Dálkový průzkum Země a jeho aplikace. Lucie Kupková, Markéta Potůčková Přírodovědecká fakulta, KAGIK Univerzita Karlova v Praze

Transkript

1 Dálkový průzkum Země a jeho aplikace Lucie Kupková, Markéta Potůčková Přírodovědecká fakulta, KAGIK Univerzita Karlova v Praze

2 Obsah přednášky Podstata DPZ Oblasti spektra využitelná pro DPZ Části spektra použitelná pro DPZ Záření po dopadu na zemský povrch Spektrální chování Křivka spektrální odrazivosti Spektrální projev (voda, vegetace, půda ) Spektrální rozlišení Spektrální knihovna Digitální snímek Barevný kompozit Zpracování digitálních dat Aplikace DPZ (projekt HyMountEcos, tundra, mapování sněhu) Software a data DPZ

3 Dálkový průzkum Země (1) (5) (6) (7) (2) (2) (4) Referenční data (9) (3) (8) 1. Zdroj energie 2. Průchod atmosférou 3. Interakce se zemským povrchem 4. Záznam záření senzorem 5. Přenos dat 6. Záznam a distribuce dat 7. Zpracování, interpretace, analýza 8. Výstupy 9. Využití

4 Elektromagnetické spektrum Nositelem informace v DPZ je elektromagnetické záření Toto záření má tzv. duální charakter, za určitých podmínek se projevuje jako částice ( fotony : částicový korpuskulární charakter), za jiných jako vlnění (vlnový charakter) Elmg. záření tvořeno elmg. vlnami = zvláštní případ elmg. pole, v němž se periodicky mění velikost intenzity elektrického E a magnetického H pole Spojité spektrum, obrovský rozsah 20 řádů Výhodou DPZ oproti lidskému oku je to, že vidí, tj. zachytí, a tudíž dokáže k analýzám využít i jiné části spektra než jen záření viditelné nové informace Frekvence Vlnová délka

5 Průchod záření atmosférou To, které části proniknou na zemský povrch a mohou tak být využity pro účely DPZ, ovlivňuje atmosféra. Než záření dopadne na zemský povrch, dochází při průchodu atmosférou k rozptylu a pohlcování (absorpci). Rozptyl -způsoben částicemi v atmosféře (např. prach) a velkými molekulami plynů - interakce a odchýlení elmg. záření z původní dráhy - intenzita rozptylu závisí na několika faktorech např. na vlnové délce a množství částic v atmosféře

6 Průchod záření atmosférou Absorpce záření (pohlcování) Způsobují molekuly látek, které pohlcují elmg. energii různých vlnových délek Plyny (O 3, O 2, CO 2, CH 4, N 2 O), vodní pára Ovlivňují to, které části spektra proniknou na zemský povrch (možno využít pro DPZ) části spektra, pro něž je atmosféra průchodná, se nazývají atmosférická okna Pohlcené záření

7 Oblasti spektra využitelné v DPZ V důsledku vlivů atmosféry (pohlcování, rozptyl záření) lze snímky vytvářet pouze v určitých částech spektra: Teoreticky ultrafialové záření (UV) 0,1 0,4 μm viditelné záření (VIS) 0,4 0,7 μm infračervené záření blízké (NIR) 0,7 1,1 μm infračervené záření střední (MIR) 1,1 5 μm tepelné záření (TIR) 8,0 14 μm mikrovlnné záření (MW) 1 mm 1 m prakticky viz atmosférická okna

8 Ultrafialové záření (0,1 0,4 μm) Je to záření škodlivé pro živé organismy. K zemskému povrchu je propouštěna pouze malá část. V DPZ se využívá v podobě tzv. UV laseru. Může sloužit pro vyhledávání ložisek zlata, pro monitorování ropných skvrn. Toto záření také do jisté míry prochází vodním sloupcem. Mnoho minerálů vydává charakteristické záření v těchto vlnových délkách (využití v mineralogii). Intenzita pohlcování UV záření O3 slouží k monitorování mocnosti ozónové vrstvy. Celkové množství ozónu Družice NOOA

9 Viditelné záření (0,4 0,7 μm) V oblasti viditelného záření pracují všechny konvenční metody a také většina družicových systémů. Je nejvyužívanější částí spektra především z historického hlediska. Neprochází oblačností a mlhou, lze ho zaznamenávat pouze v denních hodinách. Značný rozptyl a pohlcování má za následek např. ztrátu kontrastu viditelných snímků. Ve srovnání s delšími vlnovými délkami je toto záření schopno procházet vodním sloupcem především v modré části spektra. To umožňuje studovat mnoho fyzikálních i biologických vlastností vodních objektů. Jednotlivé horniny, minerály ani půda neukazují odlišnosti ve spektrálním chování ve viditelné části spektra. Důležité pro kompozit v pravých barvách

10 Snímky ve viditelné části spektra Změny v krajině v důsledku povrchové těžby Most a okolí, srpen 1996

11 Infračervené záření blízké (0,7 1,1 μm) Tvoří pokračování atmosférického okna z viditelné části spektra. Lze je zaznamenávat jak konvenčními fotografickými metodami (do 0,9 μm) tak i elektronicky. Je již méně pohlcováno a rozptylováno atmosférou. V důsledku toho jsou snímky ostré s dobrým kontrastem. Hodí se k topografickým účelům, důležité jsou tyto vlnové délky pro studium vegetace především v lesnictví a zemědělství. Voda se v těchto vlnových délkách chová téměř jako absolutně černé těleso.

12 Snímky v blízké IČ části spektra Globální mapování vegetace

13 Infračervené záření střední (1,1 5 μm) Zahrnuje dvě atmosférická okna se středy přibližně 1,5 a 2,2 mikrometrů. Obě jsou důležitá především pro vegetační a geologické studie. První okno např. umožňuje dobré odlišení druhů vegetace, hodí se k rozpoznávání ledu a sněhu, k odlišení oblačnosti a ke studiu zdravotního stavu vegetace. Druhé okno je oblastí, ve které má mnoho minerálů charakteristický absorpční pás. Množství odraženého záření je výrazně větší, než množství záření emitovaného. V důsledku tohoto malého množství záření emitovaného nelze blízké a střední infračervené vlnové délky využít ke zjišťování teplotních vlastností povrchů. To je možné až v oblasti termálního infračerveného záření, kde je podíl emitovaného záření větší.

14 Snímky ve střední IČ části spektra Mapování výskytu minerálů a hornin

15 Snímky v optické části spektra Viditelné, blízké a střední infračervené záření můžeme souhrnně označit jako optickou (pasivní) část spektra. Snímání v těchto částech spektra je závislé na počasí a na denní době (nelze snímat v noci). Při použití digitálních metod snímání můžeme dosáhnout vysokého prostorového rozlišení až 0,5 m (např. družice GeoEye-1 nebo WorldView-1 a 2). Protože dnes již máme dobré znalosti o spektrálním chování jednotlivých zemských povrchů a objektů (teorie spektrálního chování), můžeme pro rozpoznání přítomnosti/druhů objektů a povrchů, ale dokonce i k posouzení jejich stavu/kondice (obsah různých látek, stáří, vlhkost apod.) využít automatických metod (klasifikaci). V infračervené oblasti spektra tyto znalosti a metody umožňují rozpoznávat druhy povrchů, jevy a procesy, které jsou jinak lidským okem nepostižitelné.

16 Tepelné záření (5 μm 1 mm) Obsahuje dvě atmosférická okna v intervalu přibližně 3-5 a 8-12 mikrometrů. Snímků se používá např. ke zjišťování povrchové teploty oceánů (SST), k mapování tepelného znečištění řek a jezer i samotné krajiny, k lokalizaci lesních požárů apod. Protože v oblasti 3-5 mikrometrů je ještě množství odraženého záření poměrně značné, k měření radiační teploty lze využívat pouze nočních hodin. V oblasti 8-12 mikrometrů je již množství odraženého slunečního záření ve srovnání s emitovaným zářením velmi malé, těchto vlnových délek potom lze využít ke zjišťování radiační teploty i během denních hodin. K přesným kvantitativním měřením je nutná dobrá znalost tzv. emisivity objektů a procesů, které ovlivňují záření v atmosféře. V případě přesné kalibrace umožňují snímky získávat poznatky o tepelné bilanci objektů

17 Termální snímky studium vulkánů

18 SST Sea surface temperature Povrchová teplota oceánů (25. června 2010) data z družice MODIS

19 Monitoring požárů Požáry v Řecku 1997 a 1998, data Družice RESURS MSU-SK, termální pásmo s prostorovým rozlišením 600 m

20 Mikrovlnné záření (1 mm 1 m) Je využíváno pasivními i aktivními metodami (RADAR). Tyto dlouhé vlnové délky mohou za vhodných podmínek pronikat i pod povrch. Nejméně závisí na podmínkách počasí, je výrazně zeslabováno pouze v případě vydatného deště. Intenzita přirozeně emitovaného mikrovlnného záření je velmi nízká, musí měřící zařízení k zachycení zjistitelného signálu měřit toto záření na poměrně velké ploše. To je příčinou malého prostorového rozlišení dat získaných pasivními metodami v mikrovlnné části spektra. Značný rozvoj zaznamenávají aktivní systémy, poskytují data využitelná především pro studium reliéfu, plovoucího ledu, v geomorfologii, v lesnictví i v zemědělství. Pomocí aktivních mikrovlnných systémů lze získat i neobrazová data, informace o výškových poměrech, o řadě meteorologických prvků atd.

21 Radarové snímky mapování polárních oblastí

22 Záření po dopadu na zemský povrch Při kontaktu záření s materiálem na povrchu Země ovlivnění parametrů záření změněná, sekundární vlna Sekundární záření změna energie, geometrie Odražené (reflected) Pohlcené (absorbed) Prošlé (transmitted) E I (λ)=e R (λ)+e A (λ)+e T (λ) E I (λ) incident (dopadající) energy E R (λ) reflected energy E A (λ) absorbed energy E T (λ) transmitted energy Záleží na: -záření - vlnové délce, úhlu dopadu, polarizaci - fyz. a chem. vlastnostech materiálu = druhové parametry (struktura, elektrické vlastnosti, složení) -možno určit kondici daného povrchu = stavové parametry (vlhkost, stáří, příměsi atd.)

23 Spektrální projev Odrazové vlastnosti povrchů v závislosti na vlnové délce, fyzikálních a chemických vlastnostech povrchů formují jejich spektrální chování - projev Spektrální odrazivost: р λ = E R (λ)/ E I (λ) energie odražená (reflected) ku dopadající (incident) pro určitou vlnovou délku Možno popsat pomocí křivky spektrální odrazivosti závislost odrazivosti nebo emisivity na vlnové délce charakteristická pro daný objekt (rozlišení objektů) různé stavy jednoho objektu (posun hodnot) Dva objekty, které odrážejí podobné množství energie v jednom intervalu vlnových délek, mohou odrážet rozdílné množství v jiném int. jiné spektrální chování odlišení objektů

24 Spektrální projev vegetace Odrazivost vegetace ovlivňují druh rostliny, uspořádání vegetace (pokryv, míšení), fenologická fáze, voda, obsah minerálů, chemických látek, stáří, zdravotní stav

25 Spektrální projev vegetace

26 Red edge oblast rychlé změny v odrazivosti vegetace mezi pásmem pigmentační absorpce a buněčné struktury mezi 680 nm a 730 nm změna v odrazivosti 5 50% REIP the red edge inflection point Silný indikátor obsahu chlorofylu (čím větší číslo, tím vyšší obsah) posun změna kondice/aktivity vegetace REIP

27 Vegetační index VI = NIR R Normovaný vegetační index NDVI = (NIR R)/(NIR + R) Listový index LAI = L/S poměr plochy všech listů L k ploše půdy S

28 NDVI - aplikace Následující čtyři snímky jsou příkladem změn v hodnotách NDVI v průběhu vegetačního období v Evropě, v severní Africe v oblasti Sahelu První snímek je z počátku roku, kdy vegetace je zaznamenána pouze v nejjižnějších částech Evropy Druhý snímek ukazuje nástup jara na konci měsíce března a postupný nástup rozvoje vegetace ve střední Evropě Třetí ze série snímků zachycuje rozvoj vegetace na konci června Poslední snímek zachycuje situaci z konce září s postupným ústupem vegetace patrným především v severní a východní Evropě.

