Kaukokartoituksen peruskäsitteet ja vesialueiden tilan tutkiminen

Transkriptio

1 Geologian tutkimuskeskus Kaukokartoituksen peruskäsitteet ja vesialueiden tilan tutkiminen Miia Eskelinen T&K, Kaukokartoituslaboratorio V1 GTK/RS/2001/1

2 Sisällys: 1. Johdanto 1 2. Tausta ja käsitteet Sähkömagneettinen säteily Ominaisspektri Ilmakehän vaikutus sähkömagneettiseen energiaan Aineiston hankinta ja instrumentit 7 3. Kaukokartoitustapahtuma Maastotiedot Aineistot Analogiset sekä numeeriset ilma- ja satelliittikuvat Spektrometri-, satelliitti- ja tutkakuvat Esikäsittely ja digitaalinen kuvantulkinta Esikäsittely Piirteiden valinta Kuvantulkinta Vesialueiden tilan tutkiminen kaukokartoitusmenetelmillä Pintavesien hydrologian spatiaalinen analyysi Veden laatu Veden spektriset ominaisuudet Järvien vedenlaadun analyysimenetelmät Lopuksi 21 KIRJALLISUUS

3 1. Johdanto Kaukokartoitus ja samankaltaiset menetelmät kuten GIS (Geographic information system) ja GPS (Global positioning system) vaikuttavat yhä enemmän tieteen, hallinnon ja kaupan aloilla. GPS-satelliittipaikannusmenetelmällä voidaan määrittää maantieteellisiä sijainteja kannettavien vastaanottimien avulla (Burrough & McDonnell 1998: 301). GIS on tietokoneisiin pohjautuva järjestelmä, jolla voidaan käsitellä tietoa sijainniltaan tunnetuista kohteista. Yksi tämän paikkatietojärjestelmän tärkeimpiä etuja on sen kyky yhdistellä monenlaisia tilaa koskevia (spatiaalisia) aineistoja lukuisista eri lähteistä. Kaukokartoituskuvat ja niistä tehdyt tulkinnat sekä GPS-aineisto ovat tärkeänä materiaalina nykyajan GIS-ohjelmille. Kaukokartoitus sekä GIS- ja GPS-järjestelmät toimivat saumattomasti yhdessä ja edistävät maapallon resurssien inventointia, kartoitusta, seurantaa ja hallintaa sekä auttavat esimerkiksi biofysikaalisten prosessien mallinnuksessa ja erilaisten ennusteiden kehittämisessä (Lillesand & Kiefer 2000: 33-51). Tässä työssä selvitetään ensin kaukokartoituksen periaatetta ja tärkeimpiä käsitteitä. Sitten kerrotaan lyhyesti kaukokartoitustapahtumasta. Kaukokartoituksen soveltamisesta on esimerkkinä vesialueiden tilan tutkiminen. Tästä laajasta tutkimuskentästä esitellään tarkemmin järviveden laadun tulkintamenetelmiä. 2. Tausta ja käsitteet Kaukokartoitus on tiedon hankkimista kohteesta, alueesta tai ilmiöstä analysoimalla aineistoa, joka on hankittu laitteella joka ei ole kosketuksessa tutkittavaan kohteeseen, alueeseen tai ilmiöön (Lillesand & Kiefer 2000: 1). Kaukohavainnoinnilla (remote sensing) tarkoitetaan juuri kohteen ominaisuuksien mittaamista ilman kosketusta. Kaukokartoitus (remote sensing) on laajempi käsite (Tokola et. al. 1998: 1). Siihen sisältyvät mm. kohteen mittaus, aineiston siirto, arkistointi, analysointi, jatkokäsittely, tulosten esittäminen sekä laiterakennus. Tutkittavia kohteita voivat olla maa, meret, kasvillisuus, ilmakehä tai muut taivaankappaleet. Niitä voidaan mitata maanpinnalta, lentokoneesta tai satelliiteista (kuva 1). 1

4 Kuva 1. Kaukokartoituksessa kohdetta voidaan havainnoida maasta, ilmasta tai avaruudesta (Lillesand & Kiefer 2000: 42). Lukiessa kirjan sivuja silmät toimivat sensoreina, jotka reagoivat sivulta heijastuvaan valoon. Aineisto, jonka silmä tallentaa, koostuu impulsseista, jotka vastaavat sivun tummista ja valkeista kohdista heijastuvaa valon määrää. Aineisto tulkitaan mielen tietokoneessa, jolloin voidaan selittää tummien alueiden olevan sanoja. Tietoa välittyy kun tulkitaan oikein sanoista koostuvia lauseita. Kaukokartoituksessakin tutkimuskohteesta kerätään aineistoa erilaisten sensorien avulla, jota sitten analysoidaan tiedon saamiseksi. Visuaaliseen ympäristön havainnointiin verrattuna kaukokartoitustekniikoilla on mahdollista mitata tutkimusalueita laajemmin sekä spektrisesti, spatiaalisesti ja ajallisesti tarkemmin (Drury 1990: 22-23; Vincent 1997: 1-2; Lillesand & Kiefer 2000: 1-2). 2.1 Sähkömagneettinen säteily Luonnonvarojen kaukokartoitusmenetelmät perustuvat säteilyfysiikkaan, sähkömagneettisen säteilyn mittaamiseen (Campbell 1996: 28-29; Tokola et. al. 1998: 1). Ennen kuin tutkimuskohteesta mitattua kaukokartoitusaineistoa voidaan tulkita 2

5 luotettavasti, tarvitaan tietoa sähkömagneettisen säteilyn ja kohteen välisestä vuorovaikutuksesta (Curran 1985: 20). Sähkömagneettisen säteilyn kaikkien aallonpituuksien jatkuvaa asteikkoa sanotaan spektriksi (kuva 2). Kaikki sähkömagneettinen energia on luonnostaan samanlaista ja säteilee aaltoteorian mukaan harmonisesti sinikäyrän muodossa valon nopeudella (Drury 1990: 28-29; Lillesand & Kiefer 2000: 4-8). Sähkömagneettista säteilyä voidaankin kuvata aaltomallilla (kuva 3). Aaltoliikettä kuvaavat ominaisuudet ovat aallonpituus (wavelength), taajuus (frequency) ja amplitudi (amplitude). Aallonpituus on etäisyys yhdeltä aallonharjalta seuraavalle. Taajuudella tarkoitetaan tietyn pisteen ohittavien harjojen lukumäärää aikayksikössä. Amplitudi kuvaa aallonharjan korkeutta (Campbell 1996: 23-24; Tokola et. al. 1998: 3). Kuva 2. Sähkömagneettinen spektri (Lillesand & Kiefer 2000: 5). Kuva 3. Aaltoliikemalli kuvaa sähkö- ja magneettikentässä kulkevaa säteilyä Drury 1990: 28). 3

6 Kaukokartoituksessa on yleisenä tapana luokitella sähkömagneettisen spektrin alueita niiden aallonpituuden perusteella. Pituuden yksikköinä ovat vallitsevasti käytössä nanometri (nm), mikrometri ( m) eli metrin miljoonasosa, millimetri (mm) ja metri (m). Spektristä on eroteltu käytäntöä helpottamaan erilaisia aallonpituusalueita kuten UV eli ultravioletti-, näkyvän eli optisen valon, IR eli infrapuna- tai mikroaaltojen alue. Mikroaaltojen yhteydessä spektrin osa-alueita jaoteltaessa puhutaan usein taajuusalueista. Taulukossa 1 esitetty aallonpituusalueiden jaottelu perustuu pääosin ilmakehän absorptioon ja läpäisyyn. Laajaan infrapunaiseen alueeseen sisältyvät sekä heijastunut lyhyempiaaltoinen että emittoitunut terminen, eli lämpöön liittyvä, pidempiaaltoinen (MIR ja TIR) säteily (Richards 1993: 1-2; Campbell 1996: 22-27; Sabins 1997: 4-5). Tarkkaa rajaa eri spektrialueiden välille ei voida vetää. Kaukokartoituksessa yleisesti käytettävät aaltoalueet ulottuvat näkyvän valon alueelta infrapuna-alueelle noin 0.38 m 3.0 m sekä mikro- ja radioaaltojen alueelle 1 mm 1 m (Campbell 1996: 22-27; Lillesand & Kiefer 2000: 6). Laitteiden kehityttyä on nykyisin mahdollista hyödyntää lähes koko spektrialuetta. Lisäksi on huomioitava spektriasteikon logaritminen luonne. Näkyvän valon aallonpituusalueen osuus on kokonaisuuteen nähden hyvin pieni, sillä ihmisen silmän spektraalinen herkkyys ulottuu vain n. 0.4 m 0.7 m (Drury 1990: 22-23; Lillesand & Kiefer 2000: 4-6). Taulukko 1. Ultravioletti-, näkyvän, infrapunaisen sekä mikro- ja radioaaltojen allonpituusalueet ilmakehän absorptiohuippujen mukaisesti jaoteltuna. Oikealla infrapunaisen alueen tarkempi alajako (vrt. Sabins 1997: 4-5). SPEKTRIALUE AALLONPITUUS INFRAPUNAINEN ALUE µm Ultraviolettisäteily (UV) µm Lähi-infra (NIR) Näkyvä valo (VIS) µm Lyhytaaltoinen IR (SWIR1) Infrapunainen säteily (IR) µm Lyhytaaltoinen IR (SWIR2) Mikroaallot 1000 µm - 1 m Keski-infra (MIR) Radioaallot > 1 m Terminen infra (TIR) Ominaisspektri Jokainen maanpinnan piirre heijastaa (reflect), emittoi (emit) ja absorboi (absorb) sähkömagneettista energiaa sille ominaisella tavalla. Tätä kunkin kohteen heijastamaa 4

7 ominaissäteilyä käytetään hyväksi kaukokartoituksessa. Ominaisspektrin (spectral signature) muodon avulla voidaan tunnistaa kohteita sekä hankkia tietoa niiden tilasta ja ominaisuuksista. Esimerkiksi kasvillisuuden ja veden ominaisheijastukset ovat toisiaan lähellä näkyvän aallonpituuden alueella mutta lähi-infran alueella ne ovat puolestaan hyvin erilaiset (kuva 4) (Lillesand & Kiefer 2000: 20). Kohteiden ominaisuuksien lisäksi mittalaitteen vastaanottamaan säteilyn määrään vaikuttavat myös ilmakehän ominaisuudet, mittausajankohta sekä geometria. Kuva-alkion eli pikselin säteilytieto voi koostua useiden yksittäisten kohteiden heijastamasta säteilyn yhdistelmästä eri aallonpituusalueilla. Tällaisia sekapikseleitä (mixed pixel) on esimerkiksi satelliittikuvalla, jonka pikselikoko on suuri. Ominaisspektrin tunteminen auttaa kohteiden tunnistamisessa, mm. valittaessa kohteen erottumisen kannalta edullisimpia spektrin alueita, sopivaa kaukokartoitusjärjestelmää sekä parasta vuodenja vuorokaudenaikaa (Tokola et. al. 1998: 1-9). Kuva 4. Kasvillisuuden, maaperän ja veden tyypilliset spektriset heijastuskäyrät eri aallonpituusalueilla (Lillesand & Kiefer 2000: 17). 2.3 Ilmakehän vaikutus sähkömagneettiseen energiaan Kaikki kaukokartoitettava säteily kulkee ilmakehässä tietyn pituisen matkan riippuen sensorin sijainnista. Esimerkiksi satelliittisensoreiden rekisteröimä auringon säteily kulkee kaksi kertaa, ja maapallon emittoima säteily puolestaan kerran koko maapallon ilmakehän läpi. Ilmakehän vaikutuksen määrä sensorin vastaanottamaan säteilyyn vaihtelee energian kulkeman matkan pituuden, signaalin voimakkuuden, ilmakehässä vallitsevien olosuhteiden sekä kyseessä olevien aallonpituuksien mukaan. Kulkiessaan 5

8 ilmakehässä säteilyä siroaa (scattering), absorboituu (absorption) ja taittuu (refraction), jolloin mm. säteilyn suunta, aallonpituus, taajuus tai voimakkuus voivat muuttua (Campbell 1996: 29-38; Lillesand & Kiefer 2000: 9-12). Sumu, sade, pilvet ja pöly aiheuttavat sirontaa, joka vaikuttaa erityisesti näkyvään valon suuntaan. Sironnan määrä riippuu ilmakehässä olevien partikkeleiden koosta, runsaudesta, kulkevan säteilyn aallonpituudesta sekä matkan pituudesta. Ilmakehän vesihöyry (H 2 0), hiilidioksidi (CO 2 ), otsoni (O 3 ), happi (O 2 ), hiilimonoksidi (CO), typpioksiduuli eli ilokaasu (N 2 O) ja metaani (CH 4 ) absorboivat mm. näkyvää valoa pidempiä ja lyhempiä taajuuksia ja aiheuttavat säteilyyn vaimenemishuippuja. Sellaisia spektrin alueita, joilla absorptio on alhainen ja ilmakehä läpäisee (transmittance) hyvin energiaa, kutsutaan ilmakehäikkunoiksi (atmospheric windows). Nämä aallonpituusalueet ovat olennaisia kaukokartoituksessa, sillä niitä voidaan käyttää kuvan muodostamisessa (kuva 5). Kahden valoa läpäisevän aineen rajapinnassa säde taittuu. Ilmakehässä valo refraktoituu läpäistessään erilaisen lämpötilan, kosteuden tai puhtauden kerrostumia. Säteily, joka on ollut vuorovaikutuksessa maan pinnan sekä ilmakehän kanssa mitataan ja tallennetaan sensoriin (Siegal & Gillespie 1980: 48-49; Curran 1985: 8-54; Drury 1990: 28-30; Lillesand & Kiefer 2000: 9-12). (a) (b) Kuva 5. Ilmakehän läpäisyn (a) ja yleisimpien kaukokartoitusjärjestelmien (b) spektriset ominaisuudet (Lillesand & Kiefer 2000: 11) 6

9 2.4 Aineiston hankinta ja instrumentit Sähkömagneettisen energian sensoreita käytetään maassa, ilmassa ja avaruudessa toimivissa laitteissa kuten kentällä nostureissa, lentokoneissa ja satelliiteissa. Instrumenttien kehityksessä on edetty nopeasti. Perinteisillä ilmakuvakameroilla hankitaan ilma(valo)kuvia. Optisen ja IR alueen kameroiden lisäksi kaukokartoituksessa käytetään nykyisin myös video- ja digitaalikameroita, sähkömagneettista spektriä kuvaavia spektrometrejä, mikroaaltoja mittaavia radiometrejä sekä optisella ja mikroalueella toimivia tutkia. Tutkajärjestelmiä ovat mm. mikroaaltotutka ja laserkeilain. Laserkeilain pyyhkäisee tutkan muodostamaa optisen tai infrapuna-alueen laser-pulssia kohtisuoraan lentosuuntaa vastaan (Holopainen et. al. 2000: 8-11, 35, 41-42; Lillesand & Kiefer 2000: 309). Digitaalikameran sensorina on CCD-ilmaisinmatriisi (Charge Couple Device) kuten myös useimmissa keilaamattomissa satelliittisensoreissa (kuva 6). Monikanavaisessa kuvauksessa (multiband imaging) saadaan kolme tai neljä suhteellisen leveää ( µm) aallonpituuskanavaa havaittua. Multispektrinen keilain MSS (multispectral scanner) toimii samankaltaisella periaatteella kuin monikaistainen sensori mutta se mittaa sähkömagneettisen spektrin aluetta paljon laajemmin ( µm) sekä melko kapeilla kanavilla (Holopainen et. al. 2000: 11; Lillesand & Kiefer 2000: , ). Spektrometrillä tarkoitetaan laitetta, joka kuvaa kapeita aallonpituuskanavia kattaen silti laajan aallonpituusalueen. Spektrometrillä on siis erinomainen spektrinen erotuskyky. Hyperspektriset keilaimet (hyperspectral scanning systems), voivat havainnoida satoja, peräkkäisiä, hyvin kapeita aallonpituusalueita (kuva 7). Hyperspektrisen kaukokartoituksen yksityiskohtainen ja tarkka maanpinnan spektraalinen havainnointi kuvaavalle spektrometrille (imaging spectrometry) mahdollistaa mitattaustulosten vertaamisen tietokantoihin tallennettujen spektrikirjastojen (spectral libraries) spektrimuotojen kanssa (Campbell 1996: 400). 7

10 Kuva 6. Spektrometrin ja CCD-ilmaisinmatriisin toimintaperiaate (Östlund 1999: 19). Kuva 7. Spektrometrin ja hyperspektrisen keilaimen etuna multispektriseen keilaimeen verrattuna on niiden kyky tarkastella kohdetta lähes jatkuvalla spektrialueella ja hyvin kapeilla kanavilla (Short 2001). 8

11 Toimintatapansa mukaan laitteet voidaan jaotella aktiivisiin ja passiivisiin sekä kuvaa muodostaviin ja kuvaa muodostamattomiin systeemeihin. Säteilylähde voi olla luonnollinen tai keinotekoinen. Passiivisia instrumentteja ovat mm. kamerat, keilaimet, radiometrit ja spektrometrit. Ne rekisteröivät joko kohteen emittoimaa säteilyä tai ulkopuolisesta säteilylähteestä kohteen kautta heijastunutta säteilyä. Ulkopuolinen luonnollinen säteilylähde on usein aurinko. Kuvaa muodostamattomien instrumenttien mittaama pistemäinen aineisto esitetään usein myös kuvamuodossa, jotta saatu tieto mittauskohteesta olisi helposti havaittavissa. Aktiiviset laitteet, kuten tutkat, lähettävät kohteeseen tuottamaansa sähkömagneettista säteilyä ja mittaavat kohteesta vastaanottimeen sironneen tai heijastuneen säteilyn määrän. Tällaiset sensorit eivät ole riippuvaisia auringon tai maan säteilystä ja toimivat myös yöllä sekä pilvisellä säällä (Drury 1990: 38-53; Richards 1993: 7-29; Campbell 1996: 44-45). Aineiston käsittelyn ja analysoinnin kannalta sensorin valinta on tärkeää, sillä täydellistä sensoria ei ole kehitetty. Mikään yksittäinen ilmaisin ei ole herkkä kaikille aallonpituuksille vaan niillä kullakin on ominainen sensorista riippuva spektrinen erotuskyky (spectral resolution). Tällä tarkoitetaan sensorin rekisteröimien aallonpituusalueiden leveyksiä sekä lukumäärää eli aallonpituuskanavien sijoittumista sähkömagneettisella spektrillä. Spatiaalinen erotuskyky (spatial resolution), eli paikka/kuvioresoluutio, ilmaisee kuinka hyvin sensori voi havaita geometrisiä yksityiskohtia. Se siis määrää, kuinka pieni kohde voi olla, että sen voi vielä erottaa ympäristöstään. Visuaalisen menetelmän lisäksi optisen kuvauslaitteen spatiaalinen erotuskyky voidaan määrittää mm. laatimalla modulaarinen siirtofunktio eli MTF (Modulation Transfer Function). Tällä tarkoitetaan laitteen kykyä kuvata kohteen erikokoiset yksityiskohdat kontrastin funktiona. Alueellisella erotuskyvyllä voidaan myös tarkoittaa kuvausalueen pikselien pinta-alaa maanpinnan tasossa. Radiometrinen resoluutio (radiometric resolution) määräytyy sen mukaan, kuinka moneen kirkkausarvoon sensori pystyy jakamaan siihen saapuvan signaalin. Kontrasti määritellään kirkkauserona kohteen ja taustan välillä. Edellä mainittujen kaukokartoituskuvan sisältämän informaation määrään vaikuttavien spektrisen, spatiaalisen ja radiometrisen erotuskykyjen lisäksi mittausten ajallinen toistettavuus (temporal resolution) voi olla tärkeä seikka sovelluksesta riippuen (Pratt 1978: 37-40; Richards 1993: 1-2; Campbell 1996: ; Sabins 1997: 9; Tokola et. al. 1998: 35-37; Lillesand & Kiefer 2000: 38, ). 9

12 3. Kaukokartoitustapahtuma Sähkömagneettista säteilyä käyttävällä kaukokartoitusjärjestelmällä on viisi olennaista osatekijää (Engman & Gurney 1991: 10-12): säteilylähde säteily säteilyn vuorovaikutus kohteen kanssa säteilyn vuorovaikutus ilmakehän kanssa säteilyä havainnoiva sensori eli ilmaisin Edellä esitetyt osatekijät muodostavat aineiston hankintaprosessin (data acquisition), joka tarkoittaa maanpinnan piirteistä heijastuneen ja emittoituneen energian rekisteröintiä. Aineistoa voidaan analysoida (data analysis) visuaalisella tulkinnalla tai digitaalisella aineiston käsittelyllä (Lillesand & Kiefer 2000: 2-3). Aineiston tulkinnasta ja analyysistä saadut tulokset kootaan kartoiksi, taulukoiksi tai tiedostoiksi (kuva 8). Kuva 8. Luonnonvarojen sähkömagneettinen kaukokartoitustapahtuma (Lillesand & Kiefer 2000: 3). 10

13 Digitaalisessa muodossa olevista tuloksista voidaan muodostaa spatiaalinen GIStietokanta. Ennen tietokantaan tallennusta raakadata georeferoidaan tarkoin määriteltyyn koordinaatistoon ja muunnetaan käytettävän GIS-tietokantamuodon mukaiseksi. Sitten kaukokartoitusaineistoa voidaan yhdistää muuhun tietoon sekä käyttää mallinnuksessa, jatkoanalyyseissä ja päätöksenteon tukena (Burrough & McDonnell 1998: 75-98). 3.1 Maastotiedot Kaukokartoitusprosessiin liittyy lähes aina vertailumateriaalin kerääminen, jonka avulla mitatun aineiston analysointi helpottuu. Referenssimateriaalin avulla voidaan myös kalibroida sensoreita tai varmentaa aineiston tulkinnasta saatuja tuloksia. Vertailuaineistoa tutkittavasta kohteesta voidaan hankkia esimerkiksi maaperäkartoista, kerättyjen näytteiden laboratorioanalyysien tuloksista, ilmakuvilta tai kenttävarmennuksin. Spektroskooppisilla menetelmillä, mm. kannettavalla spektroradiometrillä, voidaan mitata kohteiden heijastusarvoja kenttä- tai laboratorioolosuhteissa. Tulkinta-avaimien, kuten materiaaliltaan tunnettujen spektrimuotojen avulla voidaan irrottaa varsinaista tietoa kaukokartoitettujen resurssien laajuudesta, sijainnista, tilasta tai tyypistä (Lillesand & Kiefer 2000: 27-29). 4. Aineistot Kaukokartoitusaineisto voi olla analogista, kuten ilmakuvakameralla taltioidut kuvat, tai numeerista (digital). Digitaalinen aineisto on taltioitu kuva-alkioina eli rasterisoluina (grid cells), joihin on kooditettu kunkin pikselin laajuiselta maa-alalta heijastuneet sensorin havaitsemat säteilyarvot (Burrough & McDonnell 1998: 77). 4.1 Analogiset sekä numeeriset ilma- ja satelliittikuvat Perinteiset analogiset ilma- ja satelliittikuvat ovat olleet kaukokartoituksen perustana niiden yleisen saatavuuden, geometrisen luotettavuuden, monikäyttöisyyden sekä taloudellisuuden vuoksi. Ilmakuvien etuja spektrometrikuviin ja tutkamittauksiin 11

14 verrattuna ovat edullisuus ja mahdollisuus sekä visuaaliseen että numeeriseen kuvantulkintaan. Ilmakuvauksella on kuitenkin rajoituksia kuten toisinaan hankala varastointi, tulkinta, kalibrointi, käsittely tai saatavuus. Monissa sovelluksissa, joissa on aiemmin käytetty analogisia ilmakuvia, ollaan yhä useammin siirtymässä kokonaan digitaaliseen tallennustekniikkaan (Campbell 1996: 80-87; Holopainen et. al. 2000: 59; Lillesand & Kiefer 2000: 122). Vierekkäisiä ilmakuvia voidaan yhdistää mosaiikeiksi. Stereoilmakuvien ja niihin kuvautuneiden geodeettisten kiintopisteiden avulla ilmakuva voidaan oikaista ortokuvaksi, jossa ei ole enää geometrisiä virheitä. Topografisia karttoja saadaan aikaan fotogrammetrisillä menetelmillä stereokuvapareilta. Kohteen sijaintia ja korkeutta mitataan ilmakuvilta (aerial photographs or images) fotogrammetriassa eri tekniikoilla stereoskooppisesti (Campbell 1996: 80-87). Karttatuotannossa käytetyllä digitaalisella fotogrammetrisella stereotyöasemalla on samat mittausmahdollisuudet kuin perinteisellä analyyttisellä stereoplotterilla. Tämän lisäksi erilaiset kuvankäsittely- ja GIS-operaatiot ovat mahdollisia numeeriselle aineistolle. Analogisia ilmakuvia voidaan digitoida tai skannata numeeriseen muotoon. Instrumenttien ja tietotekniikan kehitys ovat mahdollistaneet satelliitti- ja ilmakuvien hankinnan suoraan numeerisessa muodossa. Skannatuista stereoilmakuvista ja digitaalisista ortokuvista voidaan valmistaa digitaalisia korkeusmalleja ( Burrough & McDonnell 1998: 76-88; Tokola et. al. 1998: 37). 4.2 Spektrometri-, satelliitti- ja tutkakuvat Yleisesti tunnetut Landsat TM (thematic mapper) ja MSS (multispectral scanner) satelliittikuvat on taltioitu seitsemällä ja neljällä kanