskih in letalskih posnetkov se je v preteklosti izkazala za primerno izbiro, saj omogoča tako podrobno klasifikacijo kot hitro izvedbo in časovne primerjave. Za celotno območje Slovenije obstajajo številni digitalni sloji pokrovnosti oziroma rabe tal. Na Ministrstvu za kmetijstvo, gozdarstvo in prehrano, na primer, so izdelali lokacijsko natančne in lahko dostopne podatke o rabi kmetijskih zemljišč. Na svoji karti ločijo 21 razredov rabe tal, ki so bili dobljeni na podlagi vizualne interpretacije digitalnih posnetkov ortofoto (Kokalj in Oštir, 2005). Evropska okoljska agencija (European Environment Agency, EEA) je z namenom določitve smiselne razvrstitve pokrovnosti tal in izdelave kakovostne baze podatkov pri- pravila program za usklajevanje informacij o okolju z imenom CORINE (COoRdination of INformation on the Environment) Land Cover. Interpretacija je bila v Sloveniji prvič opravljena v letih 1996 in 1997, v letu 2003 pa je bil končan projekt I&CLC2000, ki opi- 193 20 Primeri uporabe Slika 20.4: Rezultat klasifikacije satelitskih posnetkov Landsat, ki je bila opravljena za načrtovanje omrežja mobilnih komunikacij. Klasifikacija vsebuje deset razredov, določenih glede na možnost širjenja elektromagnetnega signala (Oštir et al., 2000). suje stanje iz leta 2000 (Duhovnik, 2004). CORINE zelo natančno določa metodologijo in razdelitev kategorij na tri ravni ter omogoča časovno in prostorsko primerljivost na evropski ravni. Kot osnovni vir podatkov so bili uporabljeni ortorektificirani satelitski posnetki Landsat, sloj pokrovnosti pa je bil pridobljen z vizualno interpretacijo (Kokalj in Oštir, 2005). Statistični GIS pokrovnosti in rabe tal, izdelan na Statističnem uradu Republike Slovenije, združuje klasifikacijo posnetkov Landsat ter primerjavo in prekrivanje rezul- tata s pomožnimi zbirkami vektorskih podatkov. Njegova dobra stran je metodološka razčlenjenost in poznavanje metapodatkov virov, iz katerih je bil sloj izdelan, ter redno obnavljanje sloja, v primerjavi s slojem CORINE pa tudi manjša velikost celice (Šabić et al., 1998; Skumavec in Šabić, 2002). Na Znanstvenoraziskovalnem centru SAZU je bil za potrebe načrtovanja omrežja mobilne telefonije izdelan sloj pokrovnosti s klasično nadzorovano klasifikacijo satelit- skih posnetkov Landsat (slika 20.4). Kategorije so opredeljene glede na oviro, ki jo predstavljajo za potovanje elektromagnetnega signala (različne vrste urbanih površin, iglasti, listnati in mešani gozd, grmičevje, kmetijske površine, vode in odprte površine). Podatkovni sloj poleg ozemlja Slovenije vsebuje tudi petkilometrski obmejni pas (Oštir et al., 2000). Opazovanje satelitskih in letalskih podob, zajetih v različnih časih omogoča tudi ča- sovne primerjave in opazovanje sprememb. Petek et al. (2004) so na primeru Podolševe prikazali uporabnost letalskih posnetkov iz leta 1964. Posnetke so razpačili v obstoječi koordinatni sistem in jih primerjali z najnovejšimi posnetki ortofoto, po metodologiji, ki 194 20.4 Opazovanje gozdov je bila uporabljena za interpretacijo rabe tal pri že omenjeni karti kmetijskih zemljišč. Zanimiv pristop je uporabil tudi Krevs (2004), ki je med iskanjem načina izboljšanja kakovosti zajema rabe tal v Ljubljani in njeni mestni regiji preizkusil poševne in nav- pične stereoposnetke iz balona. Poleg tega je podatke daljinskega zaznavanja povezal s podatki o »uporabnikih prostora« (na primer o prebivalstvu, poslovnih in javnih de- javnostih) in »značilnostih območij« (na primer o reliefu). 20.4 Opazovanje gozdov Usmerjenost v trajnostni razvoj gozdov in njihovih funkcij zahteva učinkovito zbiranje gozdarskih informacij. V preteklosti je bilo v glavnem v uporabi terestrično opazovanje, ki pa je relativno zamudno in zato drago. Kot primerna alternativa ali celo kot glavni vir se v gozdarstvu uveljavlja daljinsko zaznavanje, še posebej opazovanje s sateliti visoke ločljivosti (SPOT 5, IKONOS, QuickBird). Zadnjih nekaj let pa zbuja vse več pozornosti tehnologija lidarskega snemanja, ki se uveljavlja tudi v Sloveniji (Kobler et al., 2006; Kobler in Zafran, 2006). Na področju daljinskega zaznavanja zemeljskega površja šteje lidar (laserski ana- log radarju) med najtočnejše in najpodrobnejše vire podatkov o rastlinskem pokrovu. Zaradi svojih tehnoloških posebnosti (prodiranje v notranjost gozdnega sestoja, triraz- sežna narava podatkov, prostorska ločljivost velikostnega reda decimetra ali celo manj) v sposobnosti pri ocenjevanju količine biomase in strukture gozdnih sestojev lidar pre- sega najnovejše pasivne senzorje. Glavna ovira hitrejšemu uveljavljanju lidarja je – poleg relativno visoke cene – za- pletena obdelava podatkov. Lidarski sistem ustvari dve podatkovni zbirki, in sicer po- datke o položaju snemalnega sistema, dobljene s sistemom pozicioniranja, in podatke o odbojih oziroma razdaljah. Iz obeh izračunamo točko odboja na površju in ji kot atribut pripišemo red odboja (prvi, drugi ... zadnji) ter, če je mogoče, tudi njegovo jakost. Končni rezultat snemanja je oblak točk, ki predstavljajo odboje na različnih predmetih, tako na tleh kot v vegetaciji in na objektih. Glavni izdelek obdelave podatkov lidarskega snemanja je digitalni model višin, poleg tega pa lidar prek digitalnega modela površja omogoča tudi pridobivanje podatkov o vegetaciji. Ločevanje odboja na tleh in v vegetaciji je eden najtežjih korakov obdelave in šele v zadnjem času se pojavljajo učinkoviti algoritmi, ki uspešno delujejo tudi v strmejših in vegetacijsko bolj gostih območjih (Kobler et al., 2006). Lidar omogoča opazovanje parametrov gozda in hkrati površja pod njim (slika 20.5). 20.5 Opazovanje naravnih nesreč Naravne nesreče predstavljajo veliko grožnjo prebivalstvu. Povzročajo ogromno ma- terialno škodo in zahtevajo veliko človeških življenj (v zadnjih 20 letih po vsem svetu več kot milijon). Možnosti njihovega napovedovanja so relativno omejene, zato jih je smiselno opazovati z vso razpoložljivo tehnologijo, pri čemer daljinsko zaznavanje pogosto predstavlja edino možnost. Za učinkovito uporabo satelitske tehnologije v primeru naravnih nesreč so pomemb- nejše vesoljske agencije ustanovile program Vesolje in velike nesreče (Space and Ma- jor Disasters Charter). Njegovi pobudnici sta bili leta 2000 Evropska vesoljska agen- cija (European Space Agency, ESA) in francoski Centre National d’Études Spatiales 195 20 Primeri uporabe (a) (b) Slika 20.5: Lidar omogoča opazovanje podrobnosti pod drevesnimi krošnjami. Primer- java digitalnega modela višin, ki vključuje vegetacijski pokrov (a) in modela golih tal (b) razkriva arheološko najdišče, ki ga na letalskih fotografijah ne opazimo, saj ga zakriva bujno drevesje (Kobler et al., 2006). 196 20.5 Opazovanje naravnih nesreč Slika 20.6: Perspektivni pogled območja plazu v Logu pod Mangartom. Prek digital- nega modela višin je napet izostren posnetek satelita SPOT (Oštir et al., 2002). (CNES), kasneje pa so se jima pridružile še Canadian Space Agency (CSA), National Oceanic and Atmospheric Administration (NOAA), Indian Space Research Organiza- tion (ISRO), Argentine Space Agency (CONAE), Japan Aerospace Exploration Agency (JAXA) in United States Geological Survey (USGS). Program predstavlja poenoten sis- tem zajema in distribucije podatkov satelitskega daljinskega zaznavanja ob nesrečah z naravnim ali človeškim vzrokom. Od začetka do danes je program opazoval že več kot sto katastrofalnih dogodkov, kot so poplave, požari, plazovi, potresi, hurikani, cunami, razlitje nafte ... Opazovanje plazu v Logu pod Mangartom predstavlja prvo študijo, ki je bila izvedena v njegovem okviru (Oštir et al., 2002). Območje zgornjega Posočja je 17. novembra 2000 prizadela ena hujših naravnih ne- sreč v Sloveniji, ko se je zaradi dolgotrajnega deževja in spleta neugodnih okoliščin s pobočja Mangarta utrgal plaz. Del strokovno večplastnih raziskav, namenjenih prouče- vanju vzrokov in posledic plazu, je predstavljala tudi obdelava satelitskih posnetkov in njihova povezava v sistem GIS (slika 20.6). Radarski posnetki, narejeni pred nesrečo in po njej, so omogočili določanje vlažnosti tal in opazovanje »odtekanja« vode. Optični posnetki pa so bili skupaj z digitalnim modelom višin InSAR DMV 25 uporabljeni za analizo plazu in njegovega vplivnega območja (Oštir et al., 2002). Ker je, kot rečeno, napovedovanje naravnih nesreč zelo težavna naloga, se raziskave pogosto usmerjajo v določanje območij, na katerih bi do nesreče lahko prišlo. Ko- mac (2005) se je ukvarjal s pojavljanjem plazenj na območju osrednjega dela Slovenije, zahodno do Ljubljane (slika 20.7). Proučeval je uporabnost visoko- in srednjeločljivih večspektralnih satelitskih posnetkov (Resurs-F2 MK-4 in Landsat TM) pri napovedova- nju lokacij plazov. Na podlagi uspešnosti klasifikacije je ugotovil najprimernejšo kom- binacijo kanalov satelitskih podob in najprimernejšo metodo klasifikacije za napoved 197 20 Primeri uporabe Slika 20.7: Karta napovedi plazovitih območij, dobljena z analizo satelitskih posnet- kov Resurs in Landsat. Z zeleno so obarvana območja z majhno stopnjo tveganja za nastanek plazov, z rdečo pa območja z veliko stopnjo tveganja (Komac, 2005). plazovitih območij. Pri tem je bila dosežena skoraj 80-odstotna uspešnost klasifikacije plazovitih in neplazovitih območij, s čimer je bilo dokazano, da je mogoče s podatki viso- koločljivih satelitskih posnetkov s precejšno natančnostjo napovedovati pojave plazenj, in to kljub prisotnosti vegetacijskega pokrova (Komac, 2005, 2006). Vprašanja 1. Opiši primer uporabe daljinskega zaznavanja. 198 Terminološki slovar Slovenska terminologija, povezana z daljinskim zaznavanjem, še ni v celoti definirana. Hitro razvijajoče se strokovno področje prinaša obilico novih izrazov in bolj ali manj ra- zumljivih okrajšav. V nadaljevanju je zato podan slovar najpogostejših pojmov, skupaj z angleškimi izvirniki in kratkimi definicijami. Seznam skuša podati ustrezna slovenska imena, lahko pa pričakujemo, da se bo z razvojem tehnologije in uveljavljanjem novih tehnik v vsakdanje življenje še spreminjal in dopolnjeval. Slovar je povzet in prirejen iz več tiskanih in spletnih virov (Canada Centre for Remote Sensing, 2006; Drobne in Podobnikar, 1999; Encyclopædia Britannica, 2006; FOLDOC, 2006; Henderson in Lewis, 1998; National Aeronautics and Space Admini- stration, 2006; Pahor et al., 2002; Strnad, 1991; Šumrada, 2005a,b; Tag’s Broadcasting Services, 2006; University of Nebraska-Lincoln, 2006; United Nations Educational, Sci- entific and Cultural Organization, 2006; Wikipedia, 2006a,b). absolutna temperatura seštevek treh čistih osnovnih barv pa je bela. absolute temperature Glej tudi osnovne barve Temperatura, merjena v stopinjah Kelvina. Ena stopinja Kelvina je enaka stopnji Celzija, Advanced Very High Resolution Radio- ničla 0 K (absolutna ničla) pa je −273,15 ◦C. meter Glej tudi temperatura Skener s petimi kanali, ki omogoča določanje oblačnosti, temperature površja in stanja ve- absorpcija getacije. absorption Glej tudi vegetacijski indeks, National Oce- Zmanjšanje jakosti elektromagnetnega valova- anic and Atmospheric Administration nja pri gibanju v snovi. Absorpcijo določajo dielektrične lastnosti materiala in je močno AIRSAR odvisna od valovne dolžine. Airborne Synthetic Aperture Radar absorpcijski pas akromatični vid absorption band achromatic vision Območje valovnih dolžin, ki ga snov (na pri- Občutljivost oči na spremembe svetlosti, ki mer atmosfera) absorbira. omogoča zaznavanje črno-belih slik. Glej tudi absorpcija Glej tudi barvni vid aditivne osnovne barve aktivni mikrovalovni instrument additive primary colours active microwave instrument Modra, zelena in rdeča. Osnovne barve, ki Najpomembnejši senzor na satelitih ERS; ra- s seštevanjem ustvarijo celotno barvno skalo, darski sistem, ki deluje v pasu C. 199 Terminološki slovar Glej tudi European Remote-Sensing satellite, antena radar antenna Naprava za sprejemanje ali oddajanje elektro- aktivni senzor magnetnih valov. active sensor Glej tudi radar Sistem daljinskega zaznavanja, ki za snema- nje uporabljaja lastni vir elektromagnetnega apogej valovanja. Tovrstni senzorji oddajajo valo- apogee vanje v smeri proti opazovanim predmetom, Točka eliptičnega tira nebesnega telesa, ki je nato pa merijo intenziteto odbitega valovanja. najbolj oddaljena od Zemlje. Primera aktivnega senzorja sta radar in lidar. Glej tudi perigej, tirnica Glej tudi pasivni senzor, radar, lidar, senzor ASF albedo Alaska SAR Facility Glej odbojnost atmosfera atmosphere AMI active microwave instrument Tudi ozračje; plinat plašč, ki obkroža Zemljo. Glej aktivni mikrovalovni instrument Plast ohranja Zemljina gravitacija, njegova se- stava se z naraščanjem nadmorske višine ne amplituda spreminja, se pa vsakih 5000 m prepolovi go- amplitude stota. Ozračje sestavljajo dušik, kisik, argon, 1. Merilo za jakost signala, »višina« elektro- ogljikov dioksid, vodna para in drugi plini. magnetnega vala. 2. Odklon od srednje vrednosti. atmosfersko okno Glej tudi valovanje, elektromagnetno valova- atmospheric window nje Območje valovnih dolžin, ki ga atmosferski plini (v glavnem vodna para, ozon in ogljikov diokosid) prepuščajo ali le malo absorbirajo. analiza osnovnih komponent principal component analysis Atmosferska okna določajo valovne dolžine, ki Tudi analiza glavnih komponent; tehnika za jih lahko uporabimo pri daljinskem zaznava- poenostavitev podatkovnega nabora z zmanj- nju. ševanjem razsežnosti in povečevanjem infor- Glej tudi atmosfera macijske gostote. Gre za linearno transforma- cijo podatkov v nov koordinatni sistem, ki ga atmosferski popravki atmospheric correction določajo smeri z največjo varianco v padajo- Postopek pri obdelavi podob, ki na podobah čem vrstnem redu (prva os predstavlja najve- skuša odstraniti vpliv potovanja elektromag- čje spreminjanje podatkov). netnega valovanja skozi atmosfero. Glej tudi atmosfera analogna fotografija analogue photo atribut Fotografija ali fotografski posnetek, pri ka- attribute teri (katerem) je zvezno spreminjanje vredno- Lastnost predmeta ali pojava, kateri koli ime- sti prikazano z zveznim spreminjanjem tona novani detajl, ki opredeljuje, klasificira ali iz- (sivine oziroma barve). Omogočajo jo zrna na raža stanje izbranega predmeta. fotografskem filmu. Glej tudi podoba, digitalna fotografija AVHRR Glej Advanced Very High Resolution Radio- anomalija meter anomaly 1. Območje na podobi, ki se opazno razlikuje azimut od povprečja oziroma okolice. Anomalije omo- azimuth gočajo prepoznavenje predmetov. 1. Kot med izbrano smerjo in geografskim se- 2. Tudi nepravilnost. verom. 200 Terminološki slovar 2. Relativni položaj predmeta znotraj vid- batimetrija nega polja radarske antene. Izraz ponavadi bathymetry uporabljamo za označevanje oddaljenosti v Določanje oblike morskega dna. vzdolžni smeri, to je v smeri leta satelita. baza azimutna ločljivost base azimuth resolution Razdalja med optičnima centroma prekrivajo- Ločljivost, ki je značilna za azimutno (vzdol- čih se podob pri stereo gledanju. žno) smer. Azimutno ločljivost določa Dop- Glej tudi razmerje med bazo in višino plerjeva pasovna širina radarskega sistema in je tem boljša, čim večja je dolžina antene. bit Glej tudi azimut, radar bit Osnovna in hkrati najmanjša podatkovna enota, ki se uporablja v računalništvu in teo- bajt riji informacij. En bit (ime bit izhaja iz an- byte gleškega izraza binary digit) predstavlja nek Tudi zlog; enota za količino podatkov oziroma podatek o opazovanem objektu, ki je lahko 1 velikost pomnilnika. En bajt ima osem bitov (da) ali 0 (ne) oziroma kateri koli dve drugi in omogoča 28 oziroma 256 vrednosti. izključujoči se stanji. Glej tudi bit Glej tudi bajt barva bližnja infrardeča svetloba hue near infrared light V barvnem sistemu HSI glavna valovna dol- Elektromagnetno valovanje z valovnimi dolži- žina oziroma barvni odtenek. nami tik nad rdečim delom vidne svetlobe, to Glej tudi barvni prostor HSI je med 0,7 µm in 2 µm. Glej tudi infrardeča svetloba barvni film colour film CCD Film, pri katerem barve ustrezajo barvam v Charge-Coupled Detector naravi. Sestavljen je iz treh slojev, ki so ob- Glej detektor CCD čutljivi na modro, zeleno in rdečo svetlobo. Glej tudi film, pankromatski film, infrardeči CCRS barvni film Canada Center for Remote Sensing CEOS barvni prostor HSI HSI colour space Glej Committee on Earth Observation Satel- Koordinatni sistem, ki barvne odtenke podaja lites z intenziteto, barvo in nasičenostjo. Glej tudi barvni prostor RGB CIS Conventional Inertial System barvni prostor RGB Clarkov obroč RGB colour space Clarke belt Koordinatni sistem, ki barvne odtenke podaja Pas v ekvatorialni ravnini, približno 36 000 km z osnovnimi barvami, to je rdečo, zeleno in nad površjem, v katerem sateliti krožijo okrog modro (red, green, blue). Zemlje s kotno hitrostjo, ki je enaka hitrosti Glej tudi barvni prostor HSI, intenziteta, njenega vrtenja. Pas, ki ga je leta 1928 pred- barva, nasičenost lagal Herman Potočnik, se imenuje po piscu Arthurju C. Clarku. barvni vid Glej tudi geostacionarna tirnica chromatic vision Sposobnost očesa za ločevanje barv. CNES Glej tudi akromatični vid Centre National d’Études Spatiales 201 Terminološki slovar Committee on Earth Observation Satel- je med približno 15 µm in 1000 µm. lites Glej tudi infrardeča svetloba Mednarodna organizacija, ki spodbuja rabo tehnologij daljinskega zaznavanja, postavlja deklinacija standarde in določa smernice razvoja. declination 1. Tudi odklon; kot v nebesnem ekvatorial- Coordinated Universal Time nem koordinatnem sistemu med ravnino ne- Tudi greenwiški čas; krajevni čas na geograf- besnega ekvatorja in umišljeno črto, poteka- ski dolžini greenwiškega observatorija. jočo od opazovalca do nebesnega telesa. Kot je pozitiven v smeri