Laboration 5: Introduktion till digital fjärranalys & olika sensorer För program: IDRISI Selva Syfte Syftet med denna övning är att ge en kort introduktion till fjärranalys med hjälp av programmet IDRISI, och att belysa skillnader mellan olika sensorer. Laborationen kan göras i grupp Förberedelse Läs avsnitt om fjärranalys i boken Geografisk informationsbehandling. Data Kopiera katalogen R:\FA\SensIDR_09\ (Kursdata) och lägg denna i C:\Tempdata. Redovisning Övningen redovisas genom att skicka in svar på frågorna i AC. En i gruppen skickar in svarsdokumentet och den andra skickar in en hänvisning till svaret. Tillvägagångssätt och kort introduktion till IDRISI Selva Starta programmet IDRISI Selva. Detta är ett datorprogram för analys av digitala satellitdata och andra GIS-data, särskilt rasterdata. Innan man börjar titta på och analysera sina data måste programmet veta var data ligger. Detta anges i Projects i Idrisi Explorer (meny längst till vänster). Klicka på Projects. Högerklicka i det tomma utrymmet strax under Projects och välj New Project. Välj sedan din datakatalog som finns under Tempdata. Projects Fungerar det inte? Testa att istället välja Change Projects Folder när du högerklickar (enligt ovan). Välj C:\Tempdata. Välj sedan New Project igen som ovan och välj datafoldern. I IDRISI representeras ett informations-lager (t.ex en rasterbild eller en vektorfil) av två filer; en datafil innehållande data och en tillhörande dokumentationsfil innehållande metadata om datafilen. Filnamnet för dessa två filer är desamma, men filsuffixen skiljer sig åt. Exempel: Landsat.rst och Landsat.rdc. Respektive filer benämns: Datafil Dokumentationsfil Filtyp Fil.rst Fil.rdc Rasterfiler Fil.vct Fil.vdc Vektorfiler 1
När IDRISI ritar upp en bild på skärmen använder det en PALETT- eller SYMBOL-fil. Dessa är filer som bestämmer med vilken färg eller med vilken symbol ett visst värde (i en "ruta" eller pixel vid rasterdata) i datafilen ska ritas ut. Lägg i programfönstret märke till: Menyer: File, Display, GIS Analysis, Modeling,... och Help Tool bar: Raden med symboler under meny-raden. Flera av de moduler (kommandon) som nämns nedan kan utföras genom att klicka på dess symbol. Notera gärna symbolen för respektive kommando under övningens gång. Statusbar (syns endast då någon bild är laddad): Raden längst ner i IDRISI-fönstret. Här kommer det upp användbar information vid användning av vissa funktioner i programmet. Se efter vilka filer som finns i projektkatalogen (klicka på Files i Idrisi Explorer). Lägg märke till metadata för varje fil längst ner till vänster. (Dubbelklicka på mappnamnet om inga filer syns) Kör en macro som heter modis (File>Run Macro, ange modis under Macro File Name, Run Macro). Inga macro parameters behöver anges. Fyra bildfönster läses nu in och kan analyseras. När bilderna ritas upp öppnas även ett Composer-fönster. I detta kan man ställa in hur bilden ska ritas ut; t.ex. så kan paletten ändras, man kan ändra titel, rutnät för ref.system kan ritas ut liksom nordpil, skala, legend etc. Om man ritat ut flera bilder på skärmen finns fortfarande bara ett Composer-fönster. Detta är då giltigt för den bild som är aktiv (översta randen i bildfönstret är blå). I Composer-fönstret skrivs också ut för vilken bild det för tillfället gäller. Studera en av bilderna och undersök följande saker: * Flytta markören (cursorn) över bilden. Notera c (kolumn), r (rad) samt x- och y- koordinater i Status bar. * Välj bilden modis_01_128_b1 och klicka på cursor inquiry mode-symbolen för att undersöka bildens pixelvärden. Det värde som visas då du klickar med hårkorset i bilden är pixelvärdet, dvs. intensiteten av den reflekterade strålning i det röda våglängdsbandet som satelliten Terra mätte upp med MODIS-sensorn just i den punkten där du pekar. Notera att värdet i det här fallet måste divideras med 10000 för att få värdet uttryckt i reflektans eftersom alla reflektansvärden i MODIS-bilderna multiplicerats med 10000 (för att spara lagringsutrymme). * Testa Zoom-funktionen Zoom Window. Markera med mus-pekaren övre vänstra hörnet på det område du vill detaljstudera, håll vänster mus-knapp nertryckt och förflytta pekaren nedåt höger För att zooma ut igen; välj symbolen Full extent Normal brevid. Testa även att använda musens scrollhjul för att zooma in och ut samt att dra i bilden med musen för att förflytta sig. Prova även att använda tangentbordets tangenter PgUp, PgDwn samt piltangenterna. Fjärranalys och olika sensorer 1. Studera den öppna bilden modis_01_128_b1. Den innehåller det röda våglängdsbandet från Terra-satellitens MODIS-sensor. Bilden är från 2001, dag nummer 128 (7 maj), 2
