KAUKOKARTOITUS LUONNONMAANTIETEESSÄ

Transkriptio

1 KAUKOKARTOITUS LUONNONMAANTIETEESSÄ Ohjeita ERDAS IMAGINE 9.3 -ohjelman käyttöön Miia Parviainen Maantieteen laitos Oulun yliopisto

2 KAUKOKARTOITUS LUONNONMAANTIETEESSÄ Ohjeita ERDAS IMAGINE 9.1 -ohjelman käyttöön. Tekijä: Miia Parviainen Taitto: Miia Parviainen Osoite: Maantieteen laitos PL Oulun Yliopisto Oulun yliopiston maantieteen laitoksen opetusjulkaisu no. xx ISSN xxxx-xxxx ISBN xxx-xx-xxxx-x Oulun yliopistopaino Oulu

3 ALKUSANAT Tämä opetusmoniste on laadittu auttamaan opiskelijoita käsittelemään satelliittikuvia ERDAS IMAGINE 9.3 -ohjelmalla. Moniste ei ole kaiken kattava vaan siinä kuvaillaan ja käsitellään lähinnä niitä perusmenetelmiä, jotka ovat oleellisia maanpeitteen tarkastelussa. Tekniset toiminnot on pyritty kuvaamaan mahdollisimman selkeästi ja suurin osa toimenpiteistä on esitetty kuvin, mutta puutteita ja virheitäkin voi esiintyä! Toivoni mukaan esimerkiksi pro gradu -tutkielmaa tekevät opiskelijat voivat opinnoissaan ja työssään hyödyntää monistetta. Oulussa marraskuussa 2011 Miia Parviainen 3

4 SISÄLTÖ ERDAS IMAGINESTA... 5 LANDSAT ETM+ -SATELLIITTIKUVIEN LATAAMINEN MARYLAND UNIVERSITYN GLCF-SIVUSTOLTA... 6 Kuvien esikatselu ja tallentaminen... 6 KUVIEN TUOMINEN ERDAS IMAGINE-OHJELMAAN... 9 KUVAN LUOMINEN bittisen kuvan muuttaminen 8-bittiseksi KUVAN VISUAALISEN TULKITTAVUUDEN PARANTAMINEN Suodatus Heijastusarvojen tarkasteleminen KUVAN RAJAAMINEN/LEIKKAAMINEN SATELLIITTIKUVAN OIKAISU NDVI NDSI Tasseled Cap Pääkomponenttianalyysi KOLMIULOTTEISET TARKASTELUTAVAT VirtualGIS SATELLIITTIKUVAN LUOKITUS Ohjaamaton luokitus Luokituksen tarkasteleminen Luokkien pinta-alojen laskeminen Ohjattu luokitus Valmiiden luokkien yhdistäminen Automaattinen tukialueen määritys ohjatussa luokituksessa Hajontakuvio tukialueiksi valituista pikselijoukoista Luokituksen luotettavuuden arvioiminen KAPPA-arvon laskeminen KARTTAESITYSTEN LUOMINEN LÄHTEET

5 ERDAS IMAGINESTA ERDAS IMAGINE 9.13 on monipuolinen ja helppokäyttöinen kaukokartoitusaineiston käsittelyyn soveltuva kuvankäsittelyohjelma. Toiminnot tapahtuvat moduuleittain, joita ovat esimerkiksi Viewer, Import, DataPrep, Interpreter, Classifier ja Modeler. ERDAS IMAGINE soveltuu hyvin myös valmiiden karttojen tuottamiseen. ERDAS IMAGINEN komentoja löytyy sekä ERDAS IMAGINE- että Viewer-ikkunoiden tekstiriveiltä ja pikakuvakkeista. Viewer-ikkunan pikakuvakkeiden toiminnot saat selville laitamalla hiiren pikakuvakkeen päälle, jolloin Viewer-ikkunan vasempaan alalaitaan ilmestyy toiminnon kuvaus. Kuva 1. ERDAS IMAGINE -valikko. Työskentelyn helpottamiseksi kannattaa määrittää ERDAS:iin oletushakemistot, joista ERDAS tarjoutuu avaamaan ja tallentamaan tietoja. Valitse Session > Preferences ja määrittele Default Data Directory -kohtaan oletushakemistoksi oma kurssikansiosi (d:\...). Avaa uuden tason Zoomaustyökalu: lähentää Spektraalisten kuvankäsittelytoimenpiteitä Sulkee päällimmäisen tason Zoomaustyökalu: loitontaa Zoomaustyökalu: lähentää Image Info Mittaustyökalu Zoomaustyökalu: loitonta Tyhjentää Viewer-ikkunan Kursori Tassu kuvan liikuttamiseksi Palauttaa zoomauksen Avaa piirtotyökaluikkuna GPS-työkalu (reset zoom) Kuva 2. Viewer-valikon tärkeimmät pikakuvakkeet. 5

6 LANDSAT ETM+ -SATELLIITTIKUVIEN LATAAMINEN MARYLAND UNIVERSITYN GLCF-SIVUSTOLTA Global Land Cover Facility (GLCF) (kuva 3) on Marylandin yliopiston ylläpitämä palvelu, joka kerää ja jakaa ilmaiseksi satelliittikuvia eri puolilta maailmaa. Aivan tuoreimpia kuvia sivustolta ei löydy; uusimmat kuvat Suomen alueelta ovat 2006-vuodelta. Suomesta on saatavana kasvukaudella otettuja Landsat MSS, TM ja ETM+ -kuvia. www-osoite: (11/2011) Kuva 3. GLCF:n pääsivu. Kuvien esikatselu ja tallentaminen Valitse Data & Products ja klikkaa linkkiä Earth Science Data Interface (kuva 4). Kuva 4. Karttaliittymän valinta. 6

7 Valitsemalla Map Search avautuu karttaliittymä, jossa voit zoomata (klikkaa sormi-työkalulla karttaa) haluamaasi kohteeseen. Vasemmalla on listaus satelliittikuvasensoreista ja erilaisista satelliittikuvatuotteista ja rastita ne tuotteet, joiden kattavuudesta haluat listauksen (esim. Landsat ETM+). Kohdassa Required voit tarkemmin määritellä, millaisia kuvia etsit, esim. korkeuskorjattuja (Orthorectified) tai valmiita reflektansssikuvia (Surface reflectance). Paina välillä Update, jotta kartta ja valinnat varmasti päivittyvät näytölle. Valitsemalla Preview & Download pääset esikatselemaan kuvia (kuva 6). Kuva 6. Satelliittikuvien esikatselu. Valitsemalla Download pääset käsiksi itse aineistoon ja metadataan (kuva 7). Huomaa, että jokainen satelliittikuvan kanava on omana, erillisenä tiedostonaan GEO TIFF -formaatissa. Luo kuville oma kansio (kansion nimeämisessä kannattaa käyttää samaa logiikaa kuin satelliittikuvan nimessä), imuroi ja pura kaikki haluamasi tiedostot kyseiseen kansioon (*.gz). Esimerkissämme kanava 1 on tallennettu nimellä p197r011_7t _z34_nn10.tif.gz jne. Pankromaattisen (kanava 8) ja lämpökanavan (kanava 6) tietoja ei useinkaan tarvita, joten voit jättää niitä koskevat tiedostot pois. Kaikkien tiedostonimien tarkoitus selviää tarkemmin osoitteesta 7

8 Kuva 7. Satelliittikuvan kanavat ja metadata. Huomaa eri kanavien erot (taulukko 1). Esimerkiksi pankromaattisen kanavan (8) resoluutio on 15 m, kanavien 1-5 ja 7 30 m ja lämpökanavan (6) 60 m. Taulukko 1. Eri Landsat satelliittisensorien ominaisuuksia. 8

9 KUVIEN TUOMINEN ERDAS IMAGINE-OHJELMAAN Import -komennolla muutetaan rasteritiedosto ERDAS IMAGINE-ohjelman ymmärtämään tiedostomuotoon (.img). Importoitava kuva voi olla esimerkiksi TIFF-kuva, kuten Marylandin sivuilta ladatut kuvat ovat. Valitse ERDAS -valikosta Import ja valitse Type -kohtaan importoitavan tiedoston muoto ja määritä Media: File ja valitse Input File:en importoitava tiedosto (kuva 10). Output File -kohtaan määritellään siirrettävälle tiedostolle nimi (.img). Paina OK. Huomaa, että sinun on importoitava jokainen satelliittikuvan kanava erikseen! Kuva 10. Import/Export-ikkuna. Kaikki kanavat on nyt tuotu ERDAS IMAGINE-ohjelmaan *img-tiedostoiksi. Seuraavaksi rakennetaan yksi monikanava-yhdistelmä, joka sisältää kaikki kuusi ladattua kanavaa. Valitse ERDAS IMAGINEn moduleista Interpreter > Utilities > Layer Stack (kuva 8). Valitse kuva (=kanava) kerrallaan ja lisää Addpainikkeella. Tallenna lopuksi uudeksi Output-tiedostoksi ja paina OK. Kuva 8. Monikanavakuvan rakentaminen. 9

10 Ladatut satelliittikuvakanavat ovat valmiiksi ortooikaistuja, joten kuvia ei tarvitse erikseen oikaista koordinaatistoon. Yksittäiset kanavat ja niistä rakennettu monikanavakuva ovat nyt UTM/WGS84 -koordinaatistossa, eikä niitä pysty suoraan käsittelemään sellaisen aineiston kanssa, joka on jossakin kansallisessa koordinaatistojärjestelmässä. Tehdään koordinaattimuunnos haluttuun koordinaatti-järjestelmään esim. YKJ (keskimeridiaani 27 o ): Valitse Data Prep > Reproject images, määritä koordinaatisto Gategories: Finland > Projection: kkj3 (kuva 9). Paina OK. Kuva 9. Koordinaatistojärjestelmän muuttaminen. Huom! Mikäli kuvalle ei ole määritettynä koordinaatistojärjestelmää/väärä koordinaatistojärjestelmä (koordinaattilukemien perässä PITÄISI lukea Transverse Mercator/International 1909), tee seuraavasti: Valitse Utility > Layer Info, valitse Edit > Change Map Model. Määritä yksiköiksi (Units) Meters ja Projection: Transverse Mercator. Paina OK ja hyväksy muutokset (OK). Valitse uudestaan Edit > Add/Change Projection, avaa Standard-välilehti ja valitse Categories: Finland, Projection: Zone 3. Paina OK ja hyväksy muutokset (OK). KUVAN LUOMINEN Kuvien visuaalista tarkastelua varten monikanavaisista (multispectral) optisista satelliittikuvista muodostetaan tietokoneen näytölle kolmen värikomponentin RGB -väärävärikuva (Red, Green, Blue) käyttämällä kolmea eri kanavaa (esimerkiksi kanavia 4, 3 ja 2). Esimerkiksi Landsat-kuva sisältää useita kanavia, jotka esittävät eri aallonpituusalueita. Kanavat ovat järjestyksessä elektromagneettisen spektrin mukaan lyhyemmästä pidempään. Kanavat 1, 2 ja 3 ovat näkyvää aallonpituutta eli sininen, vihreä ja punainen. Kanava 4 on lähi-ifrapunakanava ja kanavat 5-7 infrapunakanavia (huom! kanava 6 on lämpökanava). 10

11 Klikkaa ERDAS-valikossa Viewer-moduulia. Voit valita kahdesta erilaisesta tarkasteluikkunatyypistä: yksinkertainen Classic Viewer tai Geospatial Light Table. Jälkimmäisessä tarkasteluikkunatyypissä on huomattavasti enemmän pikatoimintoja. Avataan satelliittikuva tarkastelu-ikkunaan (Viewer) File > Open > Raster layer jolloin Select Layer To Add -valikko aukeaa. Valitse listasta.img-päätteinen kuva ja avataan Raster Options (kuva 11). Täällä voi määrittää, mikä kanava avataan millekin väritasolle. Paina lopuksi OK. Saat koko satelliittikuvan näkyviin painamalla Viewer -ikkunan päällä hiiren oikeaa näppäintä ja valitsemalla avautuvasta valikosta Fit Image to Window. Kuva 11. Raster Options välilehti. Kokeile erilaisia kanavayhdistelmiä, kuten esimerkiksi 3, 2 ja 1 / 4, 3 ja 2 / 7, 4 ja 3 Pohdi, miksi eri maastokohteet näyttävät eri kanavayhdistelmillä erilaisilta. Mikäli valitsit ikkunan tyypiksi Classic Viewer, voit vaihtaa kanavia valitsemalla Viewer - ikkunassa Raster > Band Combinations (kuva 12). Geospatial Lights -ikkunassa pystyt suoraan vaihtamaan kanavia. Kuva 12. Kanavien vaihtaminen. Voit tarkastella myös yksittäisiä kanavia. Valitse tällöin File > Open > Raster Layer (*.img), avaa Raster Options -välilehti ja valitse Display As -kohtaan Pseudocolor. 11

12 16-bittisen kuvan muuttaminen 8-bittiseksi Valitse Image Interpreter > Utilies > Rescale. Valiste Input Fileen alkuperäinen 16-bittinen kuva ja määritä Data Type-kohdassa Outputiksi Unsigned 8-bit -kuva. Kuva 13. Bittimäärän muuttaminen KUVAN VISUAALISEN TULKITTAVUUDEN PARANTAMINEN Ehostamisen (Enhancement) tarkoituksena on parantaa kuvan visualista tulkittavuutta. Visuaalisen tulkinnan parantamiseksi käytetään radiometrisiä kuvankäsittelymenetelmiä. Koska yhden kanavan rekisteröimät arvot ovat usein sijoittuneet hyvin pienelle välille, pitää arvoja venyttää, jotta kuva olisi visuaalisesti informatiivinen. Tähän on olemassa erilaisia esimerkiksi lineaarisia ja epälineaarisia menetelmiä. Kontrastin lineaarisessa venytyksessä säteilyarvojen vaihteluväli skaalataan välille 0-255, jolloin sävyerot tulevat paremmin esille. Lineaarisessa venytyksessä sävyarvojen hajonta suurenee, mutta niiden jakauma pysyy samanmuotoisena. Kontrastia voidaan myös venyttää eniten niillä sävyarvoilla joita kuvassa on eniten. Eri menetelmiä ja kanavayhdistelmiä kokeilemalla tuotetaan visuaalisesti informatiivisia harmaasävykuvia sekä RGB -kuvia, joita voidaan käyttää apuna luokittelussa ja maastokäynneissä. 12

13 Histogrammi on graafinen esitysmuoto kuvan harmaasävyarvojen esiintymistaajuudesta. Histogrammin avulla on mahdollista tutkia kuvan radiometrisiä ominaisuuksia. Vaaka-akselilla esitetään pikseleiden harmaasävyarvoja ja pystyakselilla kuvassa esiintyvien harmaasävyarvojen lukumäärää. Histogrammia voidaan muokata matemaattisilla funktioilla joko lineaarisesti tai epälineaarisesti Valitse satelliittikuvan Viewer-ikkunasta Raster > Tools. Valitse General Histogrammic Tools. Kokeile erilaisia menetelmiä (Method-valikosta, esim. Gaussian). Kuva 14. Histogramin muokkaaminen. Suodatus Suodatus on monen pikselin muunnos, jossa pikselin saama lukuarvo riippuu lähipikseleiden säteilyarvoista. Kuvan suodattaminen tapahtuu kertomalla kuvan alkioita maskilla, joka on tietyn kokoinen matriisi (esim. 3x3). Keskiarvosuodatuksella kuvaa pehmennetään jollakin tietyllä maskilla, esim. 3x3 tai 7x7 kokoisella maskilla. Maskia kuljetetaan kuvan jokaisen pikselin päällä ja lasketaan maskin alle jäävät harmaasävyarvot yhteen. Yhteenlaskettu summa jaetaan maskin koolla (esimerkissä 9 tai 49) ja saatu arvo annetaan käsiteltävänä olleen pikselin arvoksi. Maskin koon suurentuessa kuva sumenee enemmän. Keskiarvosuodatuksen huono puoli on, että se hävittää yksityiskohtein reunoja. 13

14 Mediaanisuodatuksessa jokaisen alkuperäisen kuvapikselin arvo korvataan pikselin ympäristön harmaasävyarvojen mediaanilla eli keskimmäiseksi suurimmalla arvolla. Tämä suodatus toimii erittäin hyvin silloin, kun kuva on harmaasävyarvoiltaan hyvin yhtenäinen ja siinä esiintyy hajapikseleitä, joiden arvo poikkeaa ympäristöstään huomattavasti. Mediaanisuodatuksen tarkoituksena on muuttaa ympäristöstään huomattavasti poikkeavat arvot ympäristönsä kaltaisiksi. Valitse Raster > Tools -valikosta Statistical Filter sekä erilaisia ikkunakokoja. ja kokeile erilaisia suodatustapoja Kuva 15. Satelliittikuvan suodatus. 14

