Satellitenfernerkundung

Je nach Anwendung und Datenmenge (Abwägen von Arbeitsaufwand und Resultatsqualität)

Grundsätzlich liefert die überwachte bessere Ergebnisse.

Klassifikation nach anderen Kriterien, als nach spektralen Werten: Nachbarschaft, Textur, Form, Grösse, Höhe, Schatten, zeitliche Änderungen, a priori Wissen

Konfusionsmatrix

Vergleiche mit bestehenden Karten etc., Einzelne Punkte oder Objekte genau beobachten und testen. Grösse und Form vergleichen.

Vergleich Photo/Boden, Möglichkeiten und effektive Zuteilungen ? fälschlicherweise Auslassungs- und Zuweisungsanteil ? Richtigkeit der Abbildung (Prozentwert)

Es handelt sich bei SAR um ein aktives System, wo ein Sendegerät Radarwellen (Mikrowellenbereich, 1cm-1m) aussendet. Diese werden von einer Antenne in Richtung der Zielfläche gerichtet, wo sie an Objekten reflektiert und wieder empfangen werden. Dabei bewegen sich die Pulse mit Lichtgeschwindigkeit fort. Der Empfänger verstärkt dann das empfangene Signal. Es werden die Signallaufzeiten erfasst und daraus Distanzen abgeleitet.

Die erfassten Rohdaten werden nun jeweils mit einer Referenzfunktion in Range-Richtung und einer in Azimuth-Richtung komprimiert. Schlussendlich resultiert eine 2D-Darstellung des Geländeausschnitts.

Die seitwärts schauende Bildgeometrie ist deshalb nötig, weil im Nadir, bedingt durch das gleichzeitige Zurückkommen der Pulse, die Oberfläche nicht mehr aufgelöst werden kann.

Allerdings ergeben sich daraus auch folgende geometrische Effekte:

Wo die Oberfläche nicht erreicht werden kann, entstehen Schatten. Beispielsweise wenn der Einfallswinkel grösser als die negative Geländeneigung ist.

Die Stauchung von Geländeobjekten wird stärker, sobald sich die lokale Geländeneigung dem Einfallswinkel annähert (Verkürzungs-Effekt).

Entspricht der Einfallswinkel der lokalen Geländeneigung, können zwei oder mehrere Punkte gleichzeitig beim Empfänger ankommen.

Im Extremfall, da der Einfallswinkel kleiner als die lokale Geländeneigung ist, kann es zu einer Umkehrung kommen. Dies insofern, dass zuerst das Spitzensignal und erst dann das Fusssignal, beispielsweise eines Berges, registriert wird.

Vorteile RADAR:

fast Wetterunabhängig

Nacht und Tag einsetzbar

Multipolarisation ausnutzbar

Automatische Auswertung

Für einige Parameter besser als optische Sensoren, z.B. Bodenfeuchte, Messung von kleinen Deformationen

Kann für lange Wellenlängen den Boden (bis zu einer gewissen Tiefe) und auch Baumkronen durchdringen

Abbildung von grossen Flächen, schnelle Daten-Erfassung

Nachteile RADAR:

In gebirgigem Gelände grosse Schatten (auch Layover) wegen der Schrägaufnahme

schlecht interpretierbar, schlechtere Auflösung

wenigere „Kanäle“

oft hohe Dekorrelation (Nachteil für DEM Generierung mittels Interferometrie),

wenigere Systeme und Softwarepakete,

komplexe und aufwendige Verarbeitung

Generierung von DSMs/DTMs auch mit Wolken, Bestimmung von Ölflecken, Wasserflächen, Bodenfeuchte, Detektion von kleinen Deformationen, mit langer Wellenlänge kann Radar den Boden (bis zu einer gewissen Tiefe) und auch Baumkronen durchdringen etc.

Shuttle Radar Topography Mission, Flug des Space Shuttle Endeavour zum Zweck der Erstellung von radargestützten Fernerkundungsdaten der Erdoberfläche zwischen 60° nördlicher und 58° südlicher Breite im Jahre 2000. Erzeugtes Raster-DHM mit 90m Rasterweite

Problem: Viele Löcher über einer gewissen Höhe

In der Bildspektroskopie geht es um die Analyse von hyperspektralen Daten. Die Fernerkundungssensoren gewinnen diese aus der eingegangenen Sonnenstrahlung, welche sich aus einer direkt reflektierten Komponente, einem atmosphärischen Anteil (Himmelslicht) und der Umgebungsstrahlung zusammensetzt (passives System). Von einer Geländeoberfläche, welche von der Sonne beleuchtet wird, werden somit mit einem Sensor gleichzeitig in vielen Spektralkanälen die reflektierte oder emittierte Energie von Objekten detektiert. Die am Sensor total gemessenen Signale dienen schlussendlich darum, die Pixel aufgrund ihrer spektralen Signatur zu charakterisieren, also die Objekte zu identifizieren. Ausgenutzt werden dabei die spezifischen Absorptionsbande der Materialien.

Es geht unter anderem um die eindeutige Identifikation von Oberflächenmaterialien und Spurengasen in der Atmosphäre, sowie um die Messung ihrer relativen Konzentrationen und die Darstellung der räumlichen und zeitlichen Verteilung.

Wichtige Anwendungen von hyperspektralen Daten:

Bestimmung von Stoffen im Wasser, Wasserqualitätsuntersuchungen

Verfolgung von Vegetationsprozessen (z.B. Zustand eines Weizenfeldes), Fortwirtschaft

Klassifikation von Vegetationsformen, Landnutzungskartierungen

Aussagen zur Nettoprimärproduktion im CO2-Zyklus

Bestimmung von Stoffen in der Atmosphäre, z.B. Abschätzung von Stickstoffkonzentrationen

Enge Bandbreite, normalerweise im Bereich weniger nm.

kleine Breite, viele Daten, technisch aufwändiger (mehr Sensoren?)...