proti severu in negativen CSA v smeri proti jugu. Canadian Space Agency 2. Odklon magnetne igle od smeri sever–jug. Glej tudi inklinacija CTS Conventional Terrestrial System DEM Digital Elevation Model CZCS Glej digitalni model višin Coastal Zone Colour Scanner DEOS čakalni čas dwell time Delft Institute for Earth-Oriented Space Re- Čas, ki ga ima detektor na razpolago za opa- search zovanje posamezne celice. Glej tudi skener detektor detector Naprava, ki meri prisotnost in intenziteto časovna ločljivost temporal resolution elektromagnetnega valovanja. Detektor prek Časovna ločljivost pove, kako pogosto lahko opičnega sistema opazuje valovanje določe- snemamo iste dele Zemlje oziroma koliko nega dela površja pri izbrani valovni dolžini. časa preteče med dvema zaporednima snema- Glej tudi senzor njema. Glej tudi ločljivost detektor CCD charge-coupled detector črno telo Slikovni detektor, sestavljen iz integriranega blackbody vezja z mrežo povezanih svetlobno občutlji- Predmet, ki absorbira vso vpadno elektromag- vih elementov. Vsak izmed slednjih naboj, ki netno valovanje. Črno telo ne odbija in ne pre- je odvisen od intezitete vpadne svetlobe, pre- pušča valovanja, seva pa lastno valovanje, ki nese prek svojih sosedov na zunanje vezje, ki je odvisno od njegove temperature. ustvari podobo. Glej tudi Stefan-Boltzmannov zakon Glej tudi detektor daljinsko zaznavanje dielektričnost remote sensing dielectricity Znanost pridobivanja informacij o površju Snovna konstanta, ki pove, kako se snov (di- Zemlje, ne da bi z njo prišli v neposredni stik. elektrik) vede v zunanjem električnem polju. Pri tem zaznavamo in zapisujemo odbito ali Določena je kot razmerje med gostoto elek- sevano elektromagnetno valovanje, ga obde- tričnega polja v snovi in gostoto tega polja v lujemo, analiziramo in uporabimo v različnih praznem prostoru. aplikacijah. Glej tudi dielektrik daljnja infrardeča svetloba dielektrik far infrared svetloba dielectric Elektromagnetno valovanje z valovnimi dolži- Snov, v kateri lahko obstaja statično elek- nami, daljšimi kot pri termični infrardeči, to trično polje, ne da bi po njej tekel električni 202 Terminološki slovar tok. Dielektrik delno prepušča, delno pa za- digitalni model višin drži elektromagnetno valovanje. Električne digital elevation model lastnosti dielektrikov opišemo z dielektrično Računalniška predstavitev višin na določenem konstanto. območju, preprostejši približek zapisa digital- Glej tudi dielektričnost nega modela reliefa. Največkrat je zapisan kot dvorazsežna celična mreža z višinami kot atri- diferencialni interferogram buti. differential interferogram Glej tudi digitalni model reliefa, raster Podoba, ki nastane s primerjavo dveh interfe- rogramov. Diferencialni interferogram vsebuje dinamično območje informacije o spremembi v smeri razdalje, to dynamic range je poševno v smeri gledanja radarske antene. Razpon amplitud signalov (jakosti), ki jih nek Glej tudi interferogram sistem ima ali so prisotne v podatkovni da- toteki. Dinamično območje podajamo z naj- manjšo in največjo vrednostjo ali z razmerjem digitalizacija digitalization med njima. 1. Postopek pretvorbe analognega podatka v digitalno obliko. DLR 2. Postopek ustvarjanja rastrske ali vektorske Deutsches Zentrum für Luft- und Raumfahrt predstavitve podatkov v geografskih informa- cijskih sistemih. DMR Glej digitalni model reliefa digitalna fotografija digital photo DMV Glej digitalni model višin Fotografija, zajeta z elektronskim senzorjem. Glej tudi podoba, analogna fotografija DN Digital Number digitalna obdelava podob Glej digitalna vrednost digital image processing Uporaba računalniških algoritmov za obde- dolžina pulza lavo podob. Digitalna obdelava podob omo- pulse length goča uporabo širokega nabora postopkov, med Trajanje energijskega sunka (signala), ki ga iz- katerimi so oblikovanje in korekcija podatkov, seva radarska anatena ali laser. digitalno izboljšanje podob z namenom olajša- nja vizualne interpretacije, pa tudi samodejna Dopplerjev pojav klasifikacija, pri kateri predmete v celoti pre- Doppler effect pozna računalniški sistem. Pojav, pri katerem opazovalec, ki se gib- lje glede na izvir valovanja, zazna valova- digitalna vrednost nje s spremenjeno frekvenco. Ob približeva- digital number nju se frekvenca poveča, ob oddaljevanju pa Vrednost, ki jo ima piksel na digitalni po- zmanjša. dobi. Glej tudi Dopplerjeva frekvenca digitalni model reliefa Dopplerjeva frekvenca digital relief model Doppler frequency Računalniška predstavitev glavnih lastnosti Sprememba frekvence, ki ga povzroči rela- reliefa določenega območja. Digitalni model tivno gibanje senzorja glede na površino, ki jo reliefa ne vsebuje le prikaza površja samega, opazuje. Razpon Dopplerjevih frekvenc pri ra- ampak tudi njegov opis z nakloni, ekspozicijo darskih sistemih mora biti manjši od frekvence ter plastnicami, padnicami, točkami vrhov ter ponavljanja pulza, sicer opazimo na podobah z drugimi značilnimi črtami in točkami. nepravilnosti. Glej tudi digitalni model višin Glej tudi Dopplerjev pojav 203 Terminološki slovar DTM elipse. Digital Terrain Model Glej tudi referenčni elipsoid, rotacijski elip- Glej digitalni model reliefa soid, geoid dvigajoča tirnica Environmental Satellite ascending orbit Glej Envisat Tirnica, pri kateri satelit potuje od južnega proti severnemu polu. Envisat Glej tudi tirnica Tudi Environmental Satellite; satelit za opa- zovanje Zemlje, ki ga je leta 2002 izstrelila dvojiški številski sistem Evropska vesoljska agencija. Gre za nasle- binary numeral system dnika satelitov ERS, ki ima kar devet senzor- Tudi binarni številski sistem; številski sistem jev za zbiranje podatkov o površju, vodi, ledu z osnovo 2. Uporablja samo števki 0 in 1, in atmosferi. zato ga je preprosto uresničiti z elektronskimi Glej tudi European Remote-Sensing satellite vezji. Glej tudi bit EOS Earth Observing System ekvator equator ERS Tudi ravnik; v geografiji najdaljši vzporednik Glej European Remote-Sensing satellite na Zemljini površini, ki razdeli Zemljo na se- verno in južno poloblo (hemisfero). Po defi- ESA niciji je zemljepisna širina ekvatorja enaka 0◦. Glej European Space Agency Dolžina ekvatorja je približno 40075 km. ESRIN elektromagnetni spekter European Space Research Institute electromagnetic spectrum Oznaka za celoten razpon valovnih dolžin, ki ETM+ jih lahko zajame elektromagnetno valovanje. Enhanced Thematic Mapper Plus Z oznako elektromagnetni spekter pojmujemo Glej Thematic Mapper torej obseg valovanja, ki ga seva, odbija ali prepušča določeno telo. Spekter elektromag- European Remote-Sensing Satellite netnega valovanja ponavadi delimo na radijske Satelita, ki ju je (prvega 1991, drugega 1995) in mikrovalove, infrardečo, vidno in ultravijo- izstrelila Evropska vesoljska agencija. Njun lično svetlobo, rentgenske žarke in žarke gama. najpomembnejši del je aktivni mikrovalovni Senzorji daljinskega zaznavanja lahko opazu- instrument, to je umetno odprtinski radar, ki jejo površje le v manjšem delu spektra. deluje v pasu C. Glej tudi spekter Glej tudi aktivni mikrovalovni instrument, ENVISAT elektromagnetno valovanje electromagnetic radiation European Space Agency Valovanje električnega in magnetnega polja, Evropska vesoljska agencija (ESA) je evrop- ki potuje s hitrostjo svetlobe. Polji v valova- ska nadvladna organizacija, namenjena raz- nju sta drugo na drugo pravokotni in vzdržu- iskavam vesolja. Ustanovljena je bila leta 1975 jeta drugo drugo, nosita energijo in sicer vsako in ima trenutno 17 držav članic. Organizacija polje polovico. Temeljne zakone za opis elek- s sedežem v Parizu zaposljuje približno 2000 tromagnetnega valovanja je leta 1873 postavil ljudi in ima letni proračun 3 milijarde evrov. James Clark Maxwell. Njen glavni namen je biti gonilna sila, v pre- Glej tudi valovanje cejšnji meri pa tudi izvrševalec evropskega ve- soljskega programa. Njeni projekti se ukvar- elipsoid jajo z opazovanjem Zemlje, njene atmosfere, ellipsoid našega osončja in vesolja nasploh. Pomemben Geometrijsko telo, pri katerem so vsi prerezi del nalog je razvoj satelitske tehnologije (na 204 Terminološki slovar primer ERS, Envisat) in storitev ter promo- Glej tudi filter povprečja, filter mediana, La- cija vesoljske industrije. placeov filter, neusmerjeni filter, nizkoprepu- stni filter, smerni filter, visokoprepustni filter faza phase fotografija 1. Količina, ki s časom ali krajem enakomerno photo narašča in je argument sinusa ali kosinusa pri Slika predmetov, ki nastane z optičnim si- nihanju. Širše pojmujemo fazo kot količino, ki stemom v goriščni ravnini na filmu ali sen- določa trenutno vrednost nihajoče količine. zorju. 2. Kot, ki ga kompleksno število oklepa z re- foton alno osjo. photon Osnovni delec (energijski kvant) kvantizira- film nega elektromagnetnega polja. film Svetlobno občutljiva emulzija, nanešena na Fourierjeva transformacija plastično podlago (ponavadi poliester ali ce- Fourier transform luloid). Matematična operacija, s katero iz prostor- Glej tudi barvni film, infrardeči barvni film, ske porazdelitve dobimo frekvenčno in obra- pankromatski film, infrardeči pankromatski tno. Zelo učinkovit algoritem za opravljanje film Fourierjeve transformacije je FFT (Fast Fou- rier Transform). filter filter frekvenca frequency 1. Optična naprava, ki izbira valovne dolžine. Merilo za »hitrost« nihanja, ki podaja število 2. Računska operacija, ki poudari ali zakrije elemente z določeno frekvenco na podobi. nihajev v časovni enoti. Za elektromagnetna valovanja je produkt frekvence in valovne dol- Glej tudi filtriranje žine enak hitrosti svetlobe v snovi. Glej tudi valovna dolžina filter mediana median filter frekvenca ponavljanja pulza Prostorski filter, ki vrednosti na podobi nado- pulse repetition frequency mesti s srednjo vrednostjo (mediano) v njihovi Frekvenca, s katero radar oddaja zaporedne okolici. pulze (tudi število pulzov, ki jih radar odda v Glej tudi filtriranje sekundi). filter povprečja GCP mean filter Ground Control Point Prostorski filter, ki vrednosti na podobi nado- Glej oslonilna točka mesti z aritmetično sredino vrednosti v njihovi geodetski datum okolici. geodetic datum Glej tudi filtriranje Opredelitev določene referenčne ploskve (elip- soid, sferoid, krogla ...), njene lege in orienta- filtriranje cije glede na geoid. filtering Glej tudi geoid, elipsoid Metode obdelave podob, ki upoštevajo pro- storske razsežnosti podatkov (upoštevajo so- geodezija sede). S filtriranjem lahko odstranimo šum na geodesy satelitskih posnetkih, zgladimo ali poudarimo Znanstvena disciplina, ki se ukvarja z obliko meje med homogenimi območji in podobno. Zemlje in njenimi razsežnostmi (obliko po- Pri tem opazujemo spremembe v intenziteti, vršja, njenim gravitacijskim poljem in geodi- ki so praviloma postopne in le redko nenadne, namičnimi pojavi) ter določanjem lege in mer- in govorimo o »prostorski frekvenci«. jenjem na njej. 205 Terminološki slovar geografska dolžina geomatika longitude geomatics Tudi zemljepisna dolžina; ena od dveh sfer- Znanost oziroma tehnologija za upravljanje nih koordinat v geografskem koordinatnem geografsko opredeljenih podatkov, vključno z sistemu (λ), ki opisuje lego kraja na Zemlji za- njihovim pridobivanjem, shranjevanjem, pro- hodno ali vzhodno od izhodiščnega (greenwi- učevanjem in razširjanjem. škega) poldnevnika. Geografska dolžina je kot med ravnino izhodiščnega poldnevnika in rav- geometrijski popravki nino poldnevnika, na katerem leži točka; meri geometric correction se v stopinjah od 0◦ (Greenwich) do 180◦ v Postopek obdelave podob, ki odpravlja ali vzhodni in zahodni smeri. zmanjšuje njihovo geometrijsko popačenje. Glej tudi georeferenciranje geografska širina latitude georeferenciranje Tudi zemljepisna širina; ena od dveh sfernih georeferencing Tudi geokodiranje ali georegistracija; po- koordinat v geografskem koordinatnem siste- stopek izvajanja geometrijskih popravkov in mu (ϕ), ki opisuje lego kraja na Zemlji severno ali južno od ekvatorja. Geografska širina je vpenjanja daljinsko zaznanih podob v koor- dinatni sistem. Način določanja prostorskih kot med ravnino ekvatorja in smerjo normale koordinat objektov in pojavov v prostoru, (pravokotnice) na plašč rotacijskega elipsoida v izbrani točki. Pri geografskem koordina- ki predpostavlja obstoj ustreznega koordina- tnega sistema. tnem sistemu na krogli bi bil vrh kota v sredi- Glej tudi geometrijski popravki, oslonilna šču krogle, pri rotacijskem elipsoidu pa se vrh kota pomika po ravnini ekvatorja. Geografska točka širina se meri v stopinjah od 0◦ na ekvatorju geostacionarna tirnica do 90◦ v smeri proti severu in jugu. geostationary orbit Tirnica na višini okrog 36 000 km nad Zemljo, geografski informacijski sistem v kateri sateliti ves čas opazujejo isti del nje- geographic information system nega površja, saj krožijo s hitrostjo, ki ustreza Sistem za zajemanje, shranjevanje, vzdrže- hitrosti kroženja Zemlje. Geostacionarne tir- vanje, obdelavo, povezovanje, analiziranje in nice imajo ponavadi vremenski in telekomuni- predstavitev prostorskih geokodiranih podat- kacijski sateliti. kov. Geografski informacijski sistem sesta- Glej tudi Clarkov obroč, tirnica vljajo strojna oprema, sistemska in namen- ska programska oprema, uprabniške aplikacije, GIS zbirke prostorskih podatkov ter vzdrževalci in Geographic Information System uporabniki. Glej geografski informacijski sistem geoid GMS geoid Geostationary Meteorological Satellite Nepravilno telo, ki predstavlja obliko Zemlje in se razlikuje od geometrijsko pravilnega elip- GMT Greenwich Mean Time soida. Obliko geoida na morju določa povr- Glej šina mirujočih oceanov, na kopno pa ga po- Coordinated Universal Time daljšamo tako, da je povsod pravokoten na GOES navpičnico. Njegovo površje je nad celinami Geostationary Operational Environmental Sa- malo nad površino elipsoida, nad oceani pa tellite malo pod njo. Glej tudi elipsoid goriščna razdalja focal length geokoda Razdalja med optičnim centrom objektiva in geocode ravnino, v kateri je slika oddaljenih predmetov Glej koordinata ostra. 206 Terminološki slovar GPS Sistem, ki omogoča določanje položaja in na- Global Positioning System vigacijo z uporabo optičnih ali mehanskih na- Glej sistem globalnega pozicioniranja prav, kot so žiroskopi – vrtavke, ki so vrtljive okoli treh, med seboj pravokotnih osi. Greenwich Mean Time Glej tudi sistem globalnega pozicioniranja Glej Coordinated Universal Time Inertial Navigation System GURS Geodetska uprava Republike Slovenije Glej tudi inercialni navigacijski sistem hiperspektralni skener informacija hyperspectral scanner information Skener, ki podatke zajema v več sto kanalih Miselni pomen, ki ga ljudje pripisujejo podat- hkrati. kom z znanimi uporabljenimi načini njihove Glej tudi skener, večspektralni skener interpretacije in predstavitve. histogram infrardeča svetloba histogram infrared light 1. Grafično prikazana primerjava velikosti ali Elektromagnetno valovanje z valovno dolžino, strukture stanja, pojava s strnjenimi stolpci. ki je večja od valovne dolžine vidne svetlobe 2. Grafična ali tabelarična predstavitev vred- in manjša od valovne dolžine mikrovalov (od nosti, ki jih podoba vsebuje. Svetlost (ton) – 0,7 µm do približno 1000 µm). Segreta trdna oziroma vrednosti od 0 do 255 v primeru osem- telesa izsevajo večji del elektromagnetnega va- bitnih podatkov – je prikazana vzdolž abscisne lovanja kot infrardečo svetlobo, ki je človeško osi grafa. Pogostost ali frekvenca pojavljanja oko ne zaznava. vsake vrednosti na podobi pa je podana kot Glej tudi bližnja infrardeča svetloba, daljnja ordinata. infrardeča svetloba, srednja infrardeča sve- tloba, termična infrardeča svetloba hitrost svetlobe speed of light Ena najpomembnejših naravnih konstant, hi- infrardeči barvni film trost potovanja elektromagnetnega valovanja infrared colour film v praznem prostoru (c = 299 792 km/s). V Barvni film, ki je občutljiv na vidni in bliž- o prozornih snoveh je hitrost svetlobe manjša, nji infrardeči del spektra. Ponavadi podaja enaka je c /n, pri čemer je n lomni količnik. modrozeleno svetlobo v modri barvi, rdečo v o Po specialni teoriji relativnosti je hitrost sve- zeleni in infrardečo v rdeči. tlobe zgornja meja za hitrost potovanja del- Glej tudi film, barvni film cev, prenašanja energije in prenašanja signa- lov. infrardeči pankromatski film infrared panchromatic film ICA Film, ki je občutljiv na celotni del vidne in International Cartographic Association bližnje infrardeče svetlobe. Glej tudi film, pankromatski film IDL Interactive Data Language inklinacija inclination IFOV Instantaneous Field Of View 1. Tudi nagnjenost; v splošnem kot med refe- Glej trenutno vidno polje renčno ravnino in drugo ravnino ali smerjo. 2. Eden od šestih parametrov, ki opisujejo HSI obliko in usmerjenost tirnice satelita. Gre za Glej barvni prostor HSI kotno razliko med tirno in referenčno ravnino (ponavadi ravnino ekvatorja). inercialni navigacijski sistem 3. Odklon magnetne igle od smeri sever–jug. inertial navigation system Glej tudi deklinacija, tirnica 207 Terminološki slovar INS jih zajemajo senzorji, praviloma zasedejo le Inertial Navigation System manjši del razpoložljivega obsega vrednosti. Z Glej inercialni navigacijski sistem izboljšanjem kontrasta povečamo razpon vre- dnosti (raztegnemo histogram) in s tem olaj- InSAR šamo interpretacijo. Interferometric Synthetic Aperture Radar Glej tudi histogram intenziteta izboljšanje podob intensity image enhancement Količina, ki v barvnem sistemu HSI podaja Postopki obdelave podob, ki vključujejo teh- svetlost. nike, s katerimi spremenimo videz podobe in Glej tudi barvni prostor HSI olajšamo vizualno interpretacijo. Primera iz- boljšanja podob sta izboljšanje kontrasta in interaktivna obdelava filtriranje. Pri izboljšanju podob se vrednosti interactive processing pikslov spremenijo. Način obdelave, pri katerem izvedemo dolo- Glej tudi izboljšanje kontrasta, filtriranje čeno operacijo, si ogledamo rezultat ter glede na želeni cilj spremenimo vhodne parametre Japanese Earth Resources Satellite in postopek ponovimo. Satelit, ki ga je izstrelila Japonska leta 1992 in poleg optičnih senzorjev vsebuje tudi umetno interferogram odprtinski radar. interferogram Podoba, ki nastane s kompleksno konjugira- jedro nim množenjem dveh radarskih posnetkov in kernel vsebuje podatke o faznih razlikah med njima. Dvorazsežna matrika, ki določa operacijo in s Glej tudi interferometrija tem vrsto filtriranja. Glej tudi filtriranje interferometrija interferometry JERS Postopek obdelave kompleksnih radarskih po- Glej Japanese Earth Resources Satellite dob, pri katerem iz razlike njihovih faz dobimo višine nad referenčnim elipsoidom ali opazu- Jet Propulsion Laboratory Laboratorij v okviru ameriške vesoljske agen- jemo majhne premike zemeljskega površja. cije NASA. Glej tudi interferogram Glej tudi National Aeronautics and Space Ad- ministration interpretacija interpretation JPL Postopek, pri katerem posebej izurjen opera- Glej Jet Propulsion Laboratory ter (interpretator) opazuje podobe in iz njih pridobiva informacije. JRC Joint Research Centre interpretacijski ključ interpretation key kalibracija Lastnost ali kombinacija lastnosti, ki omogo- calibration čajo prepoznavanje predmetov na podobi. 1. Tudi umerjanje; postopek preverjanja Glej tudi interpretacija ustreznosti delovanja senzorja (ali druge na- prave). IR 2. Postopek, pri katerem vrednosti na podobi Glej infrardeča svetloba povežemo s fizičnimi količinami, kot so npr. odbojnost, geometrija (položaj in velikost) ali izboljšanje kontrasta faza. contrast enhancement Postopek obdelave podob, ki olajša interpre- kanal tacijo s spreminjanjem kontrasta. Podobe, ki band 208 Terminološki slovar Tudi pas; območje valovnih dolžin v elektro- meritev jih je zapisal nemški astrolog, astro- magnetnem spektru, ki ga opazuje posame- nom in matematik Johannes Kepler. Kepler- zni detektor. Sodobni senzorji daljinskega za- jevi zakoni so: znavanja praviloma snemajo v več kanalih in 1. planet se okoli Sonca giblje po elipsi, tako ustvarjajo večspektralne podobe. da je Sonce v enem od gorišč elipse; Glej tudi detektor, podoba, spektralna loč- 2. zveznica med Soncem in planetom opiše v ljivost, hiperspektralni skener, večspektralni enakih časih enake ploščine; skener 3. količnik kvadrata periode in kuba velike polosi elipse je za vse planete enak. Keplerjevi zakoni ne veljajo le za gibanje pla- karta map netov okoli Sonca, ampak splošno za kroženje Tudi zemljevid; je znakovna slika geografske lažjega telesa okoli dosti težjega telesa, na pri- resničnosti, ki prikazuje izbrane objekte ali mer satelita okoli planeta. lastnosti in je rezultat ustvarjalnega dela av- Glej tudi Newtonovi zakoni torja, namenjena uporabi, kjer so bistveni pro- storski odnosi. Gre za prikaz objektov, poja- klasifikacija vov ali njihovih lastnosti na površini Zemlje classification ali drugih nebesnih teles. Prikaz je pomanj- Eden najpomembnejših korakov pri obdelavi šan v določenem merilu, pogojno posplošen, daljinsko zaznanih podob, ki predstavlja pove- pojasnjen s kartografskimi znaki in matema- zavo med daljinskim zaznavanjem in geograf- tično konstruiran v določeni ravninski projek- skimi informacijskimi sistemi. S klasifikacijo ciji. Karte delimo na splošne geografske in iz rastrske podobe dobimo kvantitativen sloj, tematske – prve enakovredno prikazujejo pro- ki ga lahko uporabimo v analizah. Pri kla- stor z naravnimi (relief, vodovje, pokritost) sifikaciji gre za prepoznavanje predmetov na in zgrajenimi (naselja in objekti, prometnice, zemeljski površini na osnovi njihovih – pravi- meje) objekti in pojavi, medtem ko druge loma spektralnih – lastnosti. prikazujejo in analizirajo poudarjeno in po- Glej tudi nadzorovana klasifikacija, nenadzo- drobneje eno ali več vsebin splošne geografske rovana klasifikacija, predmetno usmerjena kla- karte, ali pojave, ki jih slednje ne prikazujejo. sifikacija Topografske karte so splošne geografske karte v velikih merilih (do 1 : 200 000). koherenca coherence Absolutna vrednost normaliziranega korelacij- kartografija skega koeficienta para posnetkov. V primeru, cartography Kartografija je znanost o zgodovini, načinih da je enaka ena, so faze med obema posnet- koma povsem »povezane«, kadar pa je njena prikaza, izdelavi, oblikovanju, uporabi in vzdr- vrednost nič, med njimi ni popolnoma nobene ževanju kart in ostalih kartam sorodnih prika- zov. »zveze«. Glej tudi interferometrija Glej tudi karta koherentni odbojnik Keplerjevi elementi coherent scatterer Keplerian elements Preprosta ali zapletena površina (na primer Nabor šestih neodvisnih konstant, ki določajo kotni odbojnik), pri kateri so odbita valova- tirnico. Vrednosti Keplerjevih elementov do- nja med seboj koherentna in tvorijo močnejši ločajo elipso ali hiperbolo, njeno usmerjenost signal, kot bi ga dobili pri sipanju na difuzni in položaj satelita. površini. Glej tudi Keplerjevi zakoni Glej tudi razpršeni odboj, zrcalni odboj, ko- herenca Keplerjevi zakoni Kepler’s laws kompleksno število Eksperimentalno pridobljeni zakoni, ki opisu- complex number jejo gibanje planetov okoli Sonca. Na osnovi Število z realnim in imaginarnim delom, ki ga 209 Terminološki slovar pri radarskih podobah uporabljamo za pred- kotni odbojnik stavitev amplitude in faze signalov. angular scatterer Kombinacija dveh ali več zrcalnih ploskev, ki komplementarne barve ne glede na vpadni kot, signal odbijejo na- complementary colours tanko v smer, iz katere je prišel. Kotne od- Barvi sta komplementarni, če z njunim meša- bojnike uporabljamo, na primer, pri radar- njem ustvarimo sivo, vključno s črno in belo. skem snemanju za določanje položaja oslonil- V večini barvnih sistemov ležijo komplemen- nih točk. tarne barve na nasprotnih straneh. Primera komplemetatnih barv sta modra in rumena. Landsat Glej tudi aditivne osnovne barve, subtrak- Skupina satelitov za opazovanje kopnega. tivne osnovne barve, osnovne barve Prvi satelit je leta 1972 izstrelila NASA, do sedaj pa je bilo v okviru izredno uspešnega kontekst programa zbranih ogromno podatkov, ki so context jih zajeli sateliti Landsat 1 do 7. Program Odnos med predmetom na podobi in njegovo je na začetku vodila NASA, leta 1983 pa ga je okolico. prevzela NOAA. Dve leti kasneje so ga komer- cializirali in tako ponudili podatke za najraz- kontrast ličnejše civilne in raziskovalne aplikacije. Vsi contrast sateliti Landsat se nahajajo v skoraj polar- 1. Razlika med svetlostima sosednjih območij, nih, sončno sinhronih tirnicah. Prvi trije sa- na primer med svetlostjo predmeta in njegove teliti (Landsat 1 do 3) so krožili okrog Zemlje okolice. Kontrast je povezan z radiometrično na višini približno 900 km, vsi naslednji sa- ločljivostjo, to je razponom vrednosti na po- teliti pa letijo (oziroma so leteli) nižje, in si- dobi. cer na višini približno 700 km. Sateliti so bili 2. Pod pojmom kontrast opisujemo tudi na- opremljeni z različnimi senzorji, po vrsti so sprotja med grafičnimi elementi, s katerimi to Return Beam Vidicon (RBV), MultiSpec- znake, na primer na karti, ločimo med seboj tral Scanner (MSS), Thematic Mapper (TM) in dosežemo jasnost prikaza. in Enhanced Thematic Mapper Plus (ETM+). Glej tudi izboljšanje kontrasta, radiometrična Senzorji ustvarjajo večspektralne podobe veli- ločljivost kosti 185 km krat 185 km, ki imajo pri novej- ših sistemih prostorsko ločljivost 30 m. koordinata Glej tudi MultiSpectral Scanner, Thematic coordinate Mapper Tudi geokoda; prostorskemu objektu pripisan podatek, ki podaja informacijo o geografskem Laplaceov filter položaju objekta v stvarnem okolju. Uporab- Laplace filter ljamo jo kot ključ za navajanje drugih podat- Vrsta neusmerjenega filtra, ki predstavlja kov, nanašajočih se na prostorski objekt. drugi odvod podobe (hitrost spreminjanja pr- vega odvoda) in omogoča odkrivanje robov koren povprečne kvadratne napake objektov ali območij. root mean square error Glej tudi filtriranje Kvadratni koren aritmetične sredine kvadra- tov, odstopanje vrednosti določenega podatka laser od povprečja. laser Okrajšava za Light Amplification by Stimu- kot gledanja lated Emission of Radiation oziroma ojačitev look angle svetlobe s spodbujano emisijo sevanja. La- 1. Smer gledanja senzorja daljinskega zazna- ser je naprava, ki z izkoriščanjem prehodov vanja. med energijskimi stanji molekul ali atomov 2. Kot med ravnino platforme radarskega si- ustvarja žarek elektromagnetnega valovanja, stema in smerjo širjenja radarskega valova- ponavadi v ultravijoličnem, vidnem ali infra- nja. rdečem delu spektra. Značilnosti laserske sve- 210 Terminološki slovar tlobe so velika intenziteta, enakomerna poraz- Razmerje med hitrostjo elektromagnetnega delitev intenzitete po preseku žarka, majhna valovanja v praznem prostoru in hitrostjo v divergenca, koherentnost in značilna valovna snovi. Oznaka za lomni količnik je n. dolžina. Glej tudi lom svetlobe Glej tudi lidar Mercatorjeva projekcija lažno barvna podoba Mercator projection false colour image Valjna konformna projekcija, ki je primerna za Barvna podoba oziroma prikaz, pri katerem upodabljanje celotne zemeljske površine. Pri so nevidni deli elektromagnetnega dela spek- Mercatorjevi projekciji se ohranjajo koti, pol- tra podani z eno ali več osnovnih barv (modro, dnevniki in vzporedniki se sekajo pod pravimi zeleno ali rdečo). Tako dobimo posnetek, ki ne koti, spremenijo pa se površine in razdalje. odseva stanja v naravi. Pogosta kombinacija Velikost popačenja se povečuje z oddaljenostjo prikazuje bližnjo infrardečo svetlobo v rdeči, od ekvatorja. rdečo v zeleni in zeleno v modri barvi. Glej tudi podoba merilo scale lidar lidar Razmerje med velikostjo na karti ali podobi in Okrajšava za LIght Detection And Ranging velikostjo v naravi. oziroma svetlobno zaznavanje in merjenje raz- dalj ali Laser Imaging Detection And Ran- mešani piksel ging oziroma lasersko snemanje, zaznavanje mixed pixel in merjenje razdalj. Gre za tehnologijo, po- Piksel, ki predstavlja odboj več različnih pred- dobno radarski, ki omogoča določanje razda- metov. Vrednost odboja je enaka povprečju lje do objektov ali površin z merjenjem časa posameznih odbojev. potovanja laserskega impulza. Lidar upora- Glej tudi piksel blja laserje, ki delujejo v vidnem in bližnjem infrardečem delu elektromagnetnega spektra. metapodatki Z njim lahko pridobivamo natančne podatke metadata o obliki zemeljskega površja, na primer za iz- Podatki o tehničnih in adminstrativnih značil- delavo digitalnega modela višin. nostih podatkov. Informacija, ki podaja vse- Glej tudi laser, radar bino podatkovne zbirke, način in čas njenega zajema, pogostost obnavljanja in podobno. ločljivost resolution Miejevo sipanje Sposobnost sistema za ločevanje pojavov ali Mie scattering lastnosti. V daljinskem zaznavanju poznamo Sipanje na delcih v atmosferi, ki so približno prostorsko, radiometrično, spektralno in ča- enako veliki, kot je valovna dolžina vpadlega sovno ločljivost. valovanja. Najpogostejši viri za to sipanje so Glej tudi časovna ločljivost, prostorska ločlji- prah, cvetni prah, dim in vodna para. Mie- vost, radiometrična ločljivost, spektralna loč- jevo sipanje močneje vpliva na daljše valovne ljivost dolžine in je usmerjeno. Glej tudi sipanje lom svetlobe refraction Sprememba smeri širjenja valovanja, ki na- mikrovalovanje stane zaradi spremembe hitrosti valovanja v microvawe radiation optično nehomogeni snovi ali pri prehodu iz Tudi radarsko valovanje; elektromagnetno va- ene v drugo snov. lovanje z valovno dolžino med 1 cm in 1 m. Glej tudi lomni količnik MODIS lomni količnik MODerate resolution Imaging Spectroradio- index of refraction meter 211 Terminološki slovar MOMS Glej tudi klasifikacija, nenadzorovana klasifi- Modular Optoelectronic Multispectral Scan- kacija ner nagib mozaik roll mosaic Naklon letala v smeri krila. Podoba, sestavljena iz več, praviloma barvno Glej tudi naklon, zasuk usklajenih, posnetkov istega območja. Z mo- zaiki pokrijemo večjo površino s posnetki iste- naklon ga sistema in omogočimo analizo ene same pitch večje podobe. Naklon letala v smeri kljuna in repa, ki pov- zroči spuščanje ali dviganje letala. mreža neenakih trikotnikov Glej tudi nagib, zasuk triangulated irregular network Način shranjevanja digitalnega modela višin, NASA pri katerem površje pokrijemo s trikotniki raz- Glej National Aeronautics and Space Admini- ličnih dimenzij in oblik. stration mrežni zapis NASDA grid format National Space Development Agency (of Ja- Glej raster pan) MSS nasičenost Glej MultiSpectral Scanner saturation 1. V barvnem sistemu HSI čistost barve. MultiSpectral Scanner 2. Stanje, ki ga detektor doseže ob preveliki Snemalni sistem na prvi generaciji satelitov vpadni energiji. Landsat (1 do 3). MSS je zajemal elektromag- Glej tudi barvni prostor HSI netno valovanje, odbito z zemeljske površine v štirih spektralnih pasovih. V vsakem izmed natančnost njih je imel prostorsko ločljivost 60 krat 80 m precision in šestbitno radiometrično ločljivost (zapisal Podatek, ki pove, kako zanesljivo določene je torej lahko 64 sivih vrednosti). Snemanje meritve predstavljajo opazovano količino. V je opravljala vrstična naprava z vrtečim zr- praktičnem pomenu natančnost opredelimo calom. Sistem je v vsakem prehodu zrcala v kot razliko med trenutno vrednostjo izbranega smeri vzhod–zahod hkrati zajel šest vrstic. podatka in povprečno vrednostjo več meritev Glej tudi Landsat, Thematic Mapper (primerljivo bolj natančno vrednostjo istega podatka). Merilo za natančnost je standar- nadir dni odklon. nadir Glej tudi točnost Tudi podnožišče; točka na zemeljskem po- vršju, ki se nahaja neposredno pod satelitom National Aeronautics and Space Admi- ali letalom. Nadir je presečišče vektorja med nistration središčem Zemlje in opazovalno platformo z Ameriška vladna agencija, odgovorna za ve- referenčno ploskvijo. soljski program in dolgoročne vesoljske raz- iskave, ki je bila ustanovljena leta 1958. nadzorovana klasifikacija NASA je v prvi vrsti civilna organizacija, ki supervised classification pa izvaja tudi vojaški vesoljski program. Zgra- Oblika klasifikacije posnetkov, pri kateri ope- dila, izstrelila in upravljala je številne sisteme rater določi učne vzorce, program (algoritem) daljinskega zaznavanje, na primer Landsat, pa ustvari njihove spektralne podpise. Piksle Aqua, Terra, Shuttle Radar Topography Mis- na podobi nato z uporabo različnih tehnik raz- sion ... deli glede na podane vzorce, pri čemer lahko Glej tudi Landsat, Shuttle Radar Topography nekateri piksli ostanejo neklasificirani. Mission 212 Terminološki slovar National Oceanic and Atmospheric Ad- Newtonovi zakoni ministration Newton’s laws Ameriška agencija, ki se ukvarja s proučeva- Zakoni, s katerimi je angleški fizik Isaac New- njem oceanov in atmosfere, v njenem okviru ton opisal gibanje teles. Predstavljajo temelj pa sta tudi meteorološka in geodetska uprava. dinamike in klasične mehanike. Newton je za- Odgovorna je za celo paleto satelitov za opa- kone prvič formuliral v svojem znanem delu zovanje vremena in kopnega, na primer GOES Philosophiae naturalis principia mathematica in POES s senzorjem AVHRR. (Matematična načela naravoslovja), ki je izšlo Glej tudi Advanced Very High Resolution Ra- leta 1687. Z orodji matematične analize, ki diometer jih je razvil, ter z zakonom težnosti je Newton pojasnil Keplerjeve zakone gibanja planetov. navpično pretiravanje Newtonovi zakoni gibanja so: vertical exaggeration 1. telo miruje ali se giblje premo enakomerno, Stopnja povečanja navpičnga merila v primer- če nanj ne deluje nobena sila ali pa je vsota javi z vodoravnim pri stereo modelu. vseh sil, ki delujejo nanj enaka nič; 2. pospešek je sorazmeren sili in ima smer sile; NDVI 3. če deluje prvo telo na drugo z dano silo, de- Normalized Difference Vegetation Index luje to na prvo z nasprotno enako silo. Glej normiran diferencialni vegetacijski in- Glej tudi Keplerjevi zakoni deks NGA nenadzorovana klasifikacija National Geospatial-Intelligence Agency unsupervised classification Oblika klasifikacije, pri kateri piksle razpore- nihajni čas dimo v razrede glede na njihovo »naravno« period združevanje v spektralnem prostoru. Pri ne- Čas trajanja enega nihaja. Nihajni čas je nadzorovani klasifikaciji v prvem koraku ne obratno sorazmeren s frekvenco. potrebujemo informacij o opazovanem po- Glej tudi frekvenca vršju, v drugem koraku pa moramo razrede prepoznati. nizkoprepustni filter Glej tudi klasifikacija, nadzorovana klasifika- low pass filter cija Filter, ki poudarja večje homogene površine, to je take z majhnim spreminjanjem tona, neselektivno sipanje hkrati pa zmanjša drobne detajle na podobi non-selective scattering in ga zato uporabljamo za glajenje podob. Sipanje na delcih, ki so mnogo večji od valovne Glej tudi filtriranje, visokoprepustni filter dolžine valovanja. Povzročajo ga predvsem vodne kapljice in veliki prašni delci. Neselek- NOAA tivno sipanje je ime dobilo zaradi dejstva, da Glej National Oceanic and Atmospheric Ad- na vse valovne dolžine vpliva približno enako. ministration Glej tudi sipanje normiran diferencialni vegetacijski in- nesistematično popačenje deks nonsystematic distortion normalized difference vegetation index Geometrijske nepravilnosti na podobah, ki Razmerje razlike med odbojem v infrardečem niso konstantne in jih ni mogoče napovedati in rdečem delu spektra in njuno vsoto. Določa iz lastnosti snemalnega sistema. stanje vegetacije. Glej tudi popačenje Glej tudi vegetacijski indeks neusmerjeni filter občutljivost nondirectional filter sensitivity Filter, ki deluje v vseh smereh enako. Stopnja oziroma način odziva senzorja na vpa- Glej tudi filtriranje, smerni filter dlo elektromagnetno valovanje. 213 Terminološki slovar obdelava SAR tnem sistemu. Izdelek je v metričnem smislu SAR processing enak linijskemu načrtu ali karti. Postopek pretvorbe zaznanega radarskega si- gnala (odbitega elektromagnetnega valovanja) oslonilna točka v podobo. Obdelavo SAR ponavadi naredijo ground control point v sprejemni postaji, takoj po zajetju podat- Tudi kontrolna točka; točka na zemeljskem po- kov. vršju, ki jo lahko prepoznamo na podobi in ima znane koordinate. Ponavadi gre za pred- obhodna doba mete z dobro definirano geometrijo, na pri- period mer sečišča linijskih elementov (rek, cest, že- Tudi orbitalna perioda ali tirna doba; čas, ki leznic ...) in podobno. Kontrolne točke upo- ga potrebuje planet ali kako drugo telo, da pri rabljamo pri georeferenciranju. svojem gibanju opravi pot enega polnega krož- Glej tudi georeferenciranje, vezna točka nega tira (tirnice). Glej tudi tirnica osnovne barve primary colours objektiv Nabor treh barv, ki z različno kombinacijo lens ustvari celotno paleto barv v vidnem delu Skupina ali sistem leč v snemalnem sistemu spektra. Obstajajo aditivne in subtraktivne (na primer fotografskem aparatu), ki prenese osnovne barve. sliko predmeta na film ali digitalni detek- Glej tudi aditivne osnovne barve, subtrak- tor. tivne osnovne barve oblika osončenost shape insolation Zgradba oziroma oris posameznih predmetov. Gostota energijskega toka Sonca, ki pade na Pogosto je najpomembnejši element interpre- površino Zemlje, izražena v W/m2. tacije podob. ozračje odboj Glej atmosfera reflection Sprememba smeri valovanja (na primer zvoč- PAF nega ali elektromagnetnega) pri stiku s povr- Processing and Archiving Facility šino. Glej tudi razpršeni odboj, zrcalni odboj paketna obdelava batch processing odbojnost Način obdelave podatkov, pri katerem raču- albedo nalnik več operacij izvede zaporedoma, brez Tudi albedo; razmerje med obitim in vpadnim uporabnikovega posredovanja. Pri tem gre elekromagnetnim valovanjem. Albedo 0 po- lahko za različne operacije z enim naborom meni, da telo ne odbija svetlobe, albedo 1 pa podatkov ali eno operacijo z različnimi po- pomeni popolno odbojnost za svetlobo. datki. Glej tudi črno telo pankromatski orbita panchromatic Glej tirnica Občutljiv na večji del vidnega spektra. Pan- kromatski detektorji ne ločijo različnih valov- ortofoto nih dolžin. orthophoto Podoba, ki je, z upoštevanjem parametrov pankromatski film centralne projekcije podobe in modela re- panchromatic film liefa, transformirana (razpačena) v ortogo- Tudi črno-beli film; film, ki je občutljiv na ce- nalno projekcijo podobe v izbranem koordina- lotni del vidne svetlobe. 214 Terminološki slovar Glej tudi film, barvni film, infrardeči pankro- Glej tudi Stefan-Boltzmannov zakon, črno matski film telo paralaksa platforma parallax platform 1. Razlika med dvema kotoma, na primer med Tudi nosilec; sistem, ki nosi instrumente vidnim kotom iskala (pri fotoaparatu, kameri) daljinskega zaznavanja. Platforme, ki jih upo- in snemalnim kotom objektiva. rabljamo pri daljinskem zaznavanju, so na 2. Kot med premicama, usmerjenima iz dveh tleh, letalih in balonih ter satelitih in vesolj- različnih opazovališč proti danemu točkastemu skih plovilih. telesu. podatek data pas C band C Predstavitev dejstev, zamisli in navodil na na- Mikrovalovno valovanje z valovno dolžino čin, ki je primeren za komuniciranje, interpre- blizu tacijo ali obdelavo. 5,6 cm (oziroma frekvenco 5,3 GHz). Po- leg pasu C uporabljajo radarski senzorji tudi pasove X, S, L in P. podoba image Glej tudi radar Tudi slika; digitalna predstavitev podatkov daljinskega zaznavanja v obliki matrike slikov- pasivni senzor nih elementov oziroma pikslov. Podoba lahko passive sensor predstavlja odbojnost ali lastno sevanje po- Senzor daljinskega zaznavanja, ki meri v na- vršja in je – odvisno od števila kanalov – eno- ravi obstoječo energijo. S pasivni senzorji ali več razsežna. Izraz poleg tega zajema tudi lahko zaznavamo samo takrat, ko je vir ener- vse rezultate obdelav, od preobdelave prek iz- gije prisoten, za odbito Sončevo svetlobo to boljšanja in transformacij do klasifikacije, mo- pomeni, da lahko snemamo samo podnevi. deliranj in simulacij. V najširšem pomenu je Glej tudi aktivni senzor, senzor podoba vsaka slika v rastrski obliki. Pojem je širši od posnetka, ki je predstavitev resnično- PCA sti, kot jo je zajel senzor. Principal Component Analysis Glej tudi posnetek, analogna fotografija, digi- Glej analiza osnovnih komponent talna fotografija, piksel, raster perigej podoba odboja perigee reflectance image Tudi prizemlje; točka eliptičnega tira nebes- Podoba, ki podaja delež odboja valovanja ozi- nega telesa, ki je najmanj oddaljena od Zem- roma razmerje med vpadno in odbito energijo. lje. Vrednosti so podane brezdimenzijsko, so (za Glej tudi apogej, tirnica razliko od vrednosti na podobi sevanja) neod- visne od količine vpadne energije (osvetlitve) piksel in odražajo fizične lastnosti opazovanega po- pixel vršja (brez atmosferskih in drugih vplivov). Tudi slikovni element (pixel, picture element); Glej tudi podoba sevanja, podoba najmanjši – praviloma kvadratni – del podobe. Piksel podaja sivo ali barvno vrednost dolo- podoba radiance čenega dela površja, izraženo s številčno vred- radiance image nostjo. Tudi podoba sevanja; podoba, ki podaja vred- Glej tudi raster, podoba nosti energije na senzorju ali površju (količina energije, podana v W/m2 srad µm). Podobo Plankov zakon sevanja na satelitu dobimo iz digitalnih vred- Planck’s law nosti z upoštevanjem načina delovanja (pre- Zakon, ki podaja odvisnost izsevane energije nosne funkcije) detektorja. Pri opazovanju črnega telesa od valovne dolžine. skozi atmosfero na sevanje vplivata sipanje in 215 Terminološki slovar absorpcija, zato moramo za določitev sevanja v določenem času pokrije večji del površja. na površju upoštevati atmosferske popravke. Glej tudi tirnica, skoraj polarna tirnica, geo- Podobe sevanja uporabljamo za kvantitativno stacionarna tirnica opazovanje sprememb, modeliranje in določa- nje lastnosti površja. polsfera Glej tudi podoba odboja, podoba hemisphere Polovica Zemlje, ponavadi dobljena z delitvijo podoba razlik v smeri sever–jug ali vzhod–zahod. difference image Podoba, ki jo dobimo z odštevanjem vrednosti pometajoči skener ene podobe od vrednosti druge podobe. Pri pushbroom scanner tem gre lahko za podobe istega ali različnih Glej vzdolžni skener senzorjev, posnete ob enakih ali različnih ča- sih in podobno. popačenje Glej tudi podoba, podoba sprememb distortion Spremembe oblike in položaja predmetov na podoba razmerij podobi glede na njihov položaj v naravi. ratio image Podoba, dobljena z deljenjem vrednosti ene posnetek podobe z vrednostmi druge. Pri tem gre pravi- picture, image loma za različne kanale istega večspektralnega Predstavitev resničnosti ne glede na način in posnetka, s čimer dobimo spektralna razmerja platformo zajema. Posnetek nastane z upo- ali indekse. rabo optičnih naprav (objektivi, zrcala ...) ter Glej tudi podoba analognega (filmska kamera) ali digitalnega senzorja (večspektralni skener, digitalna ka- podoba sprememb mera). Predstavlja sliko opazovanih predme- change-detection image tov, zajeto v določenem trenutku pri izbrani Razlika med podobama posnetima ob različ- valovni dolžini. Posnetek za razliko od podobe nih časih. Vrednosti so povezane s spremem- podaja vrednosti, ki jih je zajel senzor in ki bami, nastalimi v času med zajetjema. so le malo ali skoraj nespremenjene – zaradi Glej tudi podoba, podoba razlik lažjega prikaza in integracije v GIS je lahko geometrično in radiometrično popravljen in iz- pokrovnost boljšan. Podoba je za razliko od posnetka iz- land cover ključno v digitalni obliki in predstavlja širši Konkretna stvarnost, ki pokriva površje Zem- pojem, saj poleg podatkov samega senzorja lje, in jo lahko neposredno opazujemo, na pri- vključuje tudi rezultate analiz, transformacije mer gozd, travnik ... (na primer spektralna razmerja ali indekse), Glej tudi raba tal modele in interpretacijo (na primer karta po- krovnosti). polarizacija Glej tudi podoba polarization Usmerjenost vektorja električnega polja v poševna fotografija elektromagnetnem valovanju. Polarizacija je oblique photograph pri običajnih radarskih sistemih navpična ali Fotografija, ustvarjena poševno proti po- vodoravna, določa pa jo usmerjenost antene. vršju. Odbojnost mikrovalovanja je praviloma odvi- sna od njegove polarizacije. poševna razdalja slant range polarna tirnica Razdalja med radarskim sistemom in točkami polar orbit na podobi v smeri žarka. Tirnica satelita, ki leti na razmeroma majhni Glej tudi razdalja, razdalja na površju oddaljenosti (nekaj sto kilometrov) od površja v smeri sever–jug. Z izkoriščanjem vrtenja poudarjanje robov Zemlje, ki poteka v smeri zahod–vzhod, senzor edge enhancement 216 Terminološki slovar Postopek obdelave podob, ki poudari robove semantičnih informacij, ki niso prisotne v po- in linije na podobi. sameznih pikslih. Pri tem prepoznavamo Glej tudi rob, Laplaceov filter predmete (objekte) in razmerja med njimi. Glej tudi klasifikacija povezava association predobdelava Medsebojna razmerja med opazovanim pred- preprocessing metom in drugimi prepoznanimi predmeti ali Postopki, s katerimi iz daljinsko zaznanih pojavi v njegovi okolici, ki omogočajo inter- podob odstranimo nepravilnosti, na primer pretacijo na abstraktni ravni. radiometrične in geometrijske, jih vpnemo v izbrani koordinatni sistem in pripravimo za povratno sipanje analize. backscattering Valovanje, ki ga predmeti na zemeljskem po- prekrivanje vršju izsevajo nazaj proti sprejemni anteni. overlap Intenziteta povratnega valovanja je odvisna Delež površja, ki ga pokrivata podobi, posneti od odbojnosti površja. iz sosednjih položajev. Glej tudi sipanje prekrivanje v prečni smeri sidelap precesija precession Prekrivanje med podobami sosednjih letov (na 1. Način gibanja osno simetrične vrtavke (na primer tirnic). primer žiroskopa) pod vplivom zunanjega na- Glej tudi prekrivanje vora, denimo takrat, ko vrtavka ni podprta v težišču. Pri precesiji os vrtenja ne miruje, am- prekrivanje v smeri leta forward overlap pak se giblje tako, da opisuje plašč stožca. Prekrivanje med podobami v isti liniji leta. 2. Počasno gibanje tirne ravnine satelitov Glej tudi prekrivanje glede na zemeljsko os, ki ga povzroči splošče- nost Zemlje na polih. prevračanje layover prečna Mercatorjeva projekcija Skrajna oblika višinskega popačenja oziroma transverse Mercator projection približevanja, pri kateri so vrhovi osvetljenih Valjna konformna projekcija, ki je podobna predmetov (na primer gora) bliže radarju kot Mercatorjevi projekciji, le da je valj zasukan njihovi nižji deli (vznožja). Takšni predmeti za 90◦ in se prilega Zemljinemu elipsoidu v iz- so videti, kot bi se prevrnili proti radarju. branemu poldnevniku. Glej tudi približevanje Glej tudi Mercatorjeva projekcija prevzorčenje prečni skener resampling cross track scanner Izračun vrednosti novih pikslov z upošteva- Skener, ki površje opazuje s premikanjem sen- njem starih, praviloma pri geometrijski trans- zorja oziroma njegovega vidnega polja pra- formaciji podobe. Matriko nove podobe do- vokotno na smer gibanja platforme (prečno). bimo iz vrednosti na stari, tako da upošte- Vsako vrstico zabeleži pri prehodu iz ene vamo položaj pikslov in uporabimo enega od strani na drugo, pri čemer uporablja nihajoče interpolacijskih algoritmov (najpogosteje me- ali vrteče zrcalo. Ker se nosilna platforma pre- todo najbližjega soseda, bilinearno interpola- mika naprej, lahko z zaporednimi vrstami se- cijo in kubično konvolucijo). Pri prevzorčenju stavi dvorazsežno podobo površine Zemlje. pride običajno do izgube oziroma spremembe Glej tudi skener, vzdolžni skener vhodnih podatkov. predmetno usmerjena klasifikacija PRF object-oriented classification Pulse Repetition Frequency Postopek klasifikacije podob z upoštevanjem Glej frekvenca ponavljanja pulza 217 Terminološki slovar približevanje radar foreshortening radar Posebna oblika višinskega popačenja, pri ka- Oznaka za RAdio Detection And Ranging, teri so območja, obrnjena proti radarju, v pri- radijsko zaznavanje in določanje razdalje. merjavi z območji na ravnem površju, navi- Elektromagnetni senzor, ki meri jakost mikro- dezno stisnjena. Približevanje je posledica na- valovnega signala, ki ga izseva antena in odbi- klona površja in je najbolj izrazito za površine, jajo oddaljene površine oziroma predmeti na ki so pravokotne na smer radarskega valova- njih. Osnovni sestavni deli radarja so oddaj- nja. nik, antena, sprejemnik in sistem za obdelavo podatkov. Umetno odprtinski radarji imajo prodiranje tudi poseben del za obdelavo podob, ki pa je penetration lahko fizično povsem ločen od prej omenjenih. Vstop in delna prepustnost valovanja v do- Radarji delujejo pri različnih valovnih dolži- ločeni snovi. Mikrovalovi lahko prodirajo v nah oziroma frekvencah (pasovih X, C, S, L, suh pesek ali skozi (nevlažne) drevesne kro- P). šnje. Laser lahko prodre skozi vegetacijo. Glej tudi umetno odprtinski radar, radar boč- nega pogleda, pas C projekcijski center projective center Tudi perspektivni center; optični center po- radar bočnega pogleda side looking radar dobe. Radar, ki površje Zemlje opazuje nekoliko vstran od nadirja. Tako danes delujejo vsi sa- prostorninsko sipanje volume scattering telitski in večina letalskih radarskih sistemov. Večkratni odboj valovanja znotraj določene Glej tudi radar, umetno odprtinski radar snovi, ki ni pregosta in ne absorbira valovanja v celoti (na primer v drevesnih krošnjah). RADARSAT Glej tudi sipanje Radarski satelitski sistem, ki ga je Kanada iz- strelila leta 1995 in z radarjem pasu C opazuje prostorska ločljivost Zemljo v različnih slikovnih načinih. spatial resolution Tudi ločljivost v prostoru; razdalja, pri kateri radianca sosednja predmeta na podobi še lahko ločimo radiance med seboj. Prostorska ločljivost predstavlja Tudi sevanje; postopek oddajanja energije v velikost najmanjšega predmeta, ki ga na po- obliki valovanja. Radianco podajamo s koli- dobi zaznamo. čino energije, ki gre skozi ali jo oddaja po- Glej tudi ločljivost vršina v določenem kotu in smeri (enota je W/m2 srad). pulz Glej tudi elektromagnetno valovanje, podoba pulse radiance Skupina valov z različnimi valovnimi dolži- nami, ki so porazdeljeni znotraj kratkega ča- sovnega intervala. Kratki pulzi imajo lahko radiometrična ločljivost veliko energijo. radiometric resolution Sposobnost senzorja za ločevanje (sivih) vred- raba tal nosti na podobi. Tovrstna ločljivost pove, land use kako dobro sistem ločuje majhne razlike v Namen, za katerega ljudje izkoriščajo neko energiji valovanja oziroma koliko različnih si- zemljišče, s poudarkom na njegovi funkcijski vin (barv) lahko poda. Izražamo jo v bitih, na vlogi v ekonomskih aktivnostih, na primer in- primer 8-bitna, 11-bitna ... dustrija, rekreativne površine ... Je abstrak- Glej tudi ločljivost tna in je včasih ne moremo objektivno določiti niti s podrobnim ogledom. raketoplan Glej tudi pokrovnost space shuttle 218 Terminološki slovar Tudi vesoljski čolniček; vesoljsko plovilo s po- razdaljna ločljivost sadko, ki vzleti kot raketa in pristane kot le- range resolution talo. NASA uporablja raketoplane za številne Ločljivost v smeri razdalje; določa jo dolžina projekte opazovanja površja, od katerih je ver- radarskega pulza (krajši ko je ta, boljša je loč- jetno najpomembnejši Shuttle Radar Topo- ljivost). graphy Mission. Glej tudi ločljivost, razdalja Glej tudi Shuttle Radar Topography Mission razgibanost površja relief variation raster raster Merilo za stopnjo spreminjanja višin in za zna- Oblika zapisa podatkov, pri kateri vrednosti čilne razdalje na površju. Razgibanost je ve- podajamo v središčih ali ogliščih pravilne kva- lika, če so spremembe velikostnega reda va- dratne mreže. Vrednosti so podane z matri- lovne dolžine uporabljenega valovanja. kami številskih vrednosti. Točnost rastrske predstavitve je odvisna od velikosti mrežnih razmerje med bazo in višino leta base height ratio celic, ki jo sestavljajo. V mrežnem zapisu Razmerje razdalje med optičnima centroma vedno podajamo podobe daljinskega zaznava- stereo podob (bazo) in višino leta letala ali nja, pogosto pa tudi modele višin ali druge satelita, ki določa navpično pretiravanje. interpolirane spremenljivke. Glej tudi baza, navpično pretiravanje Glej tudi piksel, podoba, vektor razmerje signal šum Rayleighovo sipanje signal-to-noise ratio Rayleigh scattering Vrednost, ki podaja stopnjo signala (njegovo Sipanje na delcih v ozračju, ki so majhni v amplitudo oziroma jakostjo) glede na neželene primerjavi z valovno dolžino valovanja (prah, pojave (šum). molekule dušika in kisika). Sipanje je bolj izra- Glej tudi signal, šum zito pri krajših valovnih dolžinah in je prevla- dujoče v zgornjih plasteh atmosfere. Zaradi razpršeni odboj Rayleighovega sipanja je nebo videti modro. diffuse reflection Glej tudi sipanje Tudi difuzni odboj; odboj svetlobe na hrapavi ploskvi (v primerjavi z valovno dolžino vpad- nega valovanja), pri katerem se svetloba odbije razdalja range na vse strani. 1. Dolžina črte med dvema predmetoma ali Glej tudi odboj, zrcalni odboj točkama. 2. Oddaljenost sistema od predmeta, ki ga razrez na nivoje opazuje. Pri posnetkih umetno odprtinskega density slicing radarja uporabljamo izraz tudi za označevanje Postopek prikaza črno-bele podobe v barvah, koordinate v smeri gledanja radarske antene, pri katerem sive vrednosti na podobi razde- torej pravokotno na smer leta satelita oziroma limo na več ravni in prikažemo z različnimi letala. barvami. Glej tudi razdalja na površju, razdaljna ločlji- razvijanje faze vost phase unwrapping Postopek odpravljanja nedoločenosti faze razdalja na površju kompleksne radarske podobe. Z razvijanjem ground range faze iz interferograma dobimo model višin. Razdalja, ki jo dobimo s projekcijo razdalje ra- Glej tudi interferogram darja bočnega pogleda na referenčno ravnino. Če ne upoštevamo modela reliefa, pride pri redundanca tem do popačitev, na primer prevračanja, pri- redundancy bliževanja in podobno. Tudi presežek; informacija na podobi, ki je bo- Glej tudi razdalja disi ne potrebujemo za interpretacijo ali pa je 219 Terminološki slovar ne vidimo. Presežek pri podobah daljinskega Naravni ali umetni predmet, ki se giblje po tir- zaznavanja je lahko prostorski ali spektralni. nici okoli drugega nebesnega telesa, na primer Pri spektralnem presežku na večspektralnih Zemlje. Primer naravnega satelita je Luna, podobah zaradi velike korelacije sosednji ka- umetni sateliti pa so tisti, ki jih je ustvaril člo- nali ne vsebujejo različnih informacij in zato vek in so namenjeni za daljinsko zaznavanje, le otežujejo interpretacijo. telekomunikacije, telemetrijo (določanje polo- žaja in navigacijo). referenčni elipsoid Glej tudi tirnica reference ellipsoid Dogovorno izbran rotacijski elipsoid, ki kar se satelitski navigacijski sistem da najbolje ustreza obliki geoida na delu ze- satellite navigation system meljskega površja. Sistem, ki omogoča določanje natančnega po- Glej tudi elipsoid, geoid, geodetski datum ložaja z merjenjem časa, ki ga potrebuje signal za potovanje od satelita do opazovane točke. registracija Edini trenutno delujoči sistem je GPS, v grad- registration nji pa sta še evropski Galileo in ruski GLO- Postopek poravnave dveh ali več podob, s ka- NASS. terim omogočimo njihovo primerjavo. Glej tudi sistem globalnega pozicioniranja Glej tudi georeferenciranje, vezna točka scena reliefno popačenje scene relief displacement Tudi posnetek; območje na površju, ki ga po- Geometrijska napaka na podobah, ki nastane krije podoba ali fotografija. Scena je osnovna zaradi oblike (razgibanosti) zemeljskega po- enota pri naročanju podatkov satelitskega da- vršja. Predmeti nad ali pod referenčno plo- ljinskega zaznavanja. skvijo so zaradi različne geometrije gledanja lahko bližje ali dlje od njihove projekcije. segmentacija segmentation RGB Postopek delitve podobe na homogena obmo- Glej barvni prostor RGB čja (množice sosednjih pikslov). Segmentacija je praviloma prvi korak predmetno usmerjene RMSE Root Mean Square Error klasifikacije. Glej tudi Glej koren povprečne kvadratne napake predmetno usmerjena klasifikacija senca rob edge shadow Hitra sprememba sivih vrednosti, ki je pravi- 1. Območje, ki je za določeno visoko struk- loma povezana z antropogenimi dejavniki, na turo in ga iz položja, v katerem je vir valova- primer cestami, mejami med zemljišči, pose- nja (radar, Sonce), ne moremo videti. kami ... 2. Element interpretacije, ki podaja podatke Glej tudi poudarjanje robov, Laplaceov filter o višini in višinskem profilu predmetov. senzor rotacijski elipsoid ellipsoid of revolution sensor Geometrijsko telo, dobljeno z rotacijo elipse Naprava, ki zaznava vpadno valovanje in od- okoli ene od osi. visno od njegove intenzitete ustvari (ponavadi Glej tudi elipsoid električni) odziv. Senzorji daljinskega zazna- vanja pridobivajo informacije o lastnostih od- SAR daljenih predmetov z merjenjem njihovega od- Synthetic Aperture Radar bitega ali sevanega valovanja. Ponavadi so se- Glej umetno odprtinski radar stavljeni iz več detektorjev, ki delujejo pri raz- ličnih valovnih dolžinah in z različno natan- satelit čnostjo. Podatke, ki jih senzor zazna, lahko satellite opazujemo neposredno na zaslonu ali pa jih 220 Terminološki slovar zabeležimo, praviloma v digitalni obliki, in zemeljski obli. shranimo na pomnilniški medij. Glej tudi satelitski navigacijski sistem Glej tudi detektor sistematično popačenje Shuttle Imaging Radar systematic distortion Oznaka radarskega sistema, ki je občasno na- Geometrijske nepravilnosti na podobah, ki so meščen na vesoljskem plovilu Space Shuttle. znane in predvidljive ter jih je mogoče odpra- Glej tudi Shuttle Radar Topography Mission viti z upoštevanjem delovanja snemalnega si- stema. Shuttle Radar Topography Mission Glej tudi popačenje, nesistematično popače- Radarski interferometrični sistem, ki je, name- nje ščen na vesoljskem plovilu Endeavour, od 11. do 21. februarja 2000 zajemal podatke o viši- skener nah. Z njim so ustvarili model višin za večji scanner del kopnih površin Zemlje. Snemalni sistem, ki opazuje površje z detek- torji, ki imajo majhno vidno polje. Senzor s signal premikanjem detektorjev po površini Zemlje signal ustvarja dvorazsežne podobe. Snemanje po- V splošnem vsako valovanje ali pulz. Pona- teka točko za točko, vrstico za vrstico, kombi- vadi z izrazom signal označujemo podatke, ki nacija gibanja detektorjev (ponavadi zasuka) jih dobimo pri opazovanju, tako pred zajetjem in gibanje platforme pa ustvarja dvorazsežno kot med zajetjem in pri poznejših obdelavah. podobo. Glavni vrsti skenerjev sta prečni in Glej tudi razmerje signal šum vzolžni. Glej tudi podoba, prečni skener, vzdolžni ske- sipalec ner scatterer Predmet, na katerem se valovanje siplje ozi- roma razprši. skoraj polarna tirnica near polar orbit Glej tudi sipanje Polarna tirnica, ki je rahlo nagnjena glede na premico, ki poteka med severnim in južnim sipanje polom. Nagnjenost poskrbi za kroženje rav- scattering nine tirnice glede na položaj Sonca. Tudi razprševanje; pojav, pri katerem vzbudi Glej tudi polarna tirnica elektromagnetno valovanje, ki pada na pred- mete (na primer v atmosferi), nihanje nabitih delcev v njih. Ti sevajo sipano elektromagnet- SLAR no valovanje na vse strani. Side Looking Airborne Radar Glej tudi Miejevo sipanje, neselektivno sipa- Glej tudi radar bočnega pogleda nje, Rayleighovo sipanje, sipalec sled SIR ground track Glej Shuttle Imaging Radar Pot, ki jo na površju Zemlje opiše projekcija satelita (oziroma njegov nadir). Pri polarnih sistem globalnega pozicioniranja satelitih gre za linijo, ki poteka od severnega global positioning system pola proti južnemu in se zaradi vrtenja Zemlje Sistem za globalno določanje lege (global posi- pomika proti zahodu. Geostacionarni sateliti tioning system, GPS), ki temelji na tehnologiji so glede na površje pri miru in zato je njihova vesoljske radijske navigacije. Sistem je začelo sled ena sama točka. leta 1973 vzpostavljati ameriško obrambno Glej tudi tirnica, nadir ministrstvo, danes pa ga sestavlja 27 satelitov (21 aktivnih, 3 rezervni in 3 nadomeščeni, a SLR še vedno delujoči). To mu omogoča natančno Side Looking Radar in zanesljivo določanje položaja kjer koli na Glej radar bočnega pogleda 221 Terminološki slovar smerni filter Kadar je porazdelitev diskretna, govorimo o directional filter črtastem spektru, kadar je zvezna, pa o zvez- Filter, ki na podobi poudari linije ali spre- nem spektru. Spekter izsevanega valovanja je membe v določeni smeri. emisijski spekter, spekter prepuščenega valo- Glej tudi filtriranje, neusmerjeni filter vanja absorpcijski spekter, spekter odbitega valovanja pa odbojni spekter. snemalni pas 2. Porazdelitev med raznolikimi možnostmi. swath Glej tudi elektromagnetni spekter Pas na zemeljskem površju, ki ga opazuje sa- telit. spektralna ločljivost Glej tudi tirnica spectral resolution Tudi valovna ločljivost; natančnost sistema SNR pri opazovanju elektromagnetnega valovanja Signal-to-Noise Ratio različnih valovnih dolžin. Spektralna ločlji- Glej razmerje signal šum vost je boljša, če sistem predmete opazuje v več ozkih kanalih (večspektralno ali celo hi- Sonce perspektralno). Sun Glej tudi ločljivost Edina zvezda in glavno telo našega Osončja. Sonce je velikanska vrteča se krogla žarečih plinov. Sestavljena je iz vodika in helija ter spektralni pas spectral band sledov kisika, ogljika in drugih elementov. V Merilo, ki določa razpon valovnih dolžin v samem središču Sonca je sredica, ki ima tem- opazovanem signalu. peraturo 14 milijonov stopinj Celzija. Ener- gija, ki se sprosti v sredici, prehaja skozi se- valno plast v konvektivno plast. Od tod vroči spektralni podpis spectral signature plini privrejo na površje, kjer se ohladijo in Tudi spektralni odziv; opis načina odboja potonejo. Energija doseže fotosfero, nato pa elektromagnetnega valovanja na predmetu v seva navzven skozi Sončevo atmosfero. Sončna odvisnosti od valovne dolžine. svetloba je najpomembnejši vir energije pri Glej tudi klasifikacija daljinskem zaznavanju. Glej tudi Zemlja spektralni prostor feature space Sončev obsev solar radiation energy Abstraktni prostor, kjer vsaka sivinska Količina Sončevega sevanja, ki pade na povr- vrednost piksla predstavlja koordinato v šino Zemlje, podana v n-razsežnem prostoru, katerega dimenzije so J/m2. določene z radiometrično ločljivostjo podobe. sončno sinhrona tirnica Glej tudi klasifikacija sun-synchronous orbit Tirnica satelita, ki omogoči opazovanje istih SPOT delov površja vedno ob istem krajevnem času. Glej Systeme Pour l’Observation de la Terre Z drugimi besedami to pomeni, da je položaj Sonca na določeni zemljepisni širini ob pre- sprejemna postaja hodu satelita v enakih letnih časih enak. S receiving station tem poskrbimo za enako osvetlitev površja in Infrastruktura, ki omogoča sprejem, predob- primerljivost podob, ki so bile zajete v različ- delavo in arhiviranje podatkov satelitov za nih letih ali pa v nekaj zaporednih dneh. opazovanje Zemlje. Glej tudi tirnica spuščajoča tirnica spekter descending orbit spectrum Tirnica, pri kateri satelit potuje od severnega 1. Pri valovanju je spekter porazdelitev go- proti južnemu polu. stote energijskega toka valovanja po frekvenci. Glej tudi tirnica 222 Terminološki slovar srednja infrardeča svetloba amplitudo), frekvenco (ali valovno dolžino), middle infrared light ki jo ljudje zaznamo kot barvo svetlobe ter Elektromagnetno valovanje z valovnimi dolži- polarizacijo, smer ravnine, v kateri niha elek- nami med bližnjo in termično infrardečo sve- trična komponenta elektromagnetnega polja. tlobo, to je med 2 in 8 µm. Zaradi valovno-delčnega dualizma svetloba iz- Glej tudi infrardeča svetloba raža lastnosti tako valovanja kot delcev. Glej tudi elektromagnetno valovanje SRTM Glej Shuttle Radar Topography Mission svetlost brightness Stefan-Boltzmannov zakon Merilo za intenziteto (jakost) odboja ali last- Stefan-Boltzmann law nega sevanja. Zakon o sevanju črnega telesa, ki pravi, da Glej tudi barvni prostor HSI je gostota energijskega toka sorazmerna če- trti potenci njegove termodinamične tempe- Systeme Pour l’Observation de la Terre rature. Sorazmernostna fizikalna konstanta Skupina francoskih polarnih satelitov, ki jih je znana kot Stefanova konstanta ali Stefan- odlikuje dobra prostorska ločljivost in snema- Boltzmannova konstanta. nje z vrstičnim skenerjem. SPOT (oznaka pomeni sistem za opazovanje Zemlje) je bil stereo model eden prvih komercialnih satelitskih sistemov stereo model za opazovanje Zemlje. Vsak od satelitov ima Trirazsežen vtis, ki ga dobimo pri opazovanju dva senzorja, ki lahko delujeta vsak zase ali prekrivajočih se podob s stereoskopom. skupaj, pri čemer vsak od senzorjev opazuje površje bodisi v pankromatskem načinu z vi- stereopar stereo-pair soko ločljivostjo oziroma v večspektralnem na- Prekrivajoči se podobi ali fotografiji, posneti činu z nekoliko slabšo ločljivostjo. Smer gleda- pod različnimi koti, ki ju lahko opazujemo nja snemalnega sistema lahko zasukamo, tako stereoskopsko. da lahko ustvari stereoskopske pare posnet- kov. stereoskop stereoscope šum Naprava s katero opazujemo stereopar (vsako noise fotografijo ali podobo z enim očesom), ter do- Vsak nezaželen element, ki zmanjšuje jasnost bimo prostorski vtis. osnovnega signala. Pri daljinskem zaznavanju gre za »motnje« v delovanju senzorjev, preno- subtraktivne osnovne barve snih sistemov, elektronike in tako dalje. subtractive primary colours Glej tudi razmerje signal šum Rumena, magentno rdeča in ciano modra. Z uporabo filtrov v subtraktivnih barvah iz Tagged Image File Format vpadne svetlobe odstranimo modro, zeleno in Oblika digitalnega zapisa rastrskih slikovnih rdečo, njihov seštevek pa da črno. podatkov, ki jo je razvilo podjetje Aldus, sku- Glej tudi osnovne barve paj z Microsoftom. Njegova razširitev Geo- TIFF omogoča shranjevanje podatkov o loka- svetloba ciji in projekciji podobe neposredno v format light zapisa. Del elektromagnetnega valovanja. Po navadi s pojmom svetloba mislimo na vidno svetlobo, tandemsko snemanje ki jo zaznava človeško oko, širše gledano pa tadem mission gre lahko tudi za radijske valove, vidno, infra- Način opazovanja zemeljskega površja z dve- rdečo in ultravijolično valovanje. Svetlobo in ma radarskima satelitskima sistemoma hkrati elektromagnetno valovanje v splošnem lahko ali v zelo kratkem časovnem razmiku. Tan- opišemo s tremi neodvisnimi parametri inten- demsko snemanje sta v letih 1995 in 1996 iz- ziteto (enakovredno lahko tudi s svetlostjo ali vajala satelita ERS-1 in 2. 223 Terminološki slovar tekstura tirna ravnina texture orbital plane Značilna razporeditev in frekvenčno spremi- Ravnina, ki vsebuje tirnico satelita in gre skozi njanje tona na posameznih območjih podobe. središče Zemlje. Tekstura je eden najpomembnejših elementov Glej tudi tirnica za prepoznavanje predmetov na podobah. tirnica telemetrija orbit telemetry Krivulja, ki podaja pot gibajočega se delca, 1. Merjenje in zbiranje podatkov na daljavo. ponavadi okoli osrednjega nebesnega telesa 2. Določanje položaja in navigacija. pod vplivom gravitacije. Glej tudi polarna tirnica, geostacionarna tir- temperatura nica temperature Ena osnovnih termodinamičnih spremenljivk. TIROS Povezana je z gibanjem atomskih in podatom- Television and Infrared Observation Satellite skih delcev snovi. TM Glej Thematic Mapper termična infrardeča svetloba thermal infrared light Tudi dolgovalovna infrardeča svetloba; elek- točnost accuracy tromagnetno valovanje z valovnimi dolžinami Podatek, ki pove, kako dobro določene me- med 8 in 15 µm. ritve predstavljajo vrednost opazovane koli- Glej tudi infrardeča svetloba čine. Točnost opredelimo kot razliko med tre- nutno vrednostjo izbranega podatka in pravo Thematic Mapper (ali privzeto) vrednostjo istega podatka. Me- Snemalni sistem novejše generacije satelitov rilo za točnost je koren povprečne kvadratne Landsat (4 do 7). Thematic Mapper (TM) napake. je prečni snemalni sistem, ki hkrati zajame Glej tudi koren povprečne kvadratne napake, šestnajst vrstic za vsak netermični kanal (v natančnost termičnem pa štiri). Pri tem uporablja ni- hajoče zrcalo, ki snemanje opravlja tako pri ton poti od vzhoda proti zahodu kot tudi v obratni tone smeri. TM ima sedem kanalov, njegova pro- Relativna svetlost ali barva predmetov na po- storska ločljivost je 30 m za vse kanale razen dobi. Ton je glavni element za ločevanje med termičnega, v katerem je prostorska ločljivost različnimi predmeti in pojavi. 120 m. Vrednosti vseh kanalov so podane v razponu med 0 in 255, čemur ustreza osem- topografska normalizacija bitna radiometrična ločljivost. Satelit Land- topographic normalization sat 7 ima nekoliko izboljšan skener Enhanced Postopek predobdelave podob, ki odpravi Thematic Mapper Plus (ETM+). ETM+ ima vpliv različne osvetlitve zaradi oblike površja tudi pankromatski kanal z ločljivostjo 15 m, in s tem olajša primerjavo podob. Gre za ume- ki pokriva zeleni, rdeči in bližnji infrardeči del tno odstranitev senc na podobah z upošteva- spektra, poleg tega pa je ločljivost termičnega njem digitalnega modela višin. kanala 60 m. Glej tudi Landsat, MultiSpectral Scanner transformacija podobe image transformation TIFF Postopki, ki iz obstoječih informacij ustvarijo Glej Tagged Image File Format nove, pogosto z upoštevanjem več kanalov. Pri tem gre lahko za kanale istega večspek- TIN tralnega senzorja ali podatke dveh ali več po- Triangulated Irregular Network dob istega območja, ki so zajete ob različnih Glej mreža neenakih trikotnikov časih. Primeri transformacij so aritmetične 224 Terminološki slovar operacije, spektralni indeksi, analiza osnovnih Širjenje motnje, navadno sinusnega nihanja, komponent in podobno. v sredstvu ali v polju. Z izjemo elektromag- netnega valovanja in gravitacijskih valov, ki trenutno vidno polje se širita v elektromagnetnem oziroma gravi- instantaneous field of view tacijskem polju, potrebuje valovanje za širje- Kot oziroma odprtina, prek katere detektor nje sredstvo, ki je prožno, tako da lahko delci zaznava valovanje. Pri skenerjih trenutno vi- snovi izmenjujejo energijo, ne da bi pri tem dno polje določa velikost območja, ki ga na trajno spremenili svojo lego. površju opazujemo v izbranem trenutku. Glej tudi elektromagnetno valovanje učni vzorec valovna dolžina training sample wavelength Tudi učno območje; območje na površju s Razdalja med dvema sosednjima točkama v poznanimi lastnostmi. Učna območja upo- smeri potovanja valovanja, v katerih je niha- rabljamo pri nadzorovani klasifikaciji podob, nje v valovanju sočasno. Valovna dolžina je zato da določimo spektralne lastnosti opazo- obratno sorazmerna s frekvenco. vanih predmetov. Glej tudi frekvenca, valovanje Glej tudi klasifikacija, nadzorovana klasifika- cija valovno število wavenumber učno območje Obratna vrednost valovne dolžine, število va- training area lovnih dolžin v valovanju na enoto dolžine v Glej učni vzorec smeri potovanja valovanja. Glej tudi valovna dolžina ultravijolična svetloba ultraviolet radiation varianca Elektromagnetno valovanje z valovno dolžino variance krajšo od valovne dolžine vidne svetlobe, ven- Merilo za razpršenost vrednosti, ki je določeno dar daljšo od valovne dolžine rentgenskih žar- kot povprečna vrednost kvadratov odklonov kov. spremenljivk od aritmetične sredine. Glej tudi elektromagnetno valovanje večkanalna kamera umetno odprtinski radar multiband camera synthetic aperture radar Sistem, ki hkrati zajema fotografije pri raz- Radarski sistem, pri katerem tako imeno- ličnih valovnih dolžinah, na primer pankro- vano azimutno ločljivost povečamo z obde- matsko, barvno, pankromatsko infrardeče in lavo signalov, posnetih iz sosednjih točk. Pri barvno infrardeče. tem umetno odprtinski radar z upoštevanjem Dopplerjevega premika valovanja sestavi več večspektralni skener zaporednih signalov (odbojev), ki jih radar multispectral scanner sprejme med premikanjem v smeri leta, in s Skener, ki podatke hkrati zajema v več (štiri tem poveča ločljivost sistema. do več kot deset) kanalih. Glej tudi radar, radar bočnega pogleda Glej tudi skener, hiperspektralni skener USGS vegetacijski indeks United States Geological Survey vegetation index Indeks, ki opredeljuje stanje vegetacije. Po- UTC Glej Coordinated Universal Time dan je kot razmerje med odbojem v infrarde- čem in rdečem delu elektromagnetnega spek- UV tra. Vegetacija (oziroma klorofil v njej) zelo Glej ultravijolična svetloba močno odbija infrardečo svetlobo, rdečo pa slabo. Vegetacijski indeks za vegetacijo je to- valovanje rej zelo visok, medtem ko je za nevegetacijo wave ali poškodovano vegetacijo nizek. 225 Terminološki slovar Glej tudi normiran diferencialni vegetacijski visokoprepustni filter indeks high pass filter Filter, ki poudari podrobnosti na podobah in vektor jih s tem izostri. Visokoprepustni filtri delu- vector jejo nasprotno kot nizkoprepustni in ustrezajo Oblika predstavitve objektov, ki temelji na vo- matematični operaciji odvajanja. zliščih (točkah) ter povezavah med njimi, to je Glej tudi filtriranje, nizkoprepustni filter usmerjenimi segmenti ali loki (linijami). Vek- torsko predstavitev objektov pogosto upora- višinomer bljamo kot metodo predstavitve objektov na altimeter topografski karti. Povezavo geometričnih in 1. Tudi altimeter; instrument, ki deluje po na- opisnih (atributnih) podatkov običajno izve- čelu barometra in meri višino nad morsko gla- demo s posebno identifikacijsko šifro ali klju- dino. čem. 2. Aktivni instrument, na primer laser, ki Glej tudi raster ga uporabljamo za merjenje višine predmetov nad referenčno površino. velikost size vpadni kot Eden od elemetov interpretacije, ki omogoča incidence angle ločevanje predmetov. Pomembna je tako ab- Kot med smerjo žarka (vpadnega elektro- solutna velikost, ki je povezana z merilom, magnetnega valovanja) in krajevno navpičnico kot tudi relativna velikost, ki ločuje podobne (normalo na površje). predmete. vpogledna tabela look-up table vesoljska postaja space station Tabela, ki omogoča preslikavo vrednosti po- dobe v vrednosti, namenjene prikazu na za- Tudi orbitalna postaja; umetno nebesno telo, slonu (ali nadaljnji obdelavi). Vpogledna ta- ki kot satelit kroži okoli Zemlje, ima člove- ško posadko in opravlja raziskave. Medna- bela vsebuje seznam vhodnih in njim ustre- znih izhodnih vrednosti ter deluje kot nekak- rodna vesoljska postaja (International Space šen vmesnik med datoteko in zaslonom. Station, ISS) je skupni projekt vseh večjih ve- soljskih agencij in predstavlja enega od vrhun- cev vesoljske tehnologije. vrstični skener line scanner Glej prečni skener vezna točka tie point vzdolžna smer Točka na površju, ki je skupna dvema ali več alongtrack direction podobam. Vezne točke uporabljamo za regi- 1. Smer gibanja platforme. stracijo podob. 2. Koordinata v smeri tirnice radarjevega no- Glej tudi registracija, oslonilna točka silca, ki ji pravimo tudi azimut. vidna svetloba vzdolžni skener visible spectrum along-track scanner Elektromagnetno valovanje, na katerega je Skener, ki naenkrat zajame celotno vrstico po- najbolj občutljivo človeško oko. Valovne dol- dobe. Z izkoriščanjem gibanja snemalnega si- žine vidne svetlobe so med 400 in 700 nm. stema ustvari podobo v smeri gibanja, torej vzdolžno. Tovrstni senzorji imajo vrsto (več vidno polje tisoč) detektorjev, ki se nahajajo v goriščni field of view razdalji sistema leč. Ker njihovo delovanje Razpon kotov, ki jih lahko opazujemo s sne- spominja na pometanje z metlo, jih imenu- malnim sistemom. jemo tudi pometajoči (pushbroom). Glej tudi trenutno vidno polje Glej tudi skener, prečni skener 226 Terminološki slovar vzorec trda skorja. Površina Zemlje in njena atmo- pattern sfera sta danes močno preoblikovani zaradi Pravilna porazdelitev in ponavljanje podob- bioloških in človeških dejavnikov. Okoli 70 od- nih tonov in tekstur, ki omogoča interpretacijo stotkov zemeljske površine pokrivajo oceani s »urejene« razporeditve predmetov. slano vodo, preostanek pa zapolnjujejo celine ter otoki. WGS 84 Glej tudi Sonce Glej World Geodetic System 1984 zemljepisna dolžina World Geodetic System 1984 Glej geografska dolžina Svetovni geodetski sistem, določen leta 1984; najbolj razširjen geocentrični koordinatni si- zemljepisna širina stem. Glej geografska širina zniževanje tirnice zasuk period decay yaw Zmanjševanje višine tirnice, ki je posledica Zasuk letala okrog navpične osi. atmosferskega upora in gravitacije. Predmeti Glej tudi nagib, naklon v bližnjih tirnicah zaradi zniževanja tirnice pa- dejo v atmosfero in zgorijo. zaznavanje Glej tudi tirnica sensing Postopek določanja jakosti odbitega signala za zrcalni odboj piksle na posnetku. Z izrazom zaznavanje poj- specular reflection mujemo celoten proces od oddaje signala do Odboj na površinah, ki so gladke v primer- njegove pretvorbe v računalniško obliko. javi z valovno dolžino vpadnega valovanja. Pri tem se vsa – ali skoraj vsa – vpadna energija Zemlja odbije stran od odbojne površine v eni sami Earth smeri, odbojni kot pa je enak vpadnemu. Eden izmed planetov Osončja. Po oddaljeno- Glej tudi odboj, razpršeni odboj sti od Sonca je tretji, po velikosti pa peti pla- net Sončevega sistema. Predstavlja največji zrnatost trdni planet in edini prostor v vesolju, za ka- speckle terega je znan obstoj življenja. Zemljina no- Statistično spreminjanje svetlosti pikslov na tranjost je sestavljena iz več razmeroma aktiv- radarski podobi, ki je posledica konstruktivne nih plasti. V središču se nahaja verjetno tr- in destruktivne interference naključno poraz- dno železovo jedro, ki ustvarja Zemljino mag- deljnih sipalcev. Zrnatost je najbolj nezaželen netno polje. Obdaja ga tekoči plašč, tega pa pojav na radarskih posnetkih. 227 Literatura Canadian Space Agency. CSA – Home Page of Canadian Space Agency, 2006. http://radarsat.space.gc.ca/asc/eng/default.asp Alaska Satellite Facility. Japanese Earth Resources Satellite, JERS-1, 1995. http://www.asf.alaska.edu/reference/general/JERS.pdf Atlantis. EarthView InSAR – User’s guide. Atlantis, Nepean, 1997. E. C. Barett in L. F. Curtis. Introduction to Environmental Remote Sensing. Stanley Thornes, Cheltenham, 4. izdaja, 1999. R. E. Blahut. Theory of remote image formation. Cambridge University Press, Cam- bridge, 2004. C. Brenner. Registration and 3D modeling of aerial laser scanner data. V: International Summer School Digital Recording and 3D Modelling, Aghios Nikolaos, 2006. Institute of Geodesy and Photogrammetry, ETH Zürich. P. A. Burrough. Principles of geographical information systems for land resources as- sessment. Clarendon Press, Oxford, 1986. J. B. Campbell. Introduction to Remote Sensing. Taylor & Francis, London, 3. izdaja, 2002. Zelo lepo in jasno napisan učbenik daljinskega zaznavanja. Izdaja je dopolnjena in posodobljena. Canada Centre for Remote Sensing. Glossary of remote sensing terms, 2006. http://ccrs.nrcan.gc.ca/glossary/index_e.php R. G. Congalton in K. Green. Assessing the Accuracy of Remotely Sesed Data : Prin- ciples and Practices. Lewis, Boca Raton, 1999. S. Dech. Mountains from space : peaks and ranges of the seven continents. Harry N. Abrams, New York, 2005. Deutsches Zentrum für Luft- und Raumfahrt. Mapping the Earth from Space. Tehnično poročilo, Deutsches Zentrum für Luft- und Raumfahrt, Cologne, Germany, 1999. 229 Literatura S. Drobne in T. Podobnikar. Osnovni pojmi v geografskih informacijskih sistemih, 1999. http://www.fgg.uni-lj.si/∼/sdrobne/GIS_Pojm/ M. Duhovnik. I&CLC2000 v Sloveniji. V: T. Podobnikar, D. Perko, M. Krevs, Z. Stan- čič, D. Hladnik in M. Čeh, ur., Geografski informacijski sistemi v Sloveniji 2003–2004, strani 125–130, Ljubljana, 2004. Založba ZRC. M. Duhovnik. Zajem topografskih podatkov DTK 5. Geodetski vestnik, 49(3): 441–443, 2005. Encyclopædia Britannica. Encyclopædia Britannica Online, 2006. http://www.britannica.com European Space Agency. ESA Earthnet ERS Design, 2006. http://earth.esa.int/object/index.cfm?fobjectid=4221 FOLDOC. Free Online Dictionary of Computing, 2006. http://foldoc.org/ G. M. Foody in P. M. Atkinson, ur. Uncertainty in remote sensing and GIS. Wiley, Chichester, 2002. T. Fujii in T. Fukuchi, ur. Laser remote sensing. Taylor & Francis, Boca Raton, 2005. P. J. Gibson in C. H. Power. Introductory remote sensing : digital image processing and applications. Routledge, London, 2000. R. P. Gupta. Remote sensing geology. Springer, Berlin, 2. izdaja, 2003. F. M. Henderson in A. J. Lewis, ur. Manual of remote sensing – Principles and aplica- tion of imaging radar. John Wiley and Sons, New York, USA, 3. izdaja, 1998. D. Hladnik, M. Krevs, D. Perko, T. Podobnikar in Z. Stančič, ur. Geografski informa- cijski sistemi v Sloveniji 1999–2000, Ljubljana, 2000. Znanstvenoraziskovalni center SAZU. A. Kobler, N. Pfeifer, P. Ogrinc, L. Todorovski, K. Oštir in S. Džeroski. Using redun- dancy in aerial lidar point cloud to generate DTM in steep forestedrelief. V: T. Koukal in W. Schneider, ur., 3D remote sensing in forestry, strani 264–269, Vienna, Austria, 2006. University of Natural Resources and Applied Life Sciences. http://www.rali.boku.ac.at/fileadmin/_/H85/H857/workshops/ 3drsforestry/Proceedings_3D_Remote_Sensing_2006.pdf A. Kobler in J. Zafran. Podatki letalskega lidarskega snemanja in njihova uporaba pri gospodarjenju z gozdom. V: D. Hladnik, ur., Monitoring gospodarjenja z gozdom in gozdnato krajino, strani 83–96, Ljubljana, 2006. Biotehniška fakulteta. Ž. Kokalj in K. Oštir. Ugotavljanje pokrovnosti iz satelitskih posnetkov in vrednotenje pokrajinskoekoloških tipov Slovenije. Geografski obzornik, 52(4): 12–18, 2005. Ž. Kokalj, K. Oštir in A. Marsetič. Izdelava ortopodob iz satelitskih posnetkov. V: D. Perko, J. Nared, M. Čeh, D. Hladnik, M. Krevs, T. Podobnikar in R. Šumrada, ur., Geografski informacijski sistemi v Sloveniji 2005–2006, strani 23–32, Ljubljana, 2006. Založba ZRC. 230 Literatura M. Komac. Napoved verjetnosti pojavljanja plazov z analizo satelitskih in drugih pro- storskih podatkov. Geološki zavod Slovenije, Ljubljana, 2005. M. Komac. A landslide susceptibility model using the Analytical Hierarchy Process method and multivariate statistics in perialpine Slovenia. Geomorphology, 74: 17–28, 2006. G. Konecny. Geoinformation : remote sensing, photogrammetry and geographic infor- mation systems. Taylor & Francis, London, 2003. M. Kosmatin Fras. Vpliv kakovosti vhodnih podatkov na kakovost ortofota. Geodetski vestnik, 48(2): 167–178, 2004. H. J. Kramer. Observation of the earth and its environment: survey of missions and sensors. Springer, Berlin, 4. izdaja, 2002. K. Kraus in W. Schneider. Fernerkundung – Physikalische Grundlagen und Aufnahme- techniken. Dümmler, Bonn, 1988. M. Krevs. Spreminjanje urbane rabe tal v ljubljani. Dela, 22: 55–65, 2004. M. Krevs, D. Perko, T. Podobnikar in Z. Stančič, ur. Geografski informacijski sistemi v Sloveniji 1997–1998, Ljubljana, 1998. Znanstvenoraziskovalni center SAZU. K. Kvamme, K. Oštir, Z. Stančič in R. Šumrada. Geografski informacijski sistemi. Znanstvenoraziskovalni center Slovenske akademije znanosti in umetnosti, Ljubljana, 1997. Leica Geosystems. ERDAS Field Guide. Norcross, 2005. A. J. Lewis in M. H. Floyd. Radar fundamentals – the geoscience perspective. V: F. M. Henderson in A. J. Lewis, ur., Manual of remote sensing – Principles and aplication of imaging radar, zvezek 2, poglavje 3, strani 131–181. John Wiley and Sons, New York, 3. izdaja, 1998. T. M. Lillesand in R. W. Kiefer. Remote Sensing and Image Interpretation. John Wiley & Sons, New York, 5. izdaja, 2004. Pregledna knjiga o daljinskem zaznavanju. M. Logar. Digitalno dohiteli najsodobnejše armade. Slovenska vojska, VIII(10): 15–16, 2000. P. M. Mather. Computer Processing of Remotely Sensed Images: An Introduction. John Wiley and Sons, Chichester, 3. izdaja, 2004. Zelo dobra knjiga o obdelavi podob daljinskega zaznavanja. Preprosto, a hkrati ma- tematično korektno, obdela vse dele postopka, navaja osnovne in napredne tehnike. Knjigi je priložen CD s programom MIPS in testnimi podatki. R. M. McCoy. Field methods in remote sensing. Guilford Press, New York, 2005. V. Mesev, ur. Remotely sensed cities. Taylor & Francis, London, 2003. National Aeronautics and Space Administration. The Remote Sensing Tutorial, 2006. http://rst.gsfc.nasa.gov 231 Literatura National Space Development Agency of Japan. FUYO-1 Japanese Earth Resources Satellite (JERS-1), 2006. http://www.nasda.go.jp/projects/sat/jers1/index_e.html K. Oštir. Lastnosti in uporaba visoko ločljivih satelitskih posnetkov QuickBird. V: T. Podobnikar, D. Perko, M. Krevs, Z. Stančič, D. Hladnik in M. Čeh, ur., Geografski informacijski sistemi v Sloveniji 2003–2004, strani 349–356, Ljubljana, 2004. Založba ZRC. K. Oštir, Z. Stančič, T. Podobnikar in Z. Vehovar. Pridobivanje in uporaba prostorskih podatkov visoke ločljivosti pri načrtovanju omrežja mobilne telefonije. V: D. Hladnik, M. Krevs, D. Perko, T. Podobnikar in Z. Stančič, ur., Geografski informacijski sistemi v Sloveniji 1999–2000, strani 143–152, Ljubljana, 2000. Znanstvenoraziskovalni center SAZU. K. Oštir, T. Veljanovski, T. Podobnikar in Z. Stančič. Uporaba daljinskega zaznavanja pri opazovanju plazu v Logu pod Mangartom. V: T. Podobnikar, D. Perko, M. Krevs, Z. Stančič in D. Hladnik, ur., Geografski informacijski sistemi v Sloveniji 2001–2002, strani 197–209, Ljubljana, 2002. Založba ZRC. D. Pahor, M. Drobnič, V. Batagelj, S. Bratina, V. Djurdjič, P. Gabrijelčič, M. Gams, M. Klančar, R. Ključevšek, J. Koklič, U. Mesojedec, K. Oštir, M. Potrč, B. Robič, D. Sečnik, S. Simič in J. Toth. Leksikon računalništva in informatike. Pasadena, Ljubljana, 2002. D. Perko, J. Nared, M. Čeh, D. Hladnik, M. Krevs, T. Podobnikar in R. Šumrada, ur. Geografski informacijski sistemi v Sloveniji 2005–2006, Ljubljana, 2006. Založba ZRC. F. Petek, V. Bric in T. Rotar. Uporaba starih letalskih posnetkov pri ugotavljanju sprememb rabe tal. V: T. Podobnikar, D. Perko, M. Krevs, Z. Stančič, D. Hladnik in M. Čeh, ur., Geografski informacijski sistemi v Sloveniji 2003–2004, strani 295–302, Ljubljana, 2004. Založba ZRC. D. Petrovič. Ocena kakovosti državne topografske karte v merilu 1 : 50.000. Geodetski vestnik, 50(2): 187–200, 2006. T. Podobnikar, D. Perko, M. Krevs, Z. Stančič in D. Hladnik, ur. Geografski informa- cijski sistemi v Sloveniji 2001–2002, Ljubljana, 2002. Založba ZRC. T. Podobnikar, D. Perko, M. Krevs, Z. Stančič, D. Hladnik in M. Čeh, ur. Geografski informacijski sistemi v Sloveniji 2003–2004, Ljubljana, 2004. Založba ZRC. G. L. Prost. Remote sensing for geologists : a guide to image interpretation. Gordon & Breach, New York, 2. izdaja, 2001. D. A. Quattrochi in J. C. Luvall, ur. Thermal remote sensing in land surface processes. CRC Press, Boca Raton, 2004. R. K. Raney. Radar fundamentals – technical perspective. V: F. M. Henderson in A. J. Lewis, ur., Manual of remote sensing – Principles and aplication of imaging radar, zvezek 2, poglavje 2, strani 9–130. John Wiley and Sons, New York, 3. izdaja, 1998. 232 Literatura J. A. Richard in X. Jia. Remote Sensing Digital Image Analysis: An Introduction. Springer, Berlin, 4. izdaja, 2006. Učbenik daljinskega zaznavanja, ki pregledno podaja informacije o obdelavi podob. R. Richter. ATCOR for IMAGINE 9.1. Geosystems, München, 2006. F. F. Sabins. Remote Sensing – Principles and Interpretation. W. H. Freeman, New York, 1997. Obsežno in pregledno delo, ki veliko pozornosti posveča uporabi daljinskega zazna- vanja. R. A. Schowengerdt. Remote Sensing : Models and Methods for Image Processing. Academic Press, San Diego, 1997. A. Skidmore, ur. Environmental modelling with GIS and remote sensing. Taylor & Francis, London, 2002. D. Skumavec in D. Šabić. Vzdrževani statistični GIS pokrovnosti tal in njegova uporaba za prikaz podatkov iz popisa prebivalstva 2002. V: T. Podobnikar, D. Perko, M. Krevs, Z. Stančič in D. Hladnik, ur., Geografski informacijski sistemi v Sloveniji 2001–2002, strani 151–164, Ljubljana, 2002. Založba ZRC. J. Strnad. Fizika 2. del. Društvo matematikov, fizikov in astronomov, Ljubljana, 1985. J. Strnad. Fizika. Cankarjeva založba, Ljubljana, 1991. D. Šabić, E. Lojović in A. Tretjak. Statistični GIS pokrovnosti in rabe tal Slovenije z oceno spremembe pokrovnosti tal med letoma 1993 in 1997. V: M. Krevs, D. Perko, T. Podobnikar in Z. Stančič, ur., Geografski informacijski sistemi v Sloveniji 1997– 1998, strani 233–242, Ljubljana, 1998. Znanstvenoraziskovalni center SAZU. R. Šumrada. Strukture podatkov in prostorske analize. Fakulteta za gradbeništvo in geodezijo, Ljubljana, 2005a. R. Šumrada. Tehnologija GIS. Fakulteta za gradbeništvo in geodezijo, Ljubljana, 2005b. Tag’s Broadcasting Services. The Satellite Encyclopedia ONLINE, 2006. http://www.tbs-satellite.com/tse/online/ M. Triglav Čekada. Izdelava digitalnih modelov reliefa planetov s poudarkom na klino- metriji. Geodetski vestnik, 48(3): 340–350, 2004. United Nations Educational, Scientific and Cultural Organization. Glossary of Terms and Acronyms, 2006. http://www.unesco.org/csi/pub/source/rs15.htm United States Geological Survey. Shuttle Radar Topography Mission Home Page, 2006. http://srtm.usgs.gov/ University of Nebraska-Lincoln. CASDE Remote Sensing Glossary, 2006. http://casde.unl.edu/glossary/ M. Vidmar in J. Budin. Tehnološke značilnosti satelitov. V: D. Matko, ur., Uporaba vesoljskih tehnologij, strani 109–136. Didakta, Radovljica, 1996. 233 Literatura C. Weitkamp, ur. Lidar : range-resolved optical remote sensing of the atmosphere. Springer, New York, 2005. Wikipedia. Wikipedia, the free encyclopedia, 2006a. http://en.wikipedia.org/wiki/Main_Page. Wikipedia je brezplačna spletna enciklopedija, ki jo urejajo prostovoljci. V nekaj letih je postala zelo priljubljen in presenetljivo popoln vir informacij. Wikipedia. Wikipedija, prosta enciklopedija, 2006b. http://sl.wikipedia.org/wiki/Glavna_stran. Wikipedija je slovenska različica brezplačne enciklopedije, ki poleg prevodov naj- pomembnejših člankov vsebuje tudi številna izvirna gesla. 234 Literatura Poleg navedene literature obstaja še precej revij, namenjenih daljinskemu zaznava- nju. Najpomembnejše so: • IEEE Transactions on Geoscience and Remote Sensing (Institute of Electrical and Electronics Engineers), • International Journal of Remote Sensing (Taylor & Francis), • Photogrammetric Engineering & Remote Sensing (American Society for Photo- grammetry and Remote Sensing), • ISPRS Journal of Photogrammetry and Remote Sensing (International Society for Photogrammetry and Remote Sensing), • Remote Sensing Reviews (Taylor & Francis), • Remote Sensing of Environment (Elsevier) in • Canadian Journal of Remote Sensing (Canadian Aeronautics and Space Institute). 235 Kazalo slik 1.1 Postopek daljinskega zaznavanja. . . . . . . . . . . . . . . . . . . . . . . . 14 2.1 Galileo Galilei je podobe daljinskega zaznavanja zapisoval na papir. . . . . 15 2.2 Baloni so omogočili opazovanje Zemlje od zgoraj. . . . . . . . . . . . . . . 16 2.3 Golobi s fotografskimi kamerami. . . . . . . . . . . . . . . . . . . . . . . . 17 2.4 Letalski posnetek preskusnega poligona raket V-2. . . . . . . . . . . . . . . 17 2.5 Prve slike Zemlje iz vesolja so posneli v okviru programa Apollo. . . . . . 18 2.6 Območje Damaska, ki ga je na enem prvih posnetkov opazoval satelit Landsat. 19 3.1 Elektromagnetno valovanje je nihanje električnega in magnetnega polja. . . 22 3.2 Valovanje opišemo z amplitudo, frekvenco in valovno dolžino. . . . . . . . 22 3.3 Spekter elektromagnetnega valovanja je zelo širok. . . . . . . . . . . . . . . 23 4.1 Potovanje elektromagnetnega valovanja skozi atmosfero. . . . . . . . . . . 26 4.2 Sipanje valovanja v atmosferi. . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.3 Rayleighovo sipanje močneje vpliva na krajše valovne dolžine kot na daljše. 27 4.4 Absorpcija valovanja v atmosferi. . . . . . . . . . . . . . . . . . . . . . . . 28 4.5 Prepustnost zemeljske atmosfere v odvisnosti od valovne dolžine določa okna, ki jih lahko uporabljamo za daljinsko zaznavanje. . . . . . . . . . . . 28 4.6 Lom svetlobe pri prehodu iz optično redkejše snovi v optično gostejšo in potovanje žarka svetlobe skozi atmosfero. . . . . . . . . . . . . . . . . . . . 30 5.1 Ko valovanje pride do zemeljskega površja, z njim interagira. . . . . . . . . 31 5.2 Poznamo tri osnovne načine interakcije valovanja s površjem, in sicer ab- sorpcijo, transmisijo in odboj. . . . . . . . . . . . . . . . . . . . . . . . . . 32 5.3 Odboj valovanja na površju: zrcalni in razpršeni. . . . . . . . . . . . . . . 32 5.4 Interakcija elektromagnetnega valovanja z vegetacijo in vodo. . . . . . . . 33 5.5 Spektralni podpis podaja odvisnost odboja od valovne dolžine. . . . . . . . 34 6.1 Zapis elektromagnetnega valovanja s senzorjem. . . . . . . . . . . . . . . . 37 6.2 Senzorji daljinskega zaznavanja so nameščeni na tleh, letalih, vesoljskih plovilih in satelitih. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 6.3 Geostacionarna in skoraj polarna tirnica satelita. . . . . . . . . . . . . . . 39 6.4 Primerjava polarne in skoraj polarne tirnice satelita. . . . . . . . . . . . . 40 237 Kazalo slik 6.5 Dvigajoča in spuščajoča tirnica satelita. . . . . . . . . . . . . . . . . . . . 41 6.6 Območje, ki ga satelit posname na zemeljski površini, se imenuje pas. . . . 43 6.7 Pokritost površja z eno tirnico in dnevna pot satelita. . . . . . . . . . . . . 43 6.8 Aktivni in pasivni način opazovanja zemeljskega površja. . . . . . . . . . . 44 7.1 Vidno polje določa prostorsko ločljivost. . . . . . . . . . . . . . . . . . . . 48 7.2 Podoba nizke in visoke ločljivosti. . . . . . . . . . . . . . . . . . . . . . . . 49 7.3 Spektralni podpis podobnih predmetov. . . . . . . . . . . . . . . . . . . . . 50 7.4 Spektralna ločljivost fotografij. . . . . . . . . . . . . . . . . . . . . . . . . . 50 7.5 Zapis linearne krivulje z enobitno in štiribitno radiometrično ločljivostjo. . 51 7.6 Primerjava dvo- in osembitne radiometrične ločljivosti. . . . . . . . . . . . 51 7.7 Časovno ločljivost lahko povečamo s sistemi, ki lahko senzorje zasukajo. . 53 8.1 Snemalni sistem pri fotografiranju. . . . . . . . . . . . . . . . . . . . . . . 55 8.2 Spektralna občutljivost različnih filmskih emulzij pri črno-belem in barv- nem filmu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 8.3 Primerjava naravne in lažno barvne podobe. . . . . . . . . . . . . . . . . . 57 8.4 Letalo z več preleti posname večje površje. . . . . . . . . . . . . . . . . . . 58 8.5 Prečni skener. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 8.6 Vzdolžni skener. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 8.7 Termično snemanje. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 8.8 Termogram območja med Kranjem in Ljubljano, posnet s satelitom Landsat. 63 9.1 Radar usmeri impulz proti površju in meri njegov odboj. . . . . . . . . . . 66 9.2 S premikanjem nosilca in s tem odtisa na površini ustvarimo radarsko podobo. 67 9.3 Ustvarjanje umetne odprtine s premikanjem antene radarja. . . . . . . . . 68 9.4 Vpliv vpadnega kota na jakost odbitega mikrovalovanja. . . . . . . . . . . 69 9.5 Zrcalni, razpršeni in pravokotni oziroma popolni odboj radarskih valov. . . 69 9.6 Zrnatosti se pri radarskih posnetkih ne moremo izogniti. . . . . . . . . . . 70 10.1 Delovanje lidarskega sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . 74 10.2 Lidar določa razdaljo med senzorjem in površjem z merjenjem časa poto- vanja valovanja. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 10.3 Skenerji pri lidarskih sistemih za usmerjanje laserja uporabljajo nihajoča zrcala, vrteča zrcala in optična vlakna. . . . . . . . . . . . . . . . . . . . . 76 10.4 Oblak lidarskih točk. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 10.5 Postopek obdelave lidarskih meritev. . . . . . . . . . . . . . . . . . . . . . 77 10.6 Lidarski podatki vsebujejo informacijo o točki odboja valovanja. . . . . . . 78 10.7 S klasifikacijo in modeliranjem iz oblaka točk dobimo trirazsežne modele. . 78 11.1 Hurikan Andrew, ki ga je posnel satelit GOES-7. . . . . . . . . . . . . . . 82 11.2 Temperatura morja in vegetacijski indeks ustvarjen s posnetki AVHRR. . . 85 11.3 Način snemanja s sistemom Meteosat. . . . . . . . . . . . . . . . . . . . . . 87 11.4 Posnetek Evrope, ki ga je ustvaril MSG-1. . . . . . . . . . . . . . . . . . . 88 11.5 Satelit Landsat 7 pri opazovanju Zemlje. . . . . . . . . . . . . . . . . . . . 89 11.6 Delta reke Geba v Gvineji Bissau, ki jo je posnel satelit Landsat 7. . . . . 93 11.7 Satelit SPOT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 11.8 Stranski pogledi in sosednje gledanje pri satelitu SPOT. . . . . . . . . . . 95 11.9 Opazovanje krožnih namakalnih polj v Saudovi Arabiji s satelitom SPOT. 96 238 Kazalo slik 11.10 Pankromatski posnetek piramid v Gizi, ki ga je zajel satelit IKONOS. . . 97 11.11 Naravno barvna podoba Eifflovega stolpa, ki jo je zajel QuickBird. . . . . 99 11.12 Koncentracija fitoplanktona, kot jo izmeril senzor CZCS. . . . . . . . . . . 100 11.13 Povprečna koncentracija klorofila, ki jo je izmeril sistem SeaWiFS. . . . . . 101 11.14 Satelit ERS-2 tik pred izstrelitvijo. . . . . . . . . . . . . . . . . . . . . . . 102 11.15 Interferogram prikazuje obliko površja in bi ga lahko povezali s plastnicami. 103 11.16 Veččasovni barvni kompozit posnetkov ASAR, ki zajema vzhodno Slovenijo in Madžarsko. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 11.17 Posnetek satelita RADARSAT, ki prikazuje naftni madež v bližini otočja Galapagos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 11.18 Vesoljsko plovilo Endeavour z interferometričnim radarskim sistemom SRTM.109 12.1 Prenos podatkov od satelita do sprejemne postaje. . . . . . . . . . . . . . 111 12.2 Sprejemne postaje satelitov SPOT in njihovo »pokrivno« območje. . . . . 112 13.1 Interpretacija in analiza podob je pomemben korak daljinskega zaznavanja. 113 13.2 Analogna in digitalna obdelava podob. . . . . . . . . . . . . . . . . . . . . 114 13.3 Sistem za obdelavo geografskih podob sestavlja strojna in namenska pro- gramska oprema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 13.4 Izboljšanje kontrasta podobe. . . . . . . . . . . . . . . . . . . . . . . . . . 116 13.5 Klasifikacija satelitskih posnetkov. . . . . . . . . . . . . . . . . . . . . . . . 117 14.1 Elementi vizualne interpretacije podob. . . . . . . . . . . . . . . . . . . . . 120 15.1 Manjkajoče vrstice na podobi lahko nadomestimo z vrednostmi sosednjih pikslov. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 15.2 Vodoravne proge, ki jih opazimo na podobah satelitov Landsat. . . . . . . 125 15.3 Registracija podobe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 15.4 Interpolacija novih vrednosti pri prevzorčenju z metodo najbližjega soseda, z bilinearno interpolacijo in s kubično konvolucijo. . . . . . . . . . . . . . . 129 15.5 Na signal, ki ga zazna detektor, vplivajo različna vpadna valovanja. . . . . 130 15.6 Opazovanje in odštevanje odbojnih vrednosti temnih predmetov je najpre- prostejši način atmosferske korekcije. . . . . . . . . . . . . . . . . . . . . . 130 15.7 Regresijska krivulja pri primerjavi infrardečega in vidnega kanala določa prispevek atmosfere. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 15.8 Mozaičenje ustvari iz posameznih satelitskih posnetkov navidezno enega samega. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 15.9 Topografska normalizacija posnetka Landsat. . . . . . . . . . . . . . . . . . 133 15.10 Delovanje senzorja Landsat ETM+ z nizkim in visokim prirastkom. . . . . 134 16.1 Prerez človeškega očesa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 16.2 Spektralna občutljivost človeškega očesa. . . . . . . . . . . . . . . . . . . . 138 16.3 Barvna modela RGB in HSI. . . . . . . . . . . . . . . . . . . . . . . . . . . 139 16.4 Primerjava črno-belega in barvnega prikaza podobe. . . . . . . . . . . . . . 140 16.5 Podoba satelita Landsat, prikazana z vrednostmi, ki jih je zaznal senzor. . 142 16.6 Linearni razteg kontrasta izboljša jasnost podobe. . . . . . . . . . . . . . . 143 16.7 Uravnoteženje ustvari zelo kontrastno podobo z enakomeno razporejenimi vrednostmi v histogramu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 16.8 Normalna ali Gaussova porazdelitev. . . . . . . . . . . . . . . . . . . . . . 147 239 Kazalo slik 16.9 Gaussov razteg ustvari kontrastno podobo, ki ima normalno razporejen histogram. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 16.10 Razrez podobe temperatur na nivoje omogoča hitro določanje različno top- lih območij. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 16.11 Pri psevdobarvni transformaciji črno-beli podobi spremenimo deleže posa- meznih barv in ustvarimo navidezne barve. . . . . . . . . . . . . . . . . . . 152 16.12 Pri konvolucijskem filtriranju prek podobe pošljemo računsko okno in v njem izvedemo določeno operacijo. . . . . . . . . . . . . . . . . . . . . . . 154 16.13 Nizkoprepustni filter oziroma filter povprečenja podobo zgladi in s tem odpravi šum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 16.14 Filter mediana podobo zgladi, pri čemer ohrani robove in ne ustvari novih vrednosti. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 16.15 Gaussov filter podobo zgladi, pri čemer stopnjo glajenja določamo z vred- nostjo standardnega odklona. . . . . . . . . . . . . . . . . . . . . . . . . . 156 16.16 Z visokoprepustnim filtriranjem iz podobe dobimo podrobnosti. . . . . . . 158 16.17 Primerjava filtrov za odkrivanje robov. . . . . . . . . . . . . . . . . . . . . 159 17.1 Z odštevanjem lahko določimo spremembe, do katerih je prišlo med zajetjem podob. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 17.2 Razlika podob poudari spremembe, nastale v času med snemanjema. . . . 163 17.3 Razmerje kanalov je zelo podobno na osvetljenem in na senčnem delu podobe.164 17.4 Vegetacijski indeks NDVI območja okolice Ljubljane. . . . . . . . . . . . . 165 17.5 Transformacija PCA zmanjša število kanalov s povečevanjem informacijske gostote. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 17.6 Kanali 1 do 7 podobe satelita Landsat Ljubljane in okolice. . . . . . . . . . 168 17.7 Osnovne komponente 1 do 7 podobe Ljubljane in okolice. . . . . . . . . . . 169 17.8 Kauth-Thomasova transformacija podobe senzorja Landsat TM. . . . . . . 171 17.9 Združevanje večspektralne in pankromatske podobe s transformacijo med prostoroma HSI in RGB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 18.1 Spektralni podpis različnih tipov tal. . . . . . . . . . . . . . . . . . . . . . 176 18.2 Gruče v spektralnem prostoru. . . . . . . . . . . . . . . . . . . . . . . . . . 179 18.3 Spektralni podpisi učnih vzorcev. . . . . . . . . . . . . . . . . . . . . . . . 180 18.4 Pri klasifikaciji uporabljamo več različnih algoritmov. . . . . . . . . . . . . 181 18.5 Rezultat nadzorovane klasifikacije satelitskega posnetka. . . . . . . . . . . 182 19.1 Integracija podatkov daljinskega zaznavanja. . . . . . . . . . . . . . . . . . 185 19.2 Intergracija posnetkov različnih ločljivosti in različnih senzorjev. . . . . . . 186 19.3 Intergracija podatkov optičnega in radarskega senzorja. . . . . . . . . . . . 187 19.4 Perspektivni pogled in integracija podatkov v sistemih GIS. . . . . . . . . 187 20.1 Uporaba je zadnji korak postopka daljinskega zaznavanja. . . . . . . . . . 190 20.2 Primerjava simuliranih pankromatskih posnetkov visoke in srednje ločljivosti.191 20.3 Digitalni model višin, ki je bil izdelan s tehniko radarske interferometrije. . 193 20.4 Rezultat klasifikacije satelitskih posnetkov Landsat. . . . . . . . . . . . . . 194 20.5 Lidar omogoča opazovanje podrobnosti pod drevesnimi krošnjami. . . . . . 196 20.6 Perspektivni pogled območja plazu v Logu pod Mangartom. . . . . . . . . 197 20.7 Karta napovedi plazovitih območij, dobljena z analizo satelitskih posnetkov Resurs in Landsat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198 240 Kazalo tabel 4.1 Plasti atmosfere. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.2 Atmosferska okna so področja, ki so uporabna za daljinsko zaznavanje. . . 29 9.1 Najpomembnejši mikrovalovni pasovi. . . . . . . . . . . . . . . . . . . . . . 66 11.1 Kanali satelitov GOES. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 11.2 Kanali senzorja AVHRR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 11.3 Načini zajemanja podatkov senzorja AVHRR. . . . . . . . . . . . . . . . . 84 11.4 Kanali senzorja SEVIRI na satelitih Meteosat. . . . . . . . . . . . . . . . . 86 11.5 Kronologija izstrelitev satelitov Landsat. . . . . . . . . . . . . . . . . . . . 89 11.6 Kanali senzorja MSS na satelitih Landsat. . . . . . . . . . . . . . . . . . . 90 11.7 Kanali senzorjev TM in ETM+ na satelitih Landsat. . . . . . . . . . . . . 91 11.8 Kanali senzorja HRV na satelitih SPOT. . . . . . . . . . . . . . . . . . . . 95 11.9 Kanali sistema IKONOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 11.10 Kanali sistema QuickBird. . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 11.11 Kanali sistema SeaWiFS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 13.1 Primerjava vizualne interpretacije in digitalne obdelave podob. . . . . . . . 115 15.1 Število potrebnih kontrolnih točk v odvisnosti od stopnje polinomske trans- formacije. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 15.2 Kalibracijski parametri za senzor Landsat ETM+. . . . . . . . . . . . . . . 134 16.1 Uravnoteženje histograma zahteva izračun kumulativnega indeksa. . . . . . 145 16.2 Število pikslov v odvisnosti od novih digitalnih vrednosti pri uravnoteženju histograma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 16.3 Določitev števila pikslov za posamezno digitalno vrednost pri Gaussovem raztegu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 16.4 Za določanje novih digitalnih vrednosti pri Gaussovem raztegu primerjamo teoretično in dejansko kumulativno število pikslov. . . . . . . . . . . . . . 148 16.5 Število pikslov v odvisnosti od novih digitalnih vrednosti pri Gaussovem raztegu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 17.1 Korelacija med kanali podobe satelita Landsat. . . . . . . . . . . . . . . . 167 17.2 Osnovne komponente s pripadajočimi variancami za podobo . . . . . . . . 167 241 Kazalo tabel 17.3 Koeficienti Kauth-Thomasove transformacije v primeru senzorja Landsat TM.171 18.1 Dvokanalni podpisi značilnih tipov površja. . . . . . . . . . . . . . . . . . . 176 18.2 Matrika napak pove, kako zanesljivo so določeni posamezni razredi. . . . . 183 18.3 Ocena natančnosti klasifikacije, dobljena s primerjavo kontrolnih točk in posnetkov ortofoto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183 242 Stvarno kazalo absolutna temperatura, 199 barvni prostor, 137–140 absorpcija, 27–29, 31, 199 barvni prostor HSI, 139, 201 absorpcijski pas, 199 barva, 201 aditivne osnovne barve, 199 intenziteta, 208 Advanced Very High Resolution Radio- nasičenost, 212 meter, 84–85, 199 barvni prostor RGB, 138, 201 AIRSAR, 199 barvni vid, 201 akromatični vid, 199 batimetrija, 201 aktivni mikrovalovni instrument, 102, 199 baza, 201 aktivni senzor, 44, 200 bilinearno prevzorčenje, 128 albedo, glej odbojnost bit, 201 AMI, glej aktivni mikrovalovni instru- bližnja infrardeča svetloba, 201 ment CCD, glej detektor CCD amplituda, 200 CCRS, 201 analiza osnovnih komponent, 166–170, CEOS, glej Committee on Earth Obser- 200 vation Satellites analiza podob, 14, 113 CIS, 201 analogna fotografija, 200 Clarkov obroč, 201 analogna obdelava podob, 114 CNES, 201 anomalija, 200 Committee on Earth Observation Satel- antena, 200 lites, 201 apogej, 200 Coordinated Universal Time, 202 aritmetične operacije, 162–164 CSA, 202 ASF, 200 CTS, 202 atmosfera, 25, 200 čakalni čas, 60, 202 atmosferski popravki, 129–131, 200 čas ponovnega obiska, 42 atmosfersko okno, 29, 200 čas ponovnega snemanja, 42 atribut, 200 časovna ločljivost, 202 ATS, 81 CZCS, 99, 202 AVHRR, glej Advanced Very High Re- človeški vid, 137–140 solution Radiometer črno telo, 202 azimut, 200 daljinsko zaznavanje azimutna ločljivost, 67, 201 definicija, 13–14, 202 bajt, 201 lidarsko, 73–79 barva, 201 optično, 55–63 barvni film, 56, 201 platforme, 37–39 243 Stvarno kazalo radarsko, 65–71 ERTS, 88 sistemi, 37–44 ESA, glej European Space Agency uporaba, 189–198 ESRIN, 204 zgodovina, 15–19 ETM+, glej Thematic Mapper daljnja infrardeča svetloba, 202 European Remote-Sensing satellite, 101– deklinacija, 202 103, 204 deljenje podob, 164 European Space Agency, 204 DEM, glej digitalni model višin faza, 205 DEOS, 202 film, 55, 205 detektor, 202 barvni, 56, 201 detektor CCD, 202 infrardeči barvni, 207 dielektričnost, 202 infrardeči pankromatski, 56, 207 dielektrik, 202 pankromatski, 55 diferencialna interferometrija, 104 filter, 205 diferencialni interferogram, 104, 203 Gaussov, 156 difuzni odboj, 219 Laplaceov, 210 digitalizacija, 203 mediana, 155–156, 205 digitalna fotografija, 203 neusmerjeni, 213 digitalna obdelava podob, 114, 203 nizkoprepustni, 154–155, 213 digitalna vrednost, 203 povprečja, 205 digitalni model reliefa, 203 Robertsov, 159 digitalni model višin, 192, 203 robov, 158–160 dinamično območje, 203 smerni, 221 diskretni lidar, 74 Sobelov, 159 DLR, 203 visokoprepustni, 157–158, 226 DMR, glej digitalni model reliefa filter mediana, 155–156, 205 DMV, glej digitalni model višin filter povprečja, 205 DN, glej digitalna vrednost filter robov, 158–160 določanje pokrovnosti, 193–195 filtriranje, 71, 77, 152–160, 205 določanje rabe tal, 193–195 konvolucijsko, 153–154 dolžina pulza, 203 prostorsko, 137 Dopplerjev pojav, 67, 203 fotografija, 205 Dopplerjeva frekvenca, 203 analogna, 200 DTM, glej digitalni model reliefa digitalna, 203 dvigajoča tirnica, 41, 204 fotografska kamera, 55–58 dvojiški številski sistem, 204 fotogrametrija, 58 ekvator, 204 foton, 205 elektromagnetni spekter, 23–24, 204 Fourierjeva transformacija, 153, 161, 205 elektromagnetno valovanje, 21–24, 65, frekvenčni premik, 67 204 frekvenca, 65, 205 elipsoid, 204 laserskih pulzov, 75 rotacijski, 220 frekvenca ponavljanja pulza, 205 Endeavour, 108 Gaussov filter, 156 Environmental Satellite, glej Envisat Gaussov razteg histograma, 146–149 Envisat, 103–107, 204 GCP, glej oslonilna točka EOS, 204 geodetski datum, 205 ERS, glej European Remote-Sensing sa- geodezija, 205 tellite geografska dolžina, 205 244 Stvarno kazalo geografska širina, 206 INS, glej inercialni navigacijski sistem geografski informacijski sistem, 206 InSAR, 208 geografski prostor, 177 integracija podatkov, 185–188 geoid, 206 intenziteta, 208 geokoda, glej koordinata interakcija geomatika, 206 mikrovalov s površjem, 68–71 geometrijski popravki, 116, 125–129, 206 s površjem, 13, 31–34 georeferenciranje, 126, 206 z atmosfero, 25–30 geostacionarna tirnica, 39, 206 z vegetacijo, 33 GIS, glej geografski informacijski sistem z vodo, 33 GMS, 206 interaktivna obdelava, 208 GMT, glej Coordinated Universal Time interferogram, 208 GOES, 82–83, 206 interferometrija, 104, 208 GOME, 102 diferencialna, 104 goriščna razdalja, 206 interpretacija, 208 GPS, glej sistem globalnega pozicioni- analogna, 114 ranja digitalna, 114 Greenwich Mean Time, glej Coordina- podob, 14, 113–117 ted Universal Time vizualna, 119–121, 175 gručenje, 178 interpretacijski ključ, 208 GURS, 207 IR, glej infrardeča svetloba hiperspektralni skener, 50, 207 ISODATA, 178 histogram, 141, 207 izboljšanje kontrasta, 137, 208 Gaussov razteg, 146–149 izboljšanje podob, 116, 137–160, 208 linearni razteg, 142–143 izdelovalčeva natančnost, 182 minimum, 130 Japanese Earth Resources Satellite, 208 psevdobarvna transformacija, 151– jedro, 208 152 JERS, glej Japanese Earth Resources razrez na nivoje, 150–151 Satellite ujemanje, 125 Jet Propulsion Laboratory, 208 uravnoteženje, 143–146 JPL, glej Jet Propulsion Laboratory hitrost svetlobe, 207 JRC, 208 HSI, glej barvni prostor HSI K-Means, 178 ICA, 207 kalibracija, 132–135, 208 IDL, 207 kanal, 139, 208 IFOV, glej trenutno vidno polje karta, 209 IKONOS, 96–98 kartiranje, 191–192 inercialni navigacijski sistem, 76, 207 kartografija, 209 informacija, 207 Kauth-Thomasova transformacija, 170 informacijski razredi, 178 Keplerjevi elementi, 209 infrardeča svetloba, 24, 207 Keplerjevi zakoni, 209 bližnja, 201 klasifikacija daljnja, 202 metoda najmanjše razdalje, 180 srednja, 222 metoda največje verjetnosti, 180 termična, 224 paralelepipedna metoda, 180 infrardeči barvni film, 207 klasifikacija podob, 117, 175–183, 209 infrardeči pankromatski film, 56, 207 nadzorovana, 179–181, 212 inklinacija, 207 nenadzorovana, 178–179, 213 245 Stvarno kazalo ovrednotenje, 181–183 matrika napak, 182 predmetno usmerjena, 217 Mercatorjeva projekcija, 211 spektralni podpis, 222 merilo, 211 učni vzorec, 225 mešani piksel, 211 koherenca, 209 metapodatki, 211 koherentni odbojnik, 209 Meteosat, 86–87 kompleksno število, 209 Miejevo sipanje, 27, 211 komplementarne barve, 210 mikrovalovanje, 211 kontekst, 210 mikrovalovi, 23 kontrast, 210 množenje podob, 163 izboljšanje, 137, 140–149, 208 moč laserja, 75 kontrolna točka, 127, 214 modeliranje, 79 konvolucijsko filtriranje, 153–154 MODIS, 211 koordinata, 210 MOMS, 211 koren povprečne kvadratne napake, 210 mozaik, 131, 212 kot gledanja, 210 mreža neenakih trikotnikov, 212 kotni odbojnik, 210 mrežni zapis, 212 krajevni vpadni kot, 68 MSG, 86 kubična konvolucija, 128 MSS, glej Multispectral Scanner Landsat, 88–90, 210 Multispectral Scanner, 59, 89, 212 Laplaceov filter, 210 nadir, 212 laser, 210 nadzorovana klasifikacija, 179–181, 212 lasersko skeniranje, 76 nagib, 212 lažno barvna podoba, 211 naklon, 212 lidar, 73–79, 211 naravne nesreče, 195–198 delovanje, 73–76 NASA, glej National Aeronautics and diskretni, 74 Space Administration filtriranje, 77 NASDA, 212 obdelava podatkov, 76–79 nasičenost, 212 tehnične lastnosti, 75 natančnost, 212 valovni, 74 National Aeronautics and Space Admi- linearna regresija, 130 nistration, 212 linearni razteg histograma, 142–143 National Oceanic and Atmospheric Ad- linearni razteg z nasičenjem, 143 ministration, 84, 212 ločljivost, 47–54, 211 navpično pretiravanje, 213 azimutna, 67, 201 NDVI, glej normiran diferencialni vege- celica, 48 tacijski indeks časovna, 53–54, 202 nenadzorovana klasifikacija, 178–179, 213 nizka, 48 neselektivno sipanje, 27, 213 prostorska, 47–49, 218 nesistematično popačenje, 213 radiometrična, 50–52, 218 neusmerjeni filter, 213 razdaljna, 66, 219 Newtonovi zakoni, 213 spektralna, 49–50, 222 nihajni čas, 213 visoka, 48 NIMA, 213 ločljivostna celica, 48 nizka ločljivost, 48 lom svetlobe, 29–30, 211 nizkoprepustni filter, 154–155, 213 lomni količnik, 211 NOAA, glej National Oceanic and At- manjkajoče vrstice, 124 mospheric Administration 246 Stvarno kazalo normiran diferencialni vegetacijski indeks, načini prenosa, 111 165, 213 prenos in sprejem, 14, 111–112 občutljivost, 213 sprejemna postaja, 112 obdelava SAR, 67, 213 podatkovna fuzija, 172 obhodna doba, 214 podoba, 215 objektiv, 214 interpretacija, 14, 113–117 oblika, 121, 214, 226 izboljšanje, 116, 137–160, 208 odboj, 32, 214 klasifikacija, 117, 175–183, 209 pravokotni, 69 lažno barvna, 211 razpršeni, 32, 69, 219 odboja, 215 zrcalni, 32, 69, 227 predobdelava, 14, 116, 123–135, 217 odbojnost, 214 radiance, 215 odprava napak v delovanju senzorjev, razlik, 216 123–125 razmerij, 216 odstranitev prog, 125 sprememb, 216 odštevanje podob, 162 transformacije, 116, 161–172, 224 ogljikov dioksid, 27 podoba odboja, 215 opazovanje gozdov, 195 podoba radiance, 215 opazovanje naravnih nesreč, 195–198 podoba razlik, 162, 216 optični senzor, 55–63 podoba razmerij, 164, 216 orbita, glej tirnica podobe sprememb, 216 ortofoto, 214 pokrovnost, 193, 216 oslonilna točka, 214 polarizacija, 65, 216 osnovne barve, 214 polarna tirnica, 40, 216 aditivne, 199 polsfera, 216 komplementarne, 210 pometajoči skener, glej vzdolžni skener subtraktivne, 223 popačenje, 216 osončenje, 214 nesistematično, 213 ovrednotenje klasifikacije, 181–183 sistematično, 221 ozon, 27 popravki ozračje, glej atmosfera atmosferski, 129–131 PAF, 214 geometrijski, 116, 125–129 paketna obdelava, 214 manjkajočih vrstic, 124 pankromatski, 214 napak v delovanju senzorjev, 123– pankromatski film, 55, 214 125 paralaksa, 215 odstranitev prog, 125 pas C, 215 osvetlitve in vpliva terena, 131–132 pasivni senzor, 44, 215 radiometrični, 116 PCA, glej analiza osnovnih komponent posnetek, 216 perigej, 215 posodabljanje kart, 191–192 permanentni sipalci, 104 poševna fotografija, 216 piksel, 48, 70, 215 poševna razdalja, 216 mešani, 211 pot leta, 58 Plankov zakon, 215 poudarjanje robov, 216 platforma, 37–39, 47, 215 povezava, 121, 217 podatek, 215 povprečenje, 154 podatki povratno sipanje, 217 integracija, 185–188 precesija, 217 247 Stvarno kazalo prečna Mercatorjeva projekcija, 217 raster, 219 prečni skener, 59–60, 217 Rayleighovo sipanje, 26, 219 predmetno usmerjena klasifikacija, 217 razdalja, 219 predobdelava podob, 14, 116, 123–135, razdalja na površju, 219 217 razdaljemer, 74 prekrivanje, 217 razdaljna ločljivost, 66, 219 v prečni smeri, 217 razgibanost površja, 69, 219 v smeri leta, 217 razmerje med bazo in višino leta, 219 premer laserskega žarka, 75 razmerje signal šum, 219 prenos in sprejem podatkov, 14, 111– razpršeni odboj, 219 112 razpršeni odboj, 32, 69 prepoznavanje razredov, 179 razredi pretvorba radiance v odbojnost, 130 informacijski, 178 prevodnost, 70 spektralni, 178 prevračanje, 217 razrez na nivoje, 150–151, 219 prevzorčenje, 128–129, 217 razvijanje faze, 219 bilinearno, 128 redundanca, 219 kubična konvolucija, 128 referenčni elipsoid, 220 metoda najbližjega soseda, 128 registracija, 125–129, 220 PRF, glej frekvenca ponavljanja pulza reliefno popačenje, 220 približevanje, 217 rentgenski žarki, 24 prodiranje, 218 RGB, glej barvni prostor RGB programska orodja, 116 RMSE, 220 projekcija rob, 220 Mercatorjeva, 211 poudarjanje, 158–160, 216 prečna Mercatorjeva, 217 Robertsov filter, 159 projekcijski center, 218 rotacijski elipsoid, 220 prostorninsko sipanje, 218 SAR, glej umetno odprtinski radar prostorska ločljivost, 218 satelit, 220 prostorsko filtriranje, 137 radarski, 101–108 psevdobarvna transformacija, 151–152 vremenski, 81–87 psevdobarvni prikaz, 150–152 za opazovanje kopnega, 87–98 pulz, 218 za opazovanje morja, 99–101 QuickBird, 98 satelitski manevri, 42 raba tal, 193, 218 satelitski navigacijski sistem, 76, 220 radar, 65–71, 218 satelitski sistemi, 81–108 bočnega pogleda, 65–68, 218 Satellite Pour l’Observation de la Terre, pas C, 215 92–95 umetno odprtinski, 67–68, 225 scena, 220 radar bočnega pogleda, 218 SeaWiFS, 100–101 RADARSAT, 107–108, 218 segmentacija, 220 radarski sateliti, 101–108 senca, 121, 220 radarsko daljinsko zaznavanje, 65–71 senzor, 44, 220 radianca, 133, 218 aktivni, 44, 200 radijski valovi, 23 optični, 55–63 radiometrična ločljivost, 218 pasivni, 44 radiometrični popravki, 116 talni, 38 raketoplan, 218 termični, 62 248 Stvarno kazalo seštevanje podob, 162 Stefan-Boltzmannov zakon, 223 SEVIRI, 86 stereo model, 223 Shuttle Imaging Radar, 221 stereopar, 223 Shuttle Radar Topography Mission, 108, stereoskop, 223 221 stransko gledanje, 93 signal, 221 subtraktivne osnovne barve, 223 sipalec, 70, 221 svetloba, 23, 223 sipanje, 25–27, 65, 221 svetlost, 223 Miejevo, 27, 211 Systeme Pour l’Observation de la Terre, neselektivno, 27, 213 223 povratno, 217 šum, 223 prostorninsko, 218 Tagged Image File Format, 223 Rayleighovo, 26, 219 tandemsko snemanje, 101, 223 SIR, glej Shuttle Imaging Radar tekstura, 121, 137, 223 sistem globalnega pozicioniranja, 221 telemetrija, 224 sistematično popačenje, 221 temperatura, 224 skener, 59, 221 absolutna, 199 hiperspektralni, 207 termična infrardeča svetloba, 224 pometajoči, 216 termični senzor, 62 prečni, 59–60, 217 termično snemanje, 62–63 večspektralni, 58, 59, 62, 225 termogram, 62 vzdolžni, 60–61, 226 Thematic Mapper, 89, 224 skeniranje TIFF, 224 lasersko, 76 TIN, glej mreža neenakih trikotnikov SLAR, 221 tirna ravnina, 224 sled, 221 tirnica, 39–44, 224 SLR, glej radar bočnega pogleda dvigajoča, 41, 204 smerni filter, 221 geostacionarna, 39, 206 snemalni pas, 41, 222 perioda, 42 SNR, glej razmerje signal šum polarna, 40, 216 Sobelov filter, 159 ravnina, 224 Sonce, 222 skoraj polarna, 40, 221 sončno sinhrona tirnica, 40, 222 sončno sinhrona, 40, 222 spekter, 222 spuščajoča, 41, 222 spektralna ločljivost, 222 zniževanje, 227 spektralni odziv, 49, 175 TIROS, 81, 224 spektralni pas, 139, 222 TM, 224, glej Thematic Mapper spektralni podpis, 34, 49, 175, 222 točnost, 224 spektralni prostor, 177, 222 ton, 119, 224 spektralni razredi, 178 topografska normalizacija, 132, 224 spektralno prepoznavanje vzorcev, 175 transformacija SPOT, glej Systeme Pour l’Observation aritmetične operacije, 162–164 de la Terre, 223 Fourierjeva, 161 sprejemna postaja, 112, 222 HSI, 171–172 spuščajoča tirnica, 41, 222 Kauth-Thomasova, 170 srednja infrardeča svetloba, 222 valčna, 161 SRTM, glej Shuttle Radar Topography transformacije podob, 116, 161–172, 224 Mission transmisija, 32 249 Stvarno kazalo trenutno vidno polje, 47, 225 vzorec, 121, 226 učni vzorec, 179, 225 WGS 84, glej World Geodetic System učno območje, glej učni vzorec 1984 ujemanje histograma, 125 World Geodetic System 1984, 227 ultravijolična svetloba, 24, 225 zasuk, 227 umetno odprtinski radar, 67, 225 zaznavanje, 14, 227 uporaba daljinskega zaznavanja, 14, 189– združevanje podob, 172 198 zelenost, 170 uporabnikova natančnost, 182 Zemlja, 227 uravnoteženje histograma, 143–146 zemljepisna dolžina, glej geografska dol- USGS, 225 žina UTC, glej Coordinated Universal Time zemljepisna širina, glej geografska širina UV, glej ultravijolična svetloba zniževanje tirnice, 227 valčna transformacija, 161 zrcalni odboj, 32, 69, 227 valovanje, 225 zrnatost, 70, 227 pot skozi atmosfero, 13 žarki gama, 24 valovna dolžina, 65, 225 laserja, 75 valovni lidar, 74 valovno število, 225 varianca, 225 veččasovna integracija, 186 večkanalna kamera, 225 večločljivostna integracija, 186 večsenzorska integracija, 186 večspektralni skener, 50, 58, 59, 62, 225 večspektralno skeniranje, 59–61 vegetacijski indeks, 164–166, 225 normiran diferencialni, 165, 213 vektor, 226 velikost, 121 vesoljska postaja, 226 vezna točka, 226 vidna svetloba, 24, 226 vidno polje, 226 vir elektromagnetnega valovanja, 13 visoka ločljivost, 48 visokoprepustni filter, 157–158, 226 višinomer, 226 vizualna interpretacija, 119–121, 175 vlažnost, 170 vodna para, 28 vpadni kot, 226 vpogledna tabela, 144, 226 vremenski sateliti, 81–87 vrstični skener, glej prečni skener vzdolžna smer, 226 vzdolžni skener, 60–61, 226 250 Daljinsko zaznavanje je veda, s katero se srečujemo ves čas svojega življenja. Ko se sprehajamo po mirni naravi ali hitimo po neskončnih cestah, ko zremo v oblake na nebu, mežikamo v močno Sonce, zasanjano opazujemo oddaljene zvezde ali prebiramo debele knjige. Ne da bi se prav zavedali, zaznavamo oddaljene predmete z očmi – »instrumentom«, ki ga nobeno tehnično sredstvo ne more zamenjati. Pa vendar včasih svoj pogled usmerimo tudi onkraj vid- je nega, vzamemo v roke mikroskop, se zazremo skozi teleskop ali si na računalniškem zaslonu n ogledamo satelitske posnetke. Tehnologija zajema podatkov iz letal in satelitov postaja vsako- daljinsko zaznavanje dnevno orodje v najrazličnejših študijah – od arheologije, biologije in ekologije, prek geogra- fije, meteorologije, geologije in gozdarstva do geodezije. Razvoj internetnih tehnologij, pred- vsem hitrejših spletnih povezav, in dejavnost tehnološko vplivnih podjetij, kot sta, na primer, ava Google in Microsoft, sta satelitske podobe prinesela na zaslone sodobnih internavtov. zn za sko ljinad štir Dr. KRišTof ošTiR je raziskovalec na inštitutu za f o antropološke in prostorsk s e ke študije tudije �R�� R S���� S in in predavatelj več dodiplomskih in podiplomskih predmetov na ��niverzi v Ljubljani. ��kvarja se z optičnim in radarskim daljinskim zaznavanjem, ki ga uporablja pri opazovanju naravnih nesreč, ISBN 961-6568-72-8 opazovanju pokrovnosti in zaznavanju sprememb iSBN 961-6568-72-8 http://zalozba.zrc-sazu.si rišto površja, analizi arheoloških najdišč ter modelira- krištof oštir nju paleo okolja. Je avtor številnih člankov iz da- k ljinskega zaznavanja, geografskih informacijskih sistemov in računalništva. 5.272 SiT / 22 € 9 7 8 9 6 1 6 5 6 8 7 2 2 ostir_ovitek.indd 1 11.12.2006 13:10:56