15 Heijastusarvojen tarkasteleminen Layer Info (Utility > Layer Info) sisältää monipuolista tietoa kuvasta, mm. kuvan koordinaattijärjestelmästä, tasoista ja tilastollisista ominaisuuksista. Utility -valikosta löytyy apuvälineitä esimerkiksi pikseleiden heijastusarvojen tutkimiseen ja erilaisiin mittaustoimenpiteisiin. Jokaisella 8-bittisen kuvan pikselillä on jokin heijastusarvo väliltä Pikseleiden heijastusarvoja voi tarkastella valitsemalla Utility > Inquire Cursor (kuva 16) tai näpäyttämällä pikakuvaketta. Kuvan päälle ilmestyy valkoinen ristikko. Voit liikuttaa ristikkoa hiirellä. Tutki, millaisia heijastusarvoja eri maanpeitetyypit omaavat ja miten heijastusarvot vaihtelevat eri kanavilla (mieti myös syitä). File Pixel -arvot ovat kuvasi todellisia piskeliarvoja. LUT (Look Up Table) -arvot puolestaan kertovat, miten tietty (punainen, vihreä, sininen) harmaasävyarvo esitetään kuvalla. Esimerkiksi kuvan sävyisyyttä muokkaava histogrammin venytys toteutetaan LUT:n avulla: ei muuteta kuvan todellisia sävyarvoja, vaan lasketaan muunnostaulukko. Kuva 16. Pikseleiden heijastusarvojen tarkasteleminen. 15

16 KUVAN RAJAAMINEN/LEIKKAAMINEN Satelliittikuva on yleensä huomattavasti laajempi kuin tutkimusalue, joten kuvaa on syytä rajata. Liian suuri kuva-alue kasvattaa turhaan tiedostokokoa ja hidastaa kuvan prosessointia. Huomaa, että leikatun satelliittikuvan sävyt voivat olla erilaiset (kirkkaammat) verrattuna suurempaan kuvaan. Tämä johtuu siitä että pienemmän kuvan alueella pikselien sävyarvot saattavat skaalautua erilaiselle vaihteluvälille. Avaa Vieweristä Utility > Inquire Box. Rajaa laatikolla se kohta, jota haluat jatkossa tarkastella (kuva 17). Voit käyttää alueen rajaamisessa apuna digitaalisia peruskarttalehtiä tai muuta materiaalia. Valitse ERDAS -valikosta Interpreter > Utilities > Subset. Valitse Input File (*.img) ja nimeä Output File (*.img). Seuraavaksi määritetään, että laatikon sisältämä alue halutaan leikata: Valitse Subset Definition > From Inquire Box. Paina OK. Huom! Vaihtoehtoisesti kuvan rajaamisen voi tehdä valitsemalla ERDAS -valikosta DataPrep > Subset Image. Kuva 17. Kuvan rajaaminen ja leikkaaminen. 16

17 SATELLIITTIKUVAN OIKAISU Suuri osa digitaalisista satelliittikuvista on valmiiksi orto-oikaistuja. Mikäli satelliittikuvaa ei kuitenkaan ole oikaistu, se täytyy geometrisesti oikaista tunnettuun karttakoordinaatistoon. Rekisteröinti tapahtuu tukipisteiden (ground control points, GCP) avulla. Tukipisteet määritetään etsimällä raakakuvasta ja maastokartalta toisiaan vastaavat, helposti määritettävissä olevia pisteitä. Tällaisia ovat esimerkiksi tienristeykset, saaret ym. Oikaisupisteet voidaan määrittää digitaalisesta kartasta (esim. perus CD-karttalehdeltä) tai ne voidaan syöttää käsin. Kun pisteitä on määritetty riittävä määrä, suoritetaan kuvan oikaisu jonkin tietyn polynomisen funktion mukaan. Oikaisu on itse asiassa spatiaalista interpolointia, jossa jokaiselle pikselille interpoloidaan jokin sijaintitieto. Avaa oikaistava kuva Vieweriin Open > Raster Layer. Valitse ERDAS IMAGINE -valikosta Data Prep > Image Geometric Correction (kuva 18). Set Geo Correction Input File - ikkuna aukeaa, laita rasti kohtaan From Viewer ja näpäytä sitä Vieweriä, jonka kuva halutaan oikaista. Kuva 18. Oikaistavan kuvan määrittäminen. Set Geometric Model -kohdassa määritetään oikaisutapa: Polynomial > OK. (kuva 19). Polynomial Model Properties -ikkunassa voi määrittää, mihin karttakoordinaattijärjestelmään kuva oikaistaan: Valitse Projection > Map Units: Meters ja klikkaa Add/Change Projection, valitse Categories: Finland ja Projection: kaistasta riippuen esimerkiksi Zone 2 > OK > Close. GCP työkaluvalikko (GPC Tool Reference Setup) aukeaa. 17

18 Kuva 19. Oikaisutavan ja koordinaatistojärjestelmän määrittäminen. Rastita kohta Image Layer (New Viewer) > OK ja avaa se digitaalinen peruskarttalehti, jonka avulla oikaisu suoritetaan (kuva 20). OK > OK. Oikaisuikkunat (yhteensä neljä), Geo Correction Tools- ja GCP-tool -valikko avautuvat (kuva 21). Chip Extraction Viewers (Link boxes 3 ja 4) ovat niin sanottuja zoom-ikkunoita, jotka helpottavat pisteiden tarkan sijainnin määrittämistä. Tarkista, että GCP Tools -ikkunassa Set Automatic Transformation Calculation -kohta on aktiivisena. Kuva 20. Referenssi-kuvan avaaminen. Etsi kuvista toisiaan vastaavat oikaisupisteet. Piste valitaan aina ensin oikaistavasta kuvasta (Viewer # 1). Viewer # 3 -ikkunassa voit siirtää pisteen tarkalleen haluttuun kohtaan. Valitut pisteet (GCP) tallentuvat GCP Tool Cell Array -ikkunaan. Vaihda oikaisupisteen väri esimerkiksi hyvin erottuvaksi siniseksi GCP Tool CellArray -ikkunassa. Etsi täsmälleen sama paikka Viewer # 2 -ikkunasta ja klikkaa piste oikean paikkaan. Viewer # 4 -ikkunassa voit siirtää 18

19 pisteen haluttuun paikkaan. Etsi ja määritä edellä esitetyllä tavalla vähintään neljä oikaisupistettä. Tallennettuja oikaisupisteitä voi poistaa GCP-Tool -ikkunassa painamalla poistettavan rivin ( Point # ) päällä hiiren vasenta näppäintä ja valitsemalla Delete Selection. Kuva 21. Oikaisuikkunat. Kun vähintään neljä oikaisupistettä on määritetty (mielellään kuitenkin enemmän), voit painaa Solve Geometric Model with Control Points -painiketta. RMS Error -kohtaan ilmestyy lukemia, jotka ilmoittavat oikaisupisteiden todellisen ja laskennallisen sijainnin eron (kuva 22). Lukemien tulisi mielellään olla alle 1, mikä tarkoittaa yhtä pikseliä (riippuu pikselikoosta, esim. Landsat-kuvalla 30 m, ilmakuvassa esim. 1 m). Tästä eteenpäin ohjelma laskee automaattisesti sijaintitiedot digitaalisen kartan oikaisupisteille. Ne eivät kuitenkaan välttämättä ole tarkkoja, vaan niiden sijainti täytyy tarkistaa ja korjata Viewer # 4 -ikkunassa. Huom: Kaikkien tähän saakka määritettyjen oikaisupistiden RMS-arvot vaikuttavat siihen, miten oikeaan tai väärään kohtaan ohjelma sijoittaa seuraavan oikaisupisteen. RMS-lukemien ollessa 1 piste todennäköisesti sijoittuu lähelle todellista sijaintiaan. Voit siirrellä oikaisupisteitä pikkuikkunoissa lähemms niiden oikeita sijaintipaikkoja ja katsoa, miten Kuva 22. RMSsarake. 19

20 se vaikuttaa SMS-lukemiin (näpäytä Solve Geometric Model with Control Points -painiketta). Kun oikaisupisteitä on riittävästi (esimerkiksi 10 kpl) eri puolilta kuvaa ja RMS-arvot ovat riittävän alhaisia ( 1), kuva voidaan oikaista koordinaatistoon. Valitse Geo Correction Tools -ikkunasta Resample. Anna oikaistavalle kuvalle uusi nimi kohdassa Output File (*.img) ja valitse Resampling Method: Nearest Neighbourhood. Laita rasti kohtaan Ignore Zero in Stats. ja paina OK (kuva 23). Output Cell Size -kohdassa voi määritellä pikselikoon sopivaksi (tässä tapauksessa 30m * 30m).. Kuva 23. Kuvan oikaiseminen koordinaatistoon. Oikaisun onnistumista voidaan tarkastella avaamalla digitaalinen peruskarttalehti samaan ikkunaan oikaistun kuvan kanssa. Avaa oikaistu (*.img) kuva uuteen Viewer -ikkunaan Open > Raster Layer (*.img). Avaa peruskartta samaan ikkunaan Open > Raster Layer (*.img), mutta ennen kuin painat OK avaa Raster Options -välilehti ja ota rasti pois kohdasta Clear Display (kuva 24). Kuva 24. Digitaalisen peruskarttalehden avaaminen samaan ikkunaan satelliittikuvan kanssa. 20

21 MONIKANAVAMUUNNOKSET Monikanavaisen satelliittikuvan eri kanavien sisältämä informaatio on usein paljolti päällekkäistä. Kanavien väliset muunnokset auttavat kuvatulkintaa monella tavoin. Muunnoksia on mahdollista tehdä lähes rajaton määrä. Kanavien välisillä muunnoksilla voidaan monin tavoin tehostaa rasterikuvien tulkintaa ja hakea esiin tiettyjä kiinnostuksen kohteena olevia maaston ja/tai kasvillisuuden piirteitä ja ominaisuuksia. Muunnokset eivät kuitenkaan sinänsä lisää mitään uutta informaatiota, vaan kaikki kuvan tieto on jo olemassa kanavien alkuperäisissä sävyarvoissa. Seuraavassa on esitetty muutamia Landsat-satelliittikuville sovellettuja muunnoksia ja niiden sovellusalueita. - ETM3 / ETM4: Jotkin piirteet, kuten vesi ja tiet, erottuvat kirkkaina muusta ympäristöstä, sillä ne heijastavat hyvin punaisen valon alueella (ETM3) ja vähän lähiinfran alueella (ETM4). - ETM5 / ETM2: Kasvillisuus erottuu kirkkaana, koska se heijastaa paljon keski-infran alueella (ETM5) ja vähän vihreän valon alueella (ETM2). Tosin kaikki kasvillisuus ei noudata tätä sääntöä, joten suhdetta voidaan käyttää joskus myös kasvillisuuden erottelussa. - ETM3 / ETM7: Tiet ja muu rakennettu ympäristö erottuvat kirkkaana koska niiden heijastus on suhteellisen runsasta punaisen valon (ETM3) ja vähäistä keski-infran alueella (ETM7). Myös erot veden virtauksissa saatetaan erottaa. - ETM5 / TM4: Havumetsän terveydentilan vaihtelut saattavat erottuna tämän suhteen avulla, sillä suhdeluku on sitä suurempi mitä kuivemmat puiden neulaset ovat. - ETM7 / ETM4: Suhdeluvun avulla saadaan selville puuston latvustojen lehtien vesipitoisuuden eroja, toimii myös kuten edellinen suhdeluku (ETM5 / ETM4). Voidaan käyttää biomassan arviointiin. 21

22 NDVI Lehtivihreän määrää kuvaava kasvillisuusindeksi NDVI (Normalized Difference Vegetation Index) on sävykanavien muunnos, jota on yleisesti käytetty satelliittikuvilla NDVI lasketaan kaavalla NDVI = (NIR RED) / (NIR + RED), jossa NIR on lähi-infrapuna-alueen kanava ja RED on punaisen alueen kanava eli Landsat 7 ETM-kuvan tapauksessa NDVI = ( ETM4 - ETM3 ) / (ETM4 + ETM3 ). Näkyvän aallonpituusalueen punainen valo ja infrapuna ovat tärkeä osa maanpeitteen tutkimista, sillä kasvien klorofylli absorboi voimakkaasti punaista valoa ja heijastaa lähi-infrapunaa. NDVI-arvot skaalautuvat vaihtelemaan välillä Kasvillisuuden saamat arvot erottuvat positiivisina esimerkiksi veden ja rakennetun maan negatiivisista arvoista. NDVI kuvaa siis etenkin vihreän, terveen kasvillisuuden ja biomassan määrää. NDVI-arvot auttavat siten hahmottamaan erilaisia kasvillisuustyyppejä ja -luokkia. Lasketaan Landsat7 ETM+ -kuvalle NDVI Modeler -moduulia hyödyntäen. Valitse ERDAS IMAGINE -valikosta Modeler > Model Maker. New Model -ikkuna aukeaa.. Jos työkaluvalikko ei aukea automaattisesti, saat sen esille vasara-painikkeesta. Kuvassa 25 on esitetty Modeler -työkaluvalikon kolme tärkeintä osaa: Rasterikuva (Place a raster object in the model), toiminto (Place a function in the model) ja mallin eri osien yhdistämistyökalu (Connect inputs to functions or functions to outputs). Valitse siirrettävä mallin osa ja näpäytä hiirellä paperia, jolloin osa siirtyy paperille. Rasteri kuva Toiminto Yhdistäminen Kuva 25. Modelerin valikot. NDVI voidaan laskea kuvassa 26 esitetyllä tavalla. Rakenna esimerkin kaltainen laskukaavio tyhjälle Modeler-arkille ja yhdistä eri toiminnot nuolilla. Kuvakkeet aukeavat kaksoisnäpäyttämällä kuvaketta. Määritä ensin Input -kuva eli alkuperäinen satelliittikuva, josta indeksi halutaan laskea. Huomaa, että Available Inputs -valikossa jokainen kanava on erikseen valittavissa (numero viittaa kanavaan). Saat valittua haluamasi kanavan kaksoisnäpäyttämällä sitä. Laskemisen helpottamiseksi kanavien 4 ja 3 erotus (kuva 27) sekä 22

23 sanojen kanavien yhteenlasku on syytä tehdä erillisillä laskutoiminnoilla (NIR RED ja NIR + RED). Näiden tulos tallennetaan ns. väliaikaisiin muistitiedostoihin. Kuva 26. NDVI:n laskeminen Modeleriin luodulla kaavalla. Huom! Valitsemalla Interpreter > Spectral Enhancement > Indices pääset käsiksi ERDAS IMAGINE:ssa valmiiksi oleviin kasvillisuuindeksikaavoihin. 23

24 Kuva 27. NDVI:n laskemiseen tarvittavan kanavaerotuksen NIR-RED laskukaava. Varsinainen NDVI:n laskeminen ja skaalaaminen välille voidaan tehdä kuvassa 28 esitetyllä tavalla. Huomaa, että laskukaavassa käytetään nyt apuna erotuksesta ja yhteenlaskusta saatuja väliaikaistiedostoja. Valitse laskukaavaksi (Functions) ehtolauseke EITHER. Täydennä laskukaava kuvan 21 esittämällä tavalla. Kaavassa siis määritetään, että jakaja EI voi olla 0, joten mikäli kanavian 4 ja 3 (NIR + RED) summa on 0, kyseisen pikselin arvo pakotetaan nollaksi. Muutoin laskukaavana on NIR RED / NIR + RED. Kun kaava on valmis, paina OK. Kuva 28. NDVI:n laskeminen. 24

25 Seuraavaksi määritetään tulostuvalle NDVI-kuvalle nimi: näpäytä alinta Raster Object - kuvaketta ja määritä uudelle kuvalle oikea hakemisto ja nimeä kuva (Kuva 29). Määritä lisäksi Data Typeksi Float Single. Float-määrittely tarvitaan lausekkeeseen, koska suhdearvot ovat desimaalilukuja (liukulukuja). Paina lopuksi OK. Kuva 29. NDVI-kuvan nimeäminen. Voit lopuksi tallentaa laskukaavion myöhempää käyttöä varten File > Save as... (esim. nimellä ndvi.gmd). Käynnistä laskukaavio painamalla salama -painiketta. Huom! Jos salamapainikkeen painamisen jälkeen tulee virheilmoitus, tarkista laskutoimintokohdassa, että toimintolauseke on oikein määritelty! Kun NDVI on valmis, avaa se ja alkuperäinen satelliittikuva vierekkäisiin Viewer-ikkunoihin verrataksesi niitä keskenään. Linkitä ikkunat toisiinsa painamalla toisen kuvan päällä hiiren oikea näppäintä ja valitse Geo. Link/Unlink jolloin Link/Unlink Instructions aukeaa (kuva 30). Näpäytä sitä Viewer -ikkunaa, jonka kanssa haluat ikkunan linkittyvän. Nyt molemmat kuvat zoomautuvat/liikkuvat samalla tavalla. 25

26 Kuva 20 Kuva 30. Kuvien linkittäminen toisiinsa. Tarkastele rinnakkaisia kuvia ja yritä selittää NDVI-arvoja satelliittikuvan kasvillisuuden perusteella. Kokeile erilaisia kanavayhdistelmiä (kuva 31: kanavayhdistelmä 7, 4 ja 3). NDVI voi saada arvoja -1:stä 1:seen, missä negatiiviset luvut tarkoittavat kasvitonta ja positiiviset luvut kasvillisuutta. Mitä lähempänä ykköstä, sitä rehevämpää kasvillisuus on. Kuva 31. Satelliittikuvan (R:7, G:4, B:3) ja NDVI-kuvan rinnakkainen tarkastelu. 26

27 NDSI Kasvillisuus- ja maankäyttötutkimuksissa harvemmin käytetty NDSI (Normalized Difference Soil Index) on maaperä indeksi, joka kuvastaa maaperän ominaisuuksia. NDSI:n laskemisessa käytetään infrapuna-alueen kanava-arvoja: (ETM 5 ETM 4) / (ETM 5 + ETM 4). NDSI:n laskukaava laaditaan täsmälleen samalla periaatteella kuin NDVI. Tee NDSI-kuva ja vertaa NDVI:in sekä alkuperäiseen satelliittikuvaan. Tasseled Cap Tasseled cap on lineaarinen kanavamuunnos, jonka avulla Landsat kuvan alkuperäisistä kanavaarvoista muodostetaan maaston fyysisiä ominaisuuksia vastaavat kuvat. Muunnos laskee alkuperäisistä kanava-arvoista uusia kerrostumia tiettyjä kertoimia (taulukko 2) käyttäen. On mahdollista laskea kaikkiaan kuusi erilaista kerrosta, mutta näistä kolme ensimmäistä (brightness, greenness ja wetness) ovat yleisimmin käytetyt. Tuloksena saadaan piirteet, jotka indikoivat maaperän kirkkautta, vihreyttä ja kosteutta. Nämä voidaan yhdistää värikuvaksi yhdistämällä kerrokset monikerroskuvaksi ja näyttämällä esim. maaperän heijastus punaisella, kasvillisuuden heijastus vihreällä ja kosteus sinisellä. Tasseled Cap -muunnoksen etuna on, että vähentämällä kanavien/kerrosten määrää se vähentää tiedostokokoa ja kasvillisuusindeksien tapaan se voi saada esiin muuten hankalasti erottuvia ominaisuuksia. Taulukko 2. Tasseled Cap -muunnoksen kanavakertoimet Landsat 7 ETM + kanaville. 27

28 Rakennetaan Tasseled Cap -muunnos Modeler -moduulia hyödyntäen: Luo New Model - ikkunaan kuvan 26 kaltainen laskukaavio (eli Input, laskumatriisi, laskutoiminto ja Output) (kuva 32). Rasterikuva ja toiminto yhdistetään toisiinsa yhdistämisnuolen avulla. Avaa ylimpään input kuvakkeeseen alkuperäinen 6 kanavaa sisältävä satelliittikuva ja paina OK. Kuva 32. Tasseled cap -muunnos Modeleriin luodun kaavan avulla. Kaksoisnäpäytä laskumatriisia ja valitse matriisin tyypiksi Custom Matrix (kuva 33). Määritä matriisille sopiva sarakemäärä. Jos satelliittikuvassa 6 kanavaa, on matriisissa oltava niin ikään kuusi saraketta. Näihin sarakkeisiin määritetään kanavakertoimet (katso taulukko 2) (kuva 34). Mikäli satelliittikuvassa on lämpökanava (kanava 6) mukana, määritetään sarakkeiden määräksi 28

29 7 ja annetaan kyseiselle lämpökanavalle kertoimeksi 0. Rivien määrä puolestaan määrittää sen, montako tasoa (kerrostumaa) uuteen rasterikuvaan halutaan. Mikäli jokainen Tasseled cap - muunnos halutaan erikseen omiksi kuvikseen, luodaan laskumatriisiin vain yksi rivi, jossa on 6 saraketta. Kuva 33. Matriisin määrittäminen. Luodaan siis valmiiksi kolmikerroksinen kuva, jossa Brightness, Greenness ja Wetness ovat samanaikaisesti (esimerkissämme teemme näin). Voit myöhemmin irrottaa monikerroksisesta Tasseled Cap -kuvasta brightness, greenness ja wetness -tasot erikseen Layer Stackin avulla. Yksittäisten Tasseled Cap -muunnosten tallentaminen omiksi tiedostoikseen voi olla monessa tapauksessa hyvä vaihtoehto, koska esimerkiksi luokittelussa yksittäisiä Tasseled Capmuunnoksia voi käyttää itsenäisinä tasoina (kerroksina) rakennettaessa monikerroskuvia. Kun matriisiin on määritetty oikeat kertoimet, paina OK. Kuva 34. Kanavakertoimien määrittäminen kolmikerroksiseen Tasseled Cap - muunnoskuvaan. 29

30 Kaksoisnäpäpäytä seuraavaksi laskutoimintokuvaketta, jolloin Function Definition -ikkuna aukeaa (kuva 35). Täällä määritetään laskutoimitus Tasseled Cap -muunnoksen laskemiselle. Valitse Functions -kohdassa toimintolausekkeeksi lineaarinen muunnos LINEARCOMB. Valitse Available Inputs -kohdasta satelliittikuva (esimerkissämme kilppari_ykj) ja matriisin sisältävä tiedosto, esimerkissämme Custom_Float. Paina OK. Kuva 35. Tasseled Cap -laskutoimitus. Kaksoisnäpäytä lopuksi alimmaista rasteriobjektia (kuva) ja määrittele tulostuvalle Output:lle nimi(*.img). Valitse Data Type > Float Single. Voit lopuksi tallentaa laskukaavion File > Save as... (esim. nimellä tasseled_cap.gmd). Käynnistä malli painamalla salama -painiketta. Voit avata erikseen luodut Brightness, Greenness ja Wetness -muunnokset vierekkäisiin Viewer-ikkunoihin ja verrata niitä keskenään (kuva 36). Linkitä ikkunat toisiinsa painamalla jonkun kuvan päällä hiiren oikea näppäintä ja valitse Geo. Link/Unlink jolloin Link/Unlink Instructions aukeaa (kuva). Näpäytä sitä Viewer -ikkunaa, jonka kanssa haluat ikkunan linkittyvän. Tee sama myös kolmannelle (ja mahdollisesti myös useammalle) Viewerille. Voit liikutella kuvia näytöllä ja zoomata haluamaasi kohteisiin. 30

31 Kuva 36. Neljä erilaista Tasseled Cap -muunnosta: Brightness, Greenness, Wetness ja kolmikerroksinen (kaikki em. tasot) Tasseled cap -kuva RGB-värikompositiona. Pääkomponenttianalyysi Pääkomponenttianalyysi (Principal Component Analysis, PCA) on monimuuttujamenetelmä, jota käytetään poistamaan satelliittikuvien kanavien korreloituneisuus. Pääkomponenttianalyysissä alkuperäisistä muuttujista muodostetaan lineaarisia lausekkeita, pääkomponentteja. Painotukset määrittyvät siten, että ensimmäinen komponentti selittää suurimman osan aineistossa esiintyvästä vaihtelusta, kuitenkin niin että painojen neliösumma on yksi. Toinen komponentti selittää jäljelle jääneestä vaihtelusta suurimman osan ja on kohtisuorassa ensimmäistä vastaan. Pääkomponenttianalyysin tarkoituksena on järjestää uudelleen satelliittikuvan kanavien sisältö niin, että kanavat muunnetaan selkeästi toisistaan poikkeaviksi komponenteiksi. Kanavien informaatioarvo pysyy samana kuin alkuperäisellä kuvalla, mutta päällekkäisyydet vähenevät. Pääkomponenttianalyysin tekeminen: Valitse ERDAS-valikosta Interpreter > Spectral Enhancement > Principal Comp. Määritä Input File -kohtaan satelliittikuva, jolle pääkomponenttianalyysi halutaan tehdä ja anna tulostuvalle kuvalle nimi kohtaan Output 31

32 File. Tarkista, että Coordinate Type on File. Data Typessä voi Output-kuvan tyypiksi jättää oletuksen Float Single. Rastita sekä Eigen Matrix että Eigenvalues kohdissa Write to File. Valitse 6 kohtaan Number of Components to Desire. Valitsemalla View näytölle tulostuu malli, jonka mukaan PCA lasketaan. Paina lopuksi OK. Kun laskelma on valmis, paina OK. Avaa PCA-kuva (.img) File > Open > Multi Layer Arrangement. Seitsemän ikkunaa avautuu; kuuteen yksittäisiä PCA-kuvia ja yhteen PCA-kompositiokuva. Avaa tavallinen RGBkuva (.img) uuteen tarkasteluikkunaan (Viewer) vertailua varten (uuden Viewerin saa luotua File > New > Viewer Specified tai klikkaamalla ERDAS-valikossa Vieweriä). Uuden ikkunan saa linkitettyä toisiin painamalla uuden Viewer-ikkunan päällä hiiren oikeanpuoleisinta näppäintä ja valitsemalla Geo. Link/Unlink. Link/Unlink Instructions -ikkuna aukeaa ja näpäytä jotakin toista Viewer-ikkunaa. KOLMIULOTTEISET TARKASTELUTAVAT ERDAS IMAGINEssa on myös toimintoja, jotka mahdollistavat aineiston tarkastelun suhteessa alueen korkokuvaan. Satelliittikuva on mahdollista asettaa rasterimuotoisen korkeusmallin eli DEMin päälle. Tarkastelutapa on paitsi hauska, myös informatiivinen: Esimerkiksi kasvillisuuden muuttuminen korkeuden kasvaessa havaitaan paljon selkeämmin kolmiulotteisesta kuvasta. Avaa korkeusmalli (tästä eteenpäin DEM) uuteen Viewer-ikkunaan (kuva 37). Voi aluksi tarkastella DEMin pikseliarvoja (Inquire cursor); millaisia arvoja DEM sisältää? Avaa seuraavaksi tutkimuskohdettasi kuvaava alkuperäinen satelliittikuva DEMin kanssa SAMAAN ikkunan (muista käydä ottamassa Raster Options -välilehdellä täppä pois kohdasta Clear Display). Huom! Voit myös avata NDVI-kuvan, Tasseled Cap-kuvan tai luokitellun kuvan DEMin päälle). 32

33 Kuva 37. Satelliittikuvan (R:4, G:3, B:2) avaaminen DEM:n kanssa samaan ikkunaan. Nyt kuvat ovat valmiina muutettavaksi kolmiulotteiseen muotoon. Valitse Utility > Image Drape (kuva 38) ja Image Drape ikkuna avautuu. Tavoitteena on luoda kolmiulotteinen vaikutelma, joka vastaa mahdollisimman hyvin ihmissilmän havaitsemaa todellisuutta, eli esimerkiksi taivas voidaan määrittää siniseksi. Valitse Utility > Options ja avaa Background välilehti. Muuta Solid Colorin tilalle Fade Color. Valitse Start Color:ksi joku hyvin vaalea sininen, ja End Color:ksi tumma sininen. Tämä väriskaala vastaa mahdollisimman luonnollista värigradienttia selkeällä säällä. Paina lopuksi Apply ja Close. Kuva 38. Taivaan värin määrittäminen Image Drape -valikossa. Valitse seuraavaksi View > Sun Positioning (kuva 39). Täällä määritetään, mistä ilmansuunnasta aurinko paistaa. Optimaalinen auringonpaistesuunta on lounaasta, joten siirrä täppä lounaaseen. Kokeile asettaa täppää eri kehille ja tarkastele, miten se vaikuttaa 33

34 kuvanvaloisuuteen (päivitä ja hyväksy painamalla Apply). Mikäli paistekulma ei päivity automaattsiesti kuvalle, valitse View > Update Display. Kuva 39. Auringon paistekulman määrittäminen (satelliittikuvan kanavat R:4, G:3, B:2). Nyt voit sulkea sen Viewer-ikkunan, jossa DEM ja satelliittikuva ovat päällekkäin. Jätä siis vain Image Drape-ikkuna auki, ja valitse sen menuvalikosta Utility > Dump Contents to Viewer. Uusi Viewer-ikkuna aukeaa, sisältäen DEMin ja satelliittikuvan. Linkitetään ikkunat toisiinsa: valitse Image Drape-ikkunasa View > Link/Unlink with Viewer ja klikkaa viimeksi avautunutta Viewer-ikkunaa. Katselukohteet [silmä (eye) ja kohde (target)], jotka ilmaisevat Image Drape-ikkunan tarkan katselukohdan, ilmestyvät näytölle. Voit siirrellä sijaintiasi kuvalla monella eri tavalla. Klikkaa Observer Positioning -pikakuvaketa tai valitse Position > Current Position (kuva 40). Kuva 40. Paikannustyökalu katselupaikan ja kohteen määrittämiselle. 34

35 AGL: Ilmaisee katselukohtasi (eye) korkeuden maanpinnan tasosta ASL: Ilmaisee katselukohtasi korkeuden merenpinnan tasoon verrattuna. FOV: Määrittää ns. katselukentän eli sen, miten laajassa perspektiivissä ympäristöä havainnoidaan. Pitch: Katselukulma. Kokeile muuttaa em. parametreja ja katso, miten ne kuvalla vaikuttavat (hyväksy muutokset painamalla Apply). Voit myös siirrellä havainnointipaikkaasi (eye) kartalla nuolen avulla: ota silmästä kiinni ja siirrä se ja kohde (target) haluamiisi paikkoihin (kuva 41). Huomaa myös, että voit vaihtaa satelliittikuvan kanavien järjestystä! Esimerkkikuvassa on käytetty yhdistelmää R:7, G:4, B:3. Viewer -ikkunan Utility -valikosta löytyy erilaisia komentoja (Swipe, Blend ja Flicker), joiden avulla voi tarkastella päällekkäisiä kuvia esim. himmentämällä päällimmäistä kuvaa siten, että alempana oleva kuva kuultaa läpi. Valitse Utility > Swipe/Blend/Flicker. Kuva 41. Kaksi- ja kolmiulotteinen näkymä tutkimusalueelle (R:7, G:4, B:3). 35

36 VirtualGIS ERDAS IMAGINEN VirtualGIS -laajennus on toinen tapa tarkastella tutkimusaluetta kolmiulotteisesti. Se eroaa em. Drape-toiminnosta ainoastaan siinä, että tutkimusaluetta voidaan tarkastella useammasta eri näkövinkkelistä ja koko alueen päällä on mahdollista vaikka lentää. Valitse ERDAS-valikosta VirtualGIS kuvaketta. Valitse File > Open > DEM ja valitse korkeusmalli. Huomaa, että korkeusmalli avautuu valmiiksi komiulotteiseen muotoon (kuva 42). Korkeuseroja saattaa tosin olla hankala huomata, koska Suomen oloissa ne ovat varsin vaatimattomia. Kuva 42. DEM avattuna VirtualGIS-sovelluksella. Avaa seuraavaksi satelliittikuva DEM:n päälle: valitse File > Open > Raster Layer. Voit heti muuttaa satelliittikuvan kanavien järjestystä. Kokeile esim. kanavayhdistelmää R:7 (kuvakombinaatiossamme kanava 7 on numerolla 6), G:4 ja G:3. Määritä sopiva auringonpaistekulma View > Sun Positioning. Voit vaihtaa taustan (taivaan) värin sopivaksi valitsemalla View > Scene Properties > Background; vaihda Solid Color -> Fade Color ja määritä horisontille (kuvan Kuva 43. Taustavärien muuttaminen. 36

37 ulkopuoliset alueet) ja taivaalle sopivat värit (kuva 43). Linkitä kolmiulotteinen kuva tavalliseen Viewer-ikkunaan: valitse View > Link/Unlink Viewers tai paina pikakuvaketta. Nyt voit navigoida tutkimusalueella ja tarkastella näkymiä eri perspektiiveistä. Näpäytä vasemmassa laidassa olevaa alasvetolistaa (kuva 44) ja kokeile sieltä löytyviä toimintoja. Kaksoisnäpäytä hiirellä eri puolilla kuvaa ja katso, mitä tapahtuu. Harjoitus tekee mestarin! Huom! Jos kuva karkaa käsistä, saat palautettua aloitusnäkymän valitsemalla View > Fit to Scene tai klikkaamalla pikakuvaketta. Position: kaksoisnäpäyttämällä jotakin kohdetta pääset lähemmäs kohdetta. Liikuttamalla hiirtä ylös, alas tai sivuille voit liikuttaa kuvaa 360 asteen kulmassa. Target: Mahdollistaa kuvan pyörittelyn tietyn pisteen ympäri. Terrain: Näkymä maanpinna tasolta katsottuna. Kuva 44. Kolmiulotteinen näkymä satelliittikuvan alueelle Tutustu kuvaan rauhassa ja pyri löytämään mielenkiintoisia kohteita (kuva 45)! Kiinnitä erityishuomiota siihen, miten kasvillisuus muuttuu suhteessa korkeuteen. Huomaatko eroja etelä- ja pohjosirinteiden välillä? Millä korkeudella kasvillisuus yleensä häviää kokonaan? Onko DEM mielestäsi kattava vai onko siinä vääristymiä? Saat paikannustyökalun auki: Navigator > Positioning. 37

38 Kuva 45. Kolmiulotteinen näkymä Saanatunturin päältä Mallan suuntaan. Satelliittikuvan kanavayhdistelmä R:7, G:4, B:3. 38

39 SATELLIITTIKUVAN LUOKITUS Useissa satelliittikuviin perustuvissa kaukokartoitustehtävissä kuvan pikselit luokitellaan homogeenisiin luokkiin. Luokittelu tehdään yleensä monikanavaiselle RGB-kuvalle, josta pyritään hahmottelemaan kasvillisuuden ja maankäytön eri piirteitä ja vesistöjä. Mikään ei estä kuitenkaan kokeilemasta esimerkiksi Tasseled Cap -kuvan luokitusta! Voi myös olla tarpeellista yhdistää erityyppistä informaatiota: voit rakentaa Layer Stackin avulla esimerkiksi kuvakombinaation, jossa on yhdistettynä satelliittikuvan kanava 4, kanava 7, Greennesmuunnos (Tasseled cap) ja Wetness-muunnos (Tasseled cap). Lopputuloksena siis nelikerroksinen kuva, jonka tiedostokoko on huomattavasti pienempi kuin 6-kanavaisen satelliittikuvan tapauksessa. Yleisesti käytettyjä satelliittikuvan luokittelutapoja on kolme: ohjattu luokittelu, ohjaamaton luokittelu sekä näiden kahden luokittelun välimuoto tai yhdistelmä, eli ohjattu ryhmittely. Ohjaamattomassa luokittelussa jaetaan tutkittava alue spektrisesti homogeenisiin luokkiin, joita ei millään tavoin määritellä etukäteen. Ohjaamattoman luokituksen jälkeen onkin itse pääteltävä, mitä mikin luokka tarkoittaa ja tarkistettava luokkien mielekkyys ja hyödyllisyys. Luokkien määräksi valitaan sopivaksi katsottu lukumäärä, tai luokittelualgoritmi itse määrittää optimaalisen lukumäärän. Tämän jälkeen luokittelu lasketaan kanavakohtaisten sävyarvojen mukaan. Luokat nimetään jälkikäteen. Ohjatulla luokittelulla tarkoitetaan luokittelua, jossa luokittelijalle kerrotaan, minkälainen pikseli kuuluu mihinkin luokkaan. Ohjattu luokittelu vaatii siis tutkimuskohteesta kerättyä/ennalta tiedettyä informaatiota. Luokittelu tapahtuu rajaamalla satelliittikuvalle ns. opetusalueita tai tukialueita, jotka kuvaavat kutakin luokkaa. Opetusalueet perustuvat yleensä maaston tuntemukseen. Toisin kuin ohjaamattomassa luokittelussa, luokat nimetään etukäteen. Opetusalueiden tulisi olla mahdollisimman kattavasti eri puolilla kuvaa ja siten etteivät sisällä kohteeseen kuulumatonta tietoa. Ohjatussa ryhmittelyssä pyritään välttämään sekä ohjatun että ohjaamattoman luokittelun heikkouksia. Tulokseksi saadaan yleensä parempi tulos kuin käyttämällä vain toista menetelmää. Ohjattu ryhmittely voidaan tehdä esim. siten, että luokitellaan alueet ensin 39

40 ohjaamattomalla luokituksella, ja sen jälkeen. ohjatulla luokittelulla käyttäen apuna tutkimuskohteesta kerättyä tietoa. Ohjaamaton luokitus Ohjaamatonta luokittelua käytetään yleensä ohjatun luokittelun apuvälineenä. Tutkimusalue voidaan esimerkiksi luokitella ohjaamattomasti ennen maastotarkistuskäyntiä ja tarkistaa luokkien sisältö maastokäynnillä. Tämän jälkeen tutkimusalue voidaan luokittaa ohjatusti käyttäen apuna sekä maastohavaintoja että ohjaamattoman luokittelun mukaisia luokkia. ERDAS IMAGINE käyttää ns. ISODATA-algoritmia (Iterative Self-Organizing Data Analysis Technique) ohjaamattoman luokittelun perustana. ISODATA on osittain heuristinen luokittelumetodi, joka määrittää iteratiivisesti hahmokasaumakeskukset näytteiden keskiarvojen perusteella ja pyrkii muodostamaan kohtuullisen samansuuruisia klustereita. ISODATAmetodilla määritellään tai sille määrätään haluttu määrä luokkakeskuksia ja määrätään tutkittavat solut lähimmän luokan joukkoon. Suureksi muodostuva luokka voidaan jakaa useammaksi solujen lukumäärän, keskihajonnan tai luokkakeskusetäisyyksien johdosta. Mikäli solujen lukumäärä ei yllä asetettuun minimiin, luokka poistetaan ja solut yhdistetään lähimpiin luokkiin. Luokat yhdistetään, mikäli vierekkäisten luokkien luokkakeskusten etäisyys on pienempi kuin asetettu minimi raja-arvo. Aina kun luokkia on säädetty, uudet luokkakeskukset lasketaan ja prosessi toistetaan. Iterointi jatkuu, kunnes vain hyvin vähän muutoksia luokkakeskusten sijainnissa tai kun iterointiraja on saavutettu. Valitse Classifier > Unsupervised Classification (kuva 46). Valitse Input Raster File (*.img) ja nimeä Output Cluster Layer (*.img). Määritä haluttu määrä luokkia (esim ) kohtaan Clustering Options > Number of Classes. Processing Options-kohdassa määrittele Maximum Iterations:in 10 (tätä suurempaa ei kannata laittaa). Paina OK. 40

41 Kuva 46. Ohjaamaton luokitus (Unsupervised classification) Erdas Imaginella. Ohjaamattoman luokittelun perustana voidaan myös käyttää vektoriaineistoa (*.aoi). Valitse Classifier > Unsupervised Classification. Valitse Input Raster File (*.img) ja nimeä Output Cluster Layer (*.img) ja Output Signature Set (*.sig). Valitse Clustering Options > Number of Classes > 2 ja valitse AOI (*.aoi). Paina OK. Luokituksen tarkasteleminen Tapa 1. Luo kolme uutta Viewer -ikkunaa ja avaa ensimmäisen ohjaamattomasti luokiteltu kuva, toiseen alkuperäinen satelliittikuva ja kolmanteen jokin tarkistusaineisto, esimerkiksi CORINEmaankäyttöluokitus tai biotooppiaineisto. Linkitä ikkunat toisiinsa painamalla jonkun kuvan päällä hiiren oikea näppäintä ja valitse Geo. Link/Unlink jolloin Link/Unlink Instructions aukeaa. Näpäytä sitä Viewer -ikkunaa, jonka kanssa haluat ikkunan linkittyvän. Tarkastele ohjaamattoman luokituksen tuloksia näiden kolmen ikkunan välillä. Avaa luokitellun kuvan Viewer -ikkunasta luokkien selitykset valitsemalla Raster > Attributes. Voit tässä kohtaa muokata luokkien värejä helpommin toistaan erottuviksi (Edit > Colors). 41

42 Toinen tapa: Avaa ohjaamattomasti luokiteltu kuva alkuperäisen satelliittikuvan päälle File > Open > Raster Layer (*.img) ja valitse Raster Options ja ennen kuin painat OK, avaa Raster Options -välilehti ja ota rasti pois kohdasta Clear Display. Paina OK. Valitse Viewer - valikosta Raster > Attributes jolloin Raster Attribute Editor -ikkuna aukeaa. Valitse Edit > Column Properties. Järjestä The Column Properties -ikkunassa Columns-kohdan muuttujat (Up ja Down-komennoilla). Paina lopuksi OK. Muuta Raster Attribute Editor -ikkunassa kaikki luokat läpinäkyviksi klikkaamalla Opacity sarake aktiiviseksi. Paina oikeaa hiiren näppäintä ja valitse Formula ja syötä/valitse Formulakohtaan 0 ja paina Apply ja Close. Paina Raster Attribute Editor - ikkunassa (kuva 47) Class 1 kohdassa Color-saraketta hiiren oikealla näppäimellä ja valitse väri (esim. keltainen). Muuta läpinäkyvyys pois vaihtamalla Opacity-kohdassa nollan (0) tilalle ykkönen (1) ja paina Enteriä. Viewer-ikkunan kuva päivittyy ja luokaksi 1 luokittuneet alueet tulevat näkyviin keltaisena. Kuva 47. Raster Attribute Editor -ikkuna. 42

43 Kuva 48. Flicker-toiminto. Valitse Utility > Flicker ja rastita kohta Auto Mode (kuva 48). Luokan 1 alueet vilkkuvat ja auttavat määrittämään, minkälaiset pikselit todellisuudessa ovat luokittuneet tähän luokkaan. Määritä luokalle kuvaava väri Color-kohdassa ja voit nimetä luokan kohdassa Class Names; anna luokalle nimi ja paina Enteriä. Jatka samaan tapaan jokaisen luokan kohdalla. Vaihda luokan 1 Opacity takaisin nollaksi (0). Toimi samalla tavalla jokaisen luokan kohdalla. Tallenna lopuksi muutokset File > Save (*.img). Mikäli ohjaamattomassa luokittelussa on määritetty paljon luokkia, on todennäköistä, että sama luokkaa ilmentää useampi kuin yksi väri. Silloin voi olla tarpeen yhdistellä luokkia. Valitse ERDAS IMAGINE -valikosta Interpreter > GIS Analysis > Recode (kuva 49). Valitse Input Fileen ohjaamattomasti luokiteltu kuva (*.img) ja anna uusi nimi Output Fileen (*.img). Valitse Setup Recode jolloin Thematic Recode -ikkuna aukeaa (kuva 50). Vasemmalla Valuesarakkeessa näkyy luokan nykyinen arvo ja viereen kohtaan New luokalle voi määrittää uuden arvon. Tarkastele samanaikaisesti Viewer-ikkunoista, mitkä luokat kuuluvat mihinkin luokkaan. Luokien määrittämisen tehtyäsi suodata luokiteltu kuva Raster > Filtering ja valitse Statisical Filtering. Kuva 49. Ohjaamattomasti luokitettujen luokkien yhdistäminen. 43

44 Kuva 50. Luokkien yhdistäminen ja uudelleen nimeäminen Setup Recode -ikkunassa. Luokkien pinta-alojen laskeminen Maankäyttöä tutkittaessa on usein tarpeellista selvittää jokaisen luokan pinta-ala. Esimerkiksi maankäytössä tai kasvillisuudessa tapahtuneiden muutosten selvittämisessä pinta-alalla ja sen muutoksilla on suuri merkitys. Valitse luokitellun kuvan Viewer -ikkunassa Raster > Attributes (kuva 51). Raster Attribute Editor -ikkuna aukeaa ja valitse siitä Edit > Add Area Column Avautuneessa Add Area Column -ikkunassa voit Units -kohtaan määrittää haluamasi yksiköt (esimerkiksi hehtaari) ja nimetä pinta-ala-sarake (esimerkiksi pinta-alaksi). Luokkien pinta-alat tulostuvat Raster Attributes -kkunaan. Kuva 51. Luokkien pinta-alojen laskeminen. 44

45 Ohjattu luokitus Ohjattu luokitus perustuu tukialueiden valintaan. Tukialueet määritellään rajaamalla tietokoneruudulta kyseiseen luokkaan kuuluva pikselijoukko. Jokaista luokkaa varten tarvitaan tukialue, jonka suositeltava pikselimäärä on kertainen satelliitti-/ilmakuvan kanavien lukumäärään verrattuna. Yhden ison tukialueen sijaan on toivottavampaa valita useita pienempiä tukialueita, mielellään kuvan eri osista. Tukialueiden valinnassa tulisi välttää kohteita, joihin muiden alueiden vaikutus on ilmeinen (esimerkiksi alueiden reunat, teiden ja jokien läheisyys). Ohjelmalle kerrotaan, mitkä pikseleiden heijastusarvot vastaavat mitäkin luokkaa. Kun haluttu määrä luokkia on määritetty, se vertaa jokaisen pikselin heijastusarvoa näihin luokkiin ja sijoittaa ne luokkaan, joka vastaa pikselin arvoa. Tukialueita määritettäessä käytetään useita eri kanavayhdistelmiä, jotta lopputulos vastaisi mahdollisimman hyvin todellisuutta. Luokittelun tulosta arvioidaan histogrammien ja virhematriisin avulla sekä maastotarkastuksin. Ohjaamaton luokittelu tehdään automaattisesti ERDAS IMAGINE -ohjelmalla. Siinä käyttäjä määrittelee, kuinka moneen luokkaan kuva halutaan luokitella ja ohjelma sijoittaa samanarvoiset pikselit samoihin luokkiin. Avaa luokiteltava kuva File > Open > Raster Layer tai näpäytä pikakuvaketta. Määritä/tarkista Raster Options -kohdassa väritasot ja laita rasti kohtaan Fit to Frame. Paina OK. Näpäytä ERDAS IMAGINE -valikosta Classifierpikakuvaketta ja valitse avautuvasta Classifierikkunasta Signature Editor jolloin Signature Editor -ikkuna aukeaa (kuva 52). Valitse View > Columns. Valitse Shift- näppäin pohjassa kaikki muut Column-sarakkeen muuttujat paitsi Red, Green ja Blue ja paina Apply ja Close. (Tällä tavalla poistettiin ns. turhat sarakkeet luokittelutehtävän helpottamiseksi). Kuva 52. Ohjatun luokituksen aloittaminen. Avaa piirtotyökaluikkuna valitsemalla Viewer-ikkunassa AOI > Tools (kuva 53). Voit zoomata ja loitontaa kuvaa suurennuslasi-kuvakkeilla. Valitse työkaluista Piirrä alue (Polygon) -työkaluja 45

46 rajaa hiirellä napsutellen valittua luokkaa (esim. vesi) kuvaava pikselijoukko eli tukialue (kuva 54). Sulje alue yhtenäiseksi tuplanäpäytyksellä. Signature Editor -ikkunassa klikkaa Create New Signature(s) from AOI tai pikakuvaketta. Mene luokan 1 kohdalla Signature Name -kohtaan ja anna luokalle nimi (esim. vesi_1). Color-sarakkeessa voit valita luokalle sitä kuvaavan värin. Etsi kuvalta toinen samaa (vesi) luokkaa kuvaava alue ja rajaa tukialue em. ohjeiden mukaan. Klikkaa Signature Editor:ssa Create New Signature(s) from AOI pikakuvaketta tai valitse Edit > Add luodaksesi uusi luokka. Anna luokalle nimeksi vesi_2 ja määritä luokalle täsmälleen sama väri kuin ensimmäisellekin vesi-luokalle. Määritä vesi-luokalle vielä joitakin tukialueita (esim. 5-7 tukialuetta/luokka), jonka jälkeen voit alkaa etsimään seuraavaa luokkaa (esim. mäntymetsä/lehtimetsä/sekametsä) kuvaavia tukialueita. Valitse Piirrä alue Poista Tyylien muokkaaminen Region grow Kuva 53. AOI työkaluvalikko Kuva 54. Tukialueen rajaaminen Polygon-toiminnolla ja luokan lisääminen Signature Editor -ikkunaan. Kun olet valinnut riittävästi tukialueita jokaisesta luokasta, tallenna ne valitsemalla Signature Editor -ikkunassa File > Save As (*.sig). Tämän jälkeen yhdistetään tiettyä luokkaa kuvaavat tukialueet yhdeksi luokaksi. Valitse kaikki ensimmäistä luokkaa (vesi_1-vesi_*) kuvaavat tukialueet aktiiviseksi näppäimistön Shift-näppäimen avulla. Yhdistä tukialueet yhdeksi luokaksi 46