Využit ití software ENVI 4.7 pro zpracování multispektráln lních a hyperspektráln lních dat v rámci r projektu NIKM (Národn rodní inventarizace kontaminovaných míst) m 19. konference GIS ESRI, 4.11.2010 Jana Petruchová Lenka Jiráskov sková
NIKM projekt je zaměřený na vytvoření metodiky inventarizace a posléze inventarizaci kontaminovaných míst (KM) potenciálně kontaminovaných míst (PKM) projekt NIKM je financován z Operačního programu Životní prostředí 2009-2013, podle Implementačního dokumentu vydaného Ministerstvem životního prostředí a Státním fondem životního prostředí, Prioritní osa 4 - Zkvalitnění nakládání s odpady a odstraňování starých ekologických zátěží, oblast podpory 4.2. - Odstraňování starých ekologických zátěží cíle projektu: zvýšení ochrany životního prostředí (ŽP) - podpora inventarizace KM - první krok k eliminaci znečištění vod a zemin včr získání přehledu o kontaminovaných lokalitách - základní předpoklad pro řízení procesu odstraňování starých ekologických zátěží 2
NIKM záměr projektu - poskytnout komplexní podporu procesu inventarizace v následujících krocích: shromáždění, analýza a následná syntéza všech dostupných poznatků a dat k danému tématu analýza možností využití dálkového průzkumu Země pro účely inventarizačního procesu vytvoření jednotné datové báze a aplikační podpory pro celý inventarizační proces včetně návazných procesů průzkumu, sledování a eliminace znečištění pilotní ověření vytvořených prostředků, navržené techniky a získaných poznatků v několika typově rozdílných územích rozdílnými řešitelskými týmy a koncepční posouzení těchto výsledků zpracování doporučeného postupu, návodů a metodik pro proces celoplošné inventarizace 3
projekt je rozvržen do dvou etap první etapa (2009-2013) - vytvoření nástroje a metodických předpokladů pro vlastní inventarizaci druhá etapa (2013-2015) - inventarizace pro celé území ČR NIKM zhodnocení využitelnosti metod dálkového průzkumu Země (DPZ) je součástí první etapy zpracování dat DPZ - software ENVI 4.7 SP 1 společnosti ITT Visual Information Solution - oficiální distributor pročr ARCDATA PRAHA s.r.o 4
v první etapě projektu NIKM jsou multispektrálními daty zkoumána tři testovací území o velikosti strany 50 km označená A, B a C doteď byla metodami DPZ analyzována oblast A NIKM 5
cíl zpracování multispektrálních družicových snímků identifikace PKM na vybraném testovacím území použitá multispektrální data družice RapidEye testovací oblast A (území mezi Podbořany, Plzní, Příbramí a Prahou) zvolená metoda klasifikace obrazu Multispektráln lní data výsledná klasifikovaná vrstva indikuje lokality PKM - jsou ověřovány v terénu (např. typ kontaminace) 6
Multispektráln lní data pro vytvoření spektrálních charakteristik PKM bylo identifikováno deset lokalit KM ze SEKM ID lokalita parametr A1 Buštěhrad/ Stehelčeves povrch rekultivované sklády NO A2 Skládka Rynholec povrch rekultivované sklády KO A3 Veltrusy Strachov povrch skládky NO A4 Hořovice Hrádek povrch skládky KO A5 Králův Dvůr Jarov (halda Jarov) povrch skládky IO A6 Řevnice povrch skládky KO A7 Libčice odkaliště galvanických kalů A8 Příbram skládka odpadů z hutí výroby Kovohutě Příbram A9 Příbram laguny a odkaliště sodné strusky Kovohutě Příbram A10 Uhy povrch skládky KO, z části rekultivované Systém evidence kontaminovaných míst (SEKM) je současný integrovaný databázový systém pro evidenci lokalit postižených kontaminací zemin, stavebních konstrukcí nebo půdního vzduchu a podzemních či povrchových vod 7
vytvořeny trénovací množiny odlučitelnost určena v nástroji n-d Visualizer kontrola spektrální separability trénovacích množin nástroj Compute ROI Separability využívající testy Jeffries- Matusita a Transformed Divergence výsledek potvrdil správnost volby trénovacích ploch Multispektráln lní data 8
Multispektráln lní data klasifikace řízená klasifikace Maximum Likelihood s prahem pravděpodobnosti odlišným pro jednotlivé trénovací množiny post-klasifikace určení přesnosti klasifikace jednotlivých tříd algoritmus Confusion Matrix na výsledku klasifikace byl odstraněn šum mediánový filtr Convolution and Morphology tool upravený rastr byl exportován do formátu shapefile identifikovaná PKM Raster to vector vektorová vrstva identifikovaných PKM je používána pro terénní šetření a ověření výsledků metody probíhající ověření - spolehlivost metody 75 % 9
Hyperspektráln lní data součástí projektu ověření možnosti využití hyperspektrálních dat pro vytvoření spektrální knihovny kontaminantů a detekci PKM pro tyto účely jsou zpracovávána hyperspektrální data družicová letecká laboratorně měřená hyperspektrální data obsahujířádově stovky velmi úzkých spektrálních pásem 10
Hyperspektráln lní data - družicov icová vědecké mise NASA - Earth Observing-1 (EO-1), senzor Hyperion (Hyperspectral Imager) data obsahují 242 pásem (158 je kalibrovaných) se spektrálním rozsahem od 357 do 2576 nm velikost jednoho snímku 7,5 x 100 km, při prostorovém rozlišení 30 m data byla stažena z archivu Geologické služby Spojených států (USGS) pro územíčr bylo k dispozici sedm snímků, ke zpracování byly vybrány dva v okolí Prahy 11
Hyperspektráln lní data - družicov icová formát dat z USGS - L1Gst (Geometric Systematic Terrain Corrected) radiometricky opravena, georeferencována a ortorektifikována zbývající kroky předzpracování: atmosférická korekce - převedení dat z hodnot záření na odrazivost odstranění šumu software ENVI nabízí nástroje pro atmosférické korekce založené na různých principech redukce vlivu atmosféry (empirická kalibrace, matematický model, určení parametrů ze scény, atd.) byly použity nástroje Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH) - MODTRAN4 QUick Atmospheric Correction (QUAC) 12
Hyperspektráln lní data - družicov icová atmosferická korekce FLAASH má několik výstupů rastr obsahující informaci o povrchové odrazivosti rastr odhadnutého množství vodních par a typu oblaků na těchto výstupech je dobře patrný vliv systematických chyb (šumu) na kvalitu snímku 13
Hyperspektráln lní data - družicov icová pro odstranění šumu snímku byl použit nástroj Maximum Noise Fraction (MNF) MNF je lineární transformace redukující rozměr hyperspektrálních dat výpočet statistik pro MNF transformaci se ideálně provádí na tmavém homogenním povrchu (např. dostatečně velké vodní ploše) pokud tuto plochu použijeme pro výpočet směrodatné odchylky hodnot záření, vidíme rozložení šumu v nezpracovaném snímku 14
Hyperspektráln lní data pro zpracování hyperspektrálních dat se používají metody souhrnně nazývané spektrální analýzy získávají se kvantitativní a kvalitativní informace o materiálech, a to díky jejich známým spektrálním projevům (odlišné odrazivosti v závislosti na vlnové délce) materiály detekované touto metodou mohou být zcela libovolné jako půda, vegetace atd., tedy i kontaminanty nejpoužívanější metodou spektrální analýzy je Spectral Angle Mapper (SAM) určuje podobnost dvou spekter pomocí výpočtu spektrálního úhlu mezi nimi v ENVI tuto metodu využívá například nástroj THOR určený pro identifikaci materiálu podle spektrálního profilu další metoda je Spectral Feature Fitting (SFF) zjišťující podobnost dvou spekter prostřednictvím metody nejmenších čtverců 15
v projektu jsou zpracovávána také data z leteckého snímkování senzorem AISA Eagle maximální spektrální rozlišení senzoru je 2,4 nm prostorové 0,4 m až 6 m podle výšky letu spektrální rozsah je 400-1000 nm předzpracování a zpracování leteckých dat probíhá stejně jako u družicových dat Hyperspektráln lní data - letecká 16
Hyperspektráln lní data - laboratorní laboratorní měření se provádějí ve spolupráci s Katedrou pedologie a ochrany půd České zemědělské univerzity v Praze přístroj pozemní spektroradiometr FieldSpec 3 rozsah 350 do 2500 nm spektrální projevy několika typických kontaminantů komunální skládky plasty textil papír sklo dřevo stavebních materiály kovy, atd. 17
Hyperspektráln lní data - laboratorní Určení limitů detekce komunálního odpadu a popílků Band Detection Limit (BDL) Material Detection Limit (MDL) MDL min. plocha pixelu pokrytá materiálem, aby mohl být detekován (závisí na hloubce absorpčních pásu, spektrálním kontrastu a na prostorovém rozlišení snímku - velikost pixelu) BDL min. hodnota spektrálního kontrastu absorpčního pásu nutná k detekci látky (závisí na vlastnostech snímače) Edit Multi Range SFF Endmember Ranges materiál pásmo (µm) Plast PP bílý SNR Band FWHM (µm) SI (µm) CF d GSD (m) BDL f min MDL (m 2 ) 1170 70 125 10 2 0,73 30 0,0081 0,0110 9 1410 10 125 10 2 0,86 30 0,0566 0,0657 59 1680 90 250 10 2 0,25 30 0,0044 0,0178 16 2150 40 80 10 2 0,32 30 0,0177 0,0552 49 2350 20 100 10 2 0,49 30 0,0316 0,0652 59 18
Hyperspektráln lní data - laboratorní Míchání spektrálních projevů posouzení vlivu vegetace na spektrální projevy materiálů laboratorního měření použity vzorky - červené cihly, sádrokartonu, PE, YTONGu materiály postupně překryty listem rododendronu (20 %, 50 %, 100 %) provedena identifikace smíchaných spektrálních projevů s původním materiálem pomocí analýzy SAM (nástroj THOR) při obsahu pětiny vegetace v pixelu - nedojde k dobré shodě smíchaného spektra se spektrem čistého materiálu ověření tvrzení lineárního míchání - matematický výpočet lineárně smíchaného spektrálního projevu listu rododendronu s ostatními materiály - identifikace těchto spektrálních projevů se smíchanými spektrálními projevy naměřenými laboratorně výsledky 20 % obsahu vegetace - dobrá shoda s laboratorním měřením míchání spekter lineární 50 % obsahu jiného materiálu zhoršení výsledků spektrálního úhlu 19
Hyperspektráln lní data výsledky analýz SAM Podle spektrálních projevů popílku získaných: laboratorně Z leteckého snímku Obě analýzy mají téměř stejný výsledek (2% rozdíl) Na leteckých snímcích jsou chybně hodnoceny oblasti měst šedě zbarvené
DĚKUJEME ZA POZORNOST Jana Petruchová jana.petruchova@cenia.cz Lenka Jirásková lenka.jiraskova@cenia.cz