29 Vegetace spektrální rozdíly mezi druhy

30 Vliv vývoje vegetace

31 Vegetace vliv obsahu vody

32 Spektrální projev vody Voda v kapalném skupenství vysoká pohltivost (nízká odrazivost) ve VIS, NIR, MIR Relativně vyšší propustnost u krátkých vln ve VIS možno získat informace o dnu nádrže (max. 0,48 µm modrésvětlo) záření proniká až do 20m V IČ části spektra se voda chová téměř jako černé těleso, intenzivně pohlcuje záření a na snímcích se jeví jako nejtmavší Jakékoliv částice zvyšují odrazivost Sníh vysoká odrazivost viditelné a IČI pásmo, minima 1.55 m 1.75 a m čistota sněhu, velikost sněhových částic, stáří sněhu, množstv ství vody (tání)

33 Spektrální projev půd Spektrální vlastnosti půd formují především následující faktory: minerální složení půdní vlhkost obsah organických látek textura (drsnost) půdního povrchu vlhkost a) w = 5% b) w = 20% c) w = 40% Půda je komplexem biotických a abiotických součástí - z hlediska spektrálních vlastností je povrchem značně heterogenním. Spektrální projev anorganického materiálu je jednodušší než u vegetace. Anorganické látky se obecně vyznačují pozvolným vzestupem odrazivosti se vzrůstající vlnovou délkou. Odchylky od tohoto obecného schématu jsou způsobeny chemickým složením, mechanickými vlastnostmi, strukturou povrchu, erozními procesy apod.

34 Spektrální projev půd Vyšší vlhkost půdy způsobuje její sníženou odrazivost Obsah půdní vláhy často silně koreluje s texturou půdy. Hrubé písčité půdy s nízkým obsahem půdní vláhy mají vyšší odrazivost. Špatně odvodňované půdy s jemnozrnnou strukturou budou mít obecně nižší odrazivost. Minerální složení se projevuje v charakteristickém zabarvení půdy. V oblasti mikrovln je množství odraženého či emitovaného dlouhovlnného záření ovlivňováno především vlhkostí a drsností povrchu. Obsah humusu a železa a) Vysoký obsah humusu d) Nízký N obsah železa b) Nízký N obsah humusu e) Vysoký obsah železa c) Bez příměsíp

35 Spektrální projev minerálů a hornin Vhodnými oblastmi spektra, ve kterých lze dobře charakterizovat odrazové vlastnosti jednotlivých hornin a především minerálů, jsou střední infračervené vlnové délky a také oblast termálního záření Chemické složení určuje spektrální chování hornin ve viditelném a infračerveném oboru spektra. V oblasti termálního záření je pro jednotlivé druhy hornin charakteristická jejich tepelná kapacita. V oblasti mikrovln ovlivňují vzhled snímků především dielektrické vlastnosti.

36 Spektrální projev minerálů V křivkách spektrálního chování jednotlivých minerálů lze poměrně přesně lokalizovat absorpční pásy způsobené jednotlivými chemickými prvky či sloučeninami a také pásy způsobené přítomností vody

37 Spektrální projev hornin Výsledný tvar spektrální křivky odrazivosti hornin ovlivňují hlavně absorpční pásy ve spektru minerálů. Jejich rozmístění je dáno chemickým složením a krystalickou stavbou. V dlouhovlnné části spektra, ve které převažuje intenzita vyzařování nad intenzitou odraženého záření, hovoříme o křivkách spektrální emisivity.

38 Spektrální projev antropogenních povrchů antropogenní povrchy (beton, asfalt, střechy zastavěné, zpevněné povrchy) - blízké chování přírodního povrchu bez vegetace - závisí na druhu materiálu -emisivita - MW kovové materiály, drsnost, vlhkost

39 Spektrální knihovna

40 Digitální snímek a jeho vlastnosti Digitální snímek se skládá z tzv. obrazových prvků pixelů Každý pixel je charakterizován hodnotou DN (digital number).

41 Spektrální rozlišení Udává ve kterých částech spektra jsou data nasnímána jak široká jednotlivá pásma jsou (rozpětí vlnových délek) kolik pásem data obsahují panchromatický snímek multispektrální snímky hyperspektrální snímky

42 Prostorové rozlišení Zhruba odpovídá velikosti obrazového prvku Družice METEOSAT 7 NOAA 17 LANDSAT 7 SPOT 5 QuickBird Pixel 2,5 5 km 1,1 km 30 (15) m 2,5 (10) m 2,8 (0,65) m

43 Časové rozlišení Frekvence, s jakou systém vytváří snímky stejného území Družice Časové rozlišení Šířka scény METEOSAT 7 30 minut polokoule NOAA hodin km QuickBird 2 4 dny 11 km LANDSAT 7 16 dnů 185 km SPOT 5 26 dnů 60 km

44 Multispektrální informace

45 Multispektrální data družice Landsat Příkladem multispektrálních dat jsou snímky z družice Landsat 5 ze senzoru, který se nazývá Thematic Mapper Družice byla vypuštěna v roce 1984 a je stále funkční Od února 2009 jsou všechna data družice Landsat volně ke stažení na stránkách USGS - jedná se o data archivní i nově nasnímaná Pásma senzoru LTM5 Pásmo Vlnová délka (µm) Velikost pixelu (m) Modrá Zelená Červená Blízké IR Střední IR Termální IR Střední IR

46 Landsat 8 Stručně o rozdílech mezi Landsatem 7 (resp. dřívějšími) a Landsatem 8 (LDCM): o Landsatu 8 snímky Landsat volně ke stažení (po krátké registraci)

47 Spektrální rozlišení dat LTM5

48 Způsoby vizualizace Senzory, které pořizují snímky, pracují tak, že zaznamenávají a v tzv. kanálech (pásmech) ukládají informace z úzkého pásma (intervalu) vlnových délek potom můžeme kombinovat a zobrazovat tyto kanály digitálně s využitím právě tří zmíněných primárních barev modré, zelené a červené Pokud tři různé nasnímané kanály (intervaly vlnových délek) zobrazíme každý jednou primární barvou, zkombinují se tyto primární barvy v různém poměru v závislosti na tom, jak jasný je každý pixel v každém nasnímaném kanálu

49 Způsoby vizualizace 1. Černobílý (šedotónový) obraz 2. barevná syntéza (RGB systém) 3. pseudobarevný obraz (indexové barvy)

50 Snímky v odstínech šedi (panchromatické snímky) Když zobrazíme jeden kanál ve všech třech primárních barvách, bude hodnota odrazivosti každého pixelu ve všech třech primárních barvách stejná a vznikne černobílý obraz, který obsahuje různé odstíny šedí od bílé po černou. Vstupní pásmo R G B Výsledný odstín černá tmavě šedá šedá světle šedá bílá

51 Barevná syntéza v pravých barvách Vstupní pásmo Výsledný odstín 0,4-0,5 μm B R G B černá RGB tmavě šedá 0,5-0,6 μm G tm. zelená zelená žlutá 0,6-0,7 μm R světle šedá bílá barvy použité pro prezentaci pásem odpovídají vlnovým délkám, ve kterých byla pásma pořízena

52 Syntéza v nepravých barvách 0,5 0,6 μm 0,6 0,7 μm 0,8 0,9 μm Snímek z infračervené části spektra

53 Základní etapy digitálního zpracování snímků Předzpracování obrazu Radiometrické korekce Atmosférické korekce Geometrické korekce Zvýraznění obrazu Bodová zvýraznění Prostorová zvýraznění Vícepásmová zvýraznění kontrast prahování Klasifikace obrazu Klasifikace řízená a neřízená Klasifikace per-pixel a per-object filtrace Specifika zpracování radarových a hyperspektrálních dat Studium dynamiky jevů Modelování s obrazovými daty Integrace obrazových dat do GIS

54 Klasifikace obrazu Proces, při kterém je jednotlivým obrazovým prvkům přiřazován určitý informační význam. Cílem je nahradit hodnoty radiometrických charakteristik původního obrazu, které vyjadřují spektrální vlastnosti objektů a jevů na něm zobrazených, hodnotami vyjadřujícími tzv. informační třídy (např. land cover) Typ a obsah nové informace (např. tematické mapy) závisí na zaměření celého projektu. Hledané informační třídy jsou definovány na počátku procesu klasifikace ve formě tzv. klasifikačního schématu. Klasifikace není procesem jednosměrným, je procesem iteračním.

55 Klasifikace per pixel NEŘÍZENÁ ŘÍZENÁ Nevyužívá trénovacích dat, nevyžaduje a priori informaci o vlastnostech hledaných tříd Základním předpokladem, ze kterého vychází, je to, že pixely, které patří do jedné třídy, jsou ve vícerozměrném prostoru přirozeně blízko sebe a naopak pixely odlišných skupin, které představují povrchy lišící se svým spektrálním chováním, jsou dobře separované. Výsledkem první fáze neřízené klasifikace jsou tzv. třídy spektrální. Až jejich interpretací a postupným spojováním vznikají třídy informační. definování tzv. trénovacích ploch výpočet statistických charakteristik tzv. spektrálních příznaků pro trénovací plochy charakterizující jednotlivé třídy, jejich editace a výběr vhodných pásem pro vlastní klasifikaci volba vhodného rozhodovacího pravidla (tzv. klasifikátoru) pro zařazení všech prvků obrazu do jednotlivých tříd zatřídění všech obrazových prvků do vymezených tříd úprava, hodnocení a prezentace výsledků klasifikace

56 Objektově orientovaná klasifikace Základní jednotkou pro klasifikaci není obrazový prvek (pixel), ale skupina prostorově souvisejících pixelů (field, image object primitive ). Tato skupina pixelů je vytvořena procesem segmentace obrazu. Jejím cílem je pospojovat pixely podobných vlastností do skupin. Nejsou uvažovány jen vlastnosti spektrální, ale například textura, tvar, velikost, topologické vlastnosti apod.

57 Projekt HyMountEcos (Hyperspectral remote sensing for Mountain Ecosystems) KRNAP (spolupráce od r dr. Andrle,, dr. Kociánov nová,, dr. Březina B a další ší) EUFAR - Česko-polský projekt (Varšavsk avská Univerzita doc. Bogdan Zagajewski) První kampaň konec června 2012, druhá od 10. záříz záříz 2012 nasnímána HS data skenerem APEX pro českou a polskou část Krkonoš Cíle Mapování a inventarizace horských ekosystémů Analýza společenstev, enstev, druhů a invazivních druhů Hodnocení kondice lesních ekosystémů (biofizykální parametry, spektráln lní parametry) Návrh komplexního zpracování dat pro hodnocení horských ekosystémů

58

59

60 Ukázka dat APEX (Airborne( Prism Experiment) Prostorové rozlišen ení 2 m nm Cca 300 spektráln lních pásemp

61 Diplomové práce HyMountEcos Hodnocení lučních společenstev enstev a invazivních druhů Analýza chlorofylu jako indikátoru fyziologického stavu smrkových porostů Analýza ligninu jako indikátoru fyziologického stavu smrkových porost Geologické mapování vrcholových partií Krkonoš Odhad množstv ství lesní biomasy (využit ití dat laserového skenování) Podrobná mapa land cover Krkonoš Klasifikace antropogenních materiálů z HS dat Tundra klasifikace land cover vývoj vegetace Např.. kosodřevina, rašelini eliniště,, 2b ostatní,, alpínsk nská vřesoviště,, subalpínsk nská brusnicová vegetace, alpínsk nské trávn vníky, alpínsk nské trávn vníky vyfoukávan vané,, acidofilní vegetace alpínských drolin Spektráln lní charakteristiky, strukturáln lní charakteristiky, biofyzikáln lní vlastnosti (LAI, fapar)

62 Aplikace tundra změny vegetace (citlivý ekosystém) horní hranice lesa International Tundra Experiment ation.pdf

63 Aplikace polární oblasti sníh a led Ve viditelné a blízké infračervené části spektra mají sníh a led vysokou odrazivost. Odrazivost čerstvě napadlého sněhu převyšuje odrazivost ostatních povrchů. Podobně vysokou odrazivost mají horní vrstvy oblačnosti, tvořené ledovými krystalky. Odlišení oblačnosti (ledu) a sněhu lze provést ve středním infračerveném pásmu, ve kterém je odrazivost sněhu významně nižší než odrazivost oblačnosti. Nečistoty snižují odrazivost sněhu. Čím větší sněhové částice, tím menší odrazivost (především v IČ spektru). Se stářím sněhu klesá odrazivost (vyšší vodní hodnota sněhu, snížení odrazivosti především v IČ pásmu). Vodu v kapalném skupenství a led lze dobře odlišit v oblasti mikrovln odlišné elektrické vlastnosti (na radarových snímcích). To umožňuje monitorování procesu tání sněhu a ledu. Projekt Floreo

64 Data Viditelné spektrum vysoká reflektance až 80%. MSS Landsat (červený kanál 0,6 0,7 m), Spot, NOAA AVHRR, METEOSAT, MODIS METEOSAT a NOAA - přinášejí vysokou četnost měření, ovšem nízké prostorové rozlišení (1km, 5 km) družice Terra - skener MODIS m Výhodou dat MODIS je každodenní přelet nad daným územím a přímočařejší vyhodnocení dat. Radarové snímky např. družice Envisat a skeneru ASAR v rozlišení 150 m, TerraSAR-X možné zpracovávat bez omezení oblačností, ovšem s periodou opakovaného měření 34, resp. 11 dní Katalog polárních dat

65 Normalised Diference Snow Index Princip výpočtu stejný jako NDVI - porovnání odrazivosti v pásmech se středy na vlnových délkách přibližně 0,66 μm a 1,6 μm. Atmosféra je v těchto vlnových délkách transparentní, sněhová pokrývka velmi intenzivně odráží ve viditelné částispektra, ve střední IČ její odrazivost výrazně klesá NDSI = (R 0,66 R 1,6 )/(R 0,66 R 1,6 ) Na snímcích ve viditelné části spektra je sníh v důsledku vysoké odrazivosti velmi těžko rozpoznatelný od oblačnosti. Na 1,6 μm sníh záření výrazněji absorbuje a je tedy mnohem tmavší než oblačnost. Hodnoty NDSI menší než 0,4 indikují plochy pokryté sněhem.

66 Hloubka sněhu Snow water equivalent (SWE) Měření: Gama záření - princip snížení přirozené terestrické radiace masou vody v pokrývce sněhu gama radiační spektrometry

67 Pevninský led Světové středisko pro monitorování ledovců (World Glacier Monitoring Service, zkratka WGMS - organizace pro sledování velikosti zaledněných ploch a objemů ledovců výzkum klimatických změn a hydrologické modelování údaje přímo od výzkumníků, korespondenčních spolupracovníků i ze satelitního sledování podíl na rozsáhlém celosvětovém projektu Global Land Ice Measurements from Space (GLIMS), což je seznam všech ledovců, který vytváří a nepřetržitě aktualizuje organizace National Snow and Ice Data Center (NSIDC) WGMS data hlavně o ledovcích a množství sněhu z oblasti Alp a Skandinávie, kde jsou časově nejdelší a nejucelenější souvislé záznamy o změnách v zalednění získané informace publikovány ve dvouletých intervalech "Glacier Mass Balance Bulletin" Obdobné světové instituce jako WGMS jsou např. World Data Center for Glaciology Cambridge (WDCGC) a International Glaciological Society (IGS), kterétaképrovádějí výzkumy a shromažďují a zpracovávají data o stavu jednotlivých ledovců. Global Land Ice Measurements from Space (

68 Mořský led Pro snímkování mořského ledu je nejvhodnější mikrovlnné spektrum (pasivní mikrovlnné radiometry) Mapování je založeno na měření jasové teploty v oblasti mikrovln a na rozdílné emisivitě volné mořské hladiny a mořského ledu. Např. na vlnové délce 1,55 cm je emisivita mořského ledu vysoká (0,80-0,97), avšak emisivita volné mořské hladiny je pouze 0,44. Výrazně vyšší emisivita mořského ledu převažuje skutečnost, že led je chladnější než voda a tedy jeho jasová teplota by měla být nižší. Jasová teplota mořského ledu nabývá hodnot vyšších než 190K, jasová teplota mořské vodní hladiny je většinou nižší než 160K. Polar view Bakalářská práce DPZ při studiu mořského ledu: National Snow and Ice data centre NASA ICESat

69 Software a data DPZ Esa NASA (Landsat series) USGS Arcdata Gisat (katalog družicových dat) Digital Globe VITO, DLR, Geodis ENVI, PCI Geomatica, IDRISI, ERDAS Imagine Multispec Tutoriály

70 Děkuji za pozornost