1) Bestimmung der Art und Anzahl Klassen

2) Auswahl der Input-Daten und damit Bestimmung der Anzahl Kanäle für die Klassifikation. Auf die Frage hin, welche Daten und Kanäle für welche Objekte repräsentativ sind (bzgl. Eigenschaften).

3) ev. Benutzung abgeleiteter Kanäle, oder Reduzierung der Anzahl Klassen: Zusammenfügen von nicht trennbaren Klassen.

4) Vorverarbeitung der Bilder (Sensorkalibrierung, atmosphärische Korrektur, Artefaktereduktion etc.)

5) Bestimmung von repräsentativen Trainingsgebieten (viele kleine, nicht am Rand)

6) Überprüfung der Trennbarkeit der veschiedenen Klassen mit diversen Methoden (graphisch, z.B. Scatterplots, oder numerisch/statistisch, z.B. Divergenz, Standardabweichung Mittelwerte etc.)

7) Wahl des Klassifikations-Algorithmus

8) Nachverarbeitung der Daten, um unmögliche Ergebnisse auszuschliessen, sowie Überprüfung der Ergebnisse und ihrer Qualität (Postprocessing).

1) Anzahl Klassen bestimmen

2) Trennbarkeit der Klassen (Scatterplot oder statistische Masse)

3) Bestimmung der Cluster (Regionssegmentierung)

4) Zuweisung der Cluster zu Klassen

5) Clustering Algorithmus: Wollte Ablauf von Folie S.16 !!

Nearest Neighbour, Parallelepiped, Maximum Likelihood

ERDAS Imagine, PCI Geomatica, ENVI, IDRISI

Mit einer Genauigkeit von 0.2 - 0.3 GSD.

Eine Kombination von einem multispektralem Bild (geringere Auflösung) und einem panchromatischen Bild (höhere Auflösung). Resultat: Hochauflösende Farbbilder. Dank Ausnutzung aller Farben bei panchromatischen Bildern sind wegen der höheren Energiedichte g

Hydrometeorologie: Schneeschmelze-Vorhersagen (Schneebedeckungskarten mit Satellitendaten erstellen --> Kombinieren mit Meteodaten --> Datenbank/GIS) Erstellung von Landnutzungskarten

Kataster

Geologie und weitere Naturwissenschaften

Naturkatastrophen

Militär

Wetter

DTM

Orthobilder

Katastrophen, Umwelt- und Vegetationsbeobachtungen, Monitoring, Landwirtschaft, Landnutzung und Bodenbedeckung, Militär

Grossflächige DHM’s (je nach dem sogar Weltweit)

Orthophotos

Karten zu umwelt-/politischen Analysen, schnelle Übersicht in Katastrophengebiet

Daten der Militärspionage ;-)

Radar, da aufgrund Reflexionseigenschaften Wasser gut erkennbar ist...

Oder Bildspektroskopie mit mehreren Spektren zur Detektion von Wasser mit hohem Sedimentsgehalt. Die Spektren aus dem Infrarot-Bereich sollten hierbei die beste Auskunft geben.

Vor allem Linien-CCDs. Aufgrund des stabilen Orbits von Satelliten (im Vergleich zu Flugzeugen), ist die Orientierung eines Zeilensensors trotz allem relativ einfach, die Zeilen CCDs sind billiger als die Flächen CCDs, einfacher herzustellen und brauchen weniger Platz

Vorteile: Zeilensensoren ermöglichen im Gegensatz zu Flächensensoren grössere Bildformate und eine Mehrfachüberdeckung.

Zeilensensoren ermöglichen zudem eine höhere Auflösung bei geringeren Kosten.

Flächensensoren werden somit selten verwendet.

Nachteile: CCD-Zeilensensoren haben eine bedeutend kompliziertere Sensormodellierung (die Flächen-CCDs sind einfacher zu modellieren). Pro Bild gibt es mehr als eine Äussere Orientierung, jede Zeilenaufnahme besitzt ihre eigenen Orientierungswinkel und Positionskoordinaten.

a) Die Basisgeometrie in Zeilenrichtung ist perspektivisch (Zentralprojektion)

b) jene in Flugrichtung (also zwischen den Zeilen) quasi-parallel bzw für Nadir-Viewing quasi-orthogonal (orthographisch).

Nicht konstante oder falsche Brennweite

Anderer Bildhauptpunkt

Geometrische Verzeichnung

CCD Zeilen sind nicht kollinear oder nicht parallel zueinander (Rotation)

CCD Zeilen oder ihre Bestandteile in der Fokal-Ebene sind verschoben

Krümmung der Zeile

Diese Fehler können mit Zusatzparametern modelliert werden.

Die ersten drei Probleme können auch bei Flächen-CCDs auftreten.

GPS, INS, Startracker auf dem Satellit

Ephemeriden (Vektorform der Kepler-Bahnelemente) ?

RPCs (Rational Polynomial Coefficients) sind ein approximatives Sensor-Modell (das strenge Modell wird durch die RPCs ganz gut approximiert). Es sind die Koeffizienten für eine rationale Transformationsfunktion vom Objektraum (3D) in den Bildraum (2D) bzw. für die Beziehung zwischen 3D-Objektkoordinaten und Sensorkoordinaten (Linien- oder Flächensensor). Sie werden aus den Satelliten-Ephemeriden und der Sensorstellung abgeleitet.