och pixelstorleken är ca 250 m. Jämför gråtonen i olika områden; Vilka områden i bilden är ljusa?... Vilka områden i bilden är mörka?... 2. Fundera över de spektrala reflektanserna för grön vegetation (grass och forest), jord (soil) samt, moln samt vatten i figuren nedan. Sortera dessa från låg till hög med avseende på värdet av den röda reflektansen:...... 3. Stämmer ordningen med det du observerar i satellitbilden (bevuxen jordbruksmark bör ha reflektans som liknar signaturen grass, medan obevuxen bör likna soil )?......... Figur 1. Ungefärliga spektrala signaturer för vatten, skog, jord, gräsvegetation och moln. I det synliga området (visible) markeras blått, grönt och rött av bokstäverna b, g och r. Våglängden anges i nanometer, nm (1000 nm = 1 µm). 4. Studera nu bilden modis_01_128_b2. Du ser här det nära infraröda ljus (NIR) som reflekterats från markytan och registrerats av MODIS-sensorn. Jämför ljusa och mörka områden i bilden samt jämför med hur värdena förväntas vara enligt kurvorna i nära infrarött (NIR) i Figur 1. 5. Du ska nu ladda in polygoner som ska användas för att extrahera statistik för tre områden. Ladda in dessa genom att zooma ut så att du ser hela bilden, sedan gå till Composerfönstret och välja Add Layer. Skriv in namnet på en vektorfil: trainingareas; under Symbol File välj Qualitative, och tryck OK. Tre polygoner laddas in: en grön: Tyskland (jordbruksmark), en blå: Skåne (jordbruksmark) och en gul: Småland (barrskog). 6. Du ska nu ta fram histogram för de olika våglängsbanden för var och en av ytorna. Gör det genom att gå till GIS Analysis, Statistics, Histo. Under Input file type välj Signature file, och under Input file name skriv in germany. Ändra Class width till 8. Klicka på OK och ha lite tålamod. Det tar en stund att generera histogram för ytan. Skriv sedan in medelvärdena för rött och NIR i tabellen nedan (dividera värdena med 10000!). Gör likadant med ytorna Scania och Smaland. 3
Träningsyta Medelreflektans i rött Medelreflektans i NIR Kvot Germany Scania Smaland 7. Räkna nu ut kvoten NIR / Rött och skriv in under kolumnen Kvot. En sådan kvot förstärker skillnaden mellan rött och nära infrarött. 8. Vilken av kurvorna i Figur 1 har störst kvot mellan rött och nära infrarött?... 9. Gå nu till fönstret modis_01_128_ratio. Detta är ett s.k. vegetationsindex bildat genom att dividera det nära infraröda bandet med det röda bandet; dvs. precis som de kvoter du precis räknat ut, men för varje bildpixel. Notera att värdena i Tyskland är höga. Tror du då att det är mycket eller lite vegetation i Tyskland?... 10. Vilket anvädningsområde har således ett vegetationsindex?... 11. Med ledning av bildens datum, varför tror du jordbruksmarken i Tyskland har så mycket högre värden än den i Skåne?... 12. Jämför värdena i tabellen samt kvotbilden mellan Småland och Skåne. Skillnaden är inte så stor. Tydligtvis har vegetationens struktur (öppna åkrar jämfört med sluten skog) också stor betydelse för hur reflektansen ser ut. Barrskog absorberar mycket mer ljus i NIR (och blir därför mörkare) än andra vegetationsslag. 13. Den fjärde bilden modis_01_128_rgb är i färg och en kombination av tre våglängdsband (rött, grönt, blått). Lägg märke till färgskillnader mellan de olika vegetationstyperna i Tyskland, Skåne och Småland samt färgen på vatten och moln. Zooma in och notera begränsningarna i den geometriska upplösningen. Lägg märke till skillnad mellan en bilds upplösning (i det här fallet 250x250 m) och den upplösning som behövs för att korrekt kunna återge formen på olika objekt. Vilka faktorer påverkar hur många pixlar man behöver för att kunna studera sjöarna i Småland?... Stäng alla bildfönster. 14. Du skall nu titta på en sekvens av 4 st. vegetationsindexbilder från NOAA-satelliten, registrerade över Afrika. Det gör du genom att köra macron Africa (se ovan). Fyra bildfönster läses nu in. De olika färgerna i bilderna representerar olika mängd grönska i vegetationen, där mörkgrön innebär mest grönska, d.v.s. friskaste och störst bladmassa. Lägg märke till hur det gröna området varierar vid olika tidpunkter under året. Notera att monsunen över Afrika styrs av solens läge. Försök förklara vad som driver variationen av grönska mellan de olika årstiderna.... Stäng alla bildfönster. 4
15. Titta på rasterfilen tm_990803_rgb genom att under Display-menyn välja Display Launcher. Ange filnamnet tm_990803_rgb och klicka på OK. Du ser en simulerad färgbild över Öresund-området. Bilden är uppbyggd så att den ska simulera naturliga färger, dvs. våglängdsbanden blått, grönt och rött har använts. Satelliten är Landsat och sensorn heter TM (Thematic Mapper), och den har 30 meters upplösning. Vilka är de minsta objekt du kan urskilja i bilden?...... 16. Jämför färgen visuellt samt mät skillnaden i pixelvärden mellan vattnet i Öresund och i Ringsjön (ca. kolumn. 2600, rad 1100). Vad skulle skillnaden kunna bero på?...... 17. Läs in filen tm_990803_fcc med Display Launcher som ovan. Detta är en falsk färgbild skapad ur samma data som ovan, men där det nära infraröda bandet (NIR) ingår tillsammans med det röda och det gröna våglängdsbandet. Zooma in på ett skogsområde i båda bilderna (t.ex. lövskog på Söderåsen, runt kol. 1900, rad 680) och jämför färgerna. Notera att skogen är mörk i den vanliga färgbilden (RGB) medan den är klarröd i FCCbilden. Lägg också märke till skillnaden i färg gentemot barrskog, vid position kol. 1915, rad 665. Vilken av bilderna är bäst för att skilja mellan olika skogstyper?...... 18. Zooma in på Helsingborg i båda bilderna (ca. kol. 1060 rad 500). I vilken bild är det lättast att skilja ut stadsdelarna med grönområden och trädgårdar från övriga staden? 19. I vilken bild är vägnät och kvarter tydligast? 20. Zooma in på Falsterbonäset (ca. kol. 1260, rad 2850). I vilken bild kan man bäst kartera sandrevlarna i det grunda vattnet? 21. Stäng tm_990803_rgb men behåll tm_990803_fcc. Läs in spot040812_fcc på samma sätt som tidigare. Detta är en falsk färgbild från den europeiska SPOT-satelliten. De tre kanaler som visas har 10 meters upplösning. Leta upp några områden som finns i båda bilderna. Vilka detaljer kan man se i SPOT som inte framgår så tydligt i Landsat TM?...... 5
22. Försök att identifiera några objekt/områden i SPOT-bilden: no. kolumn rad Objekt? 1 2984 1083 2 1154 740 3 945 424 4 548 2098 5 1154 1958 Stäng alla fönster. 23. Läs in VerkaTM_FCC som ovan. Detta är ett utdrag ur en TM satellitbild som är geometriskt korrigerad till svenska koordinatsystemet RT 90, från 1994-07-12. Lägg över vektorfilerna River och Vagar med Add layer i Composer, och välj Outline white som Symbol file så syns linjerna i vitt. Läs också in flygbilden 2D5i_FCC som är skannad med 2 m upplösning och geometriskt korrigerad, ursprungligen i skala 1:30 000. Flygbilden är från 97-07-10 och täcker en fjärdedel av satellitbildens utbredning. Lägg på samma vektorer på flygbilden som på satellitbilden. Zooma in i satellitbilden till samma område som täcks av flygbilden. Jämför detaljrikedomen i de 2 bilderna. 24. Räkna ut datamängden för att täcka Skåne med data från NOAA (1 km upplösning), SPOT (10 m upplösning) samt Ikonos / flygbilder med 1 m upplösning. Skåne är ca. 10*10 mil. Varje pixel (bildcell) i bilderna upptar 1 byte per våglängdsband. För enkelhets skull utgår vi från tre våglängdsband för varje datatyp: NOAA:... SPOT:... Ikonos / flygbild:... 25. Nu när du sett några olika typer av fjärranalysbilder, försök skriva ner några rader om deras för respektive nackdelar. Försök också relatera olika data till olika kartskalor eller tillämpningsområden, t.ex. vilka bilder kan vara bra för att kartera t.ex. markanvändning, bebyggelse, infrastruktur eller vegetation i olika kartskalor. NOAA, Terra / MODIS:... Landsat / SPOT:... IKONOS / Flygbilder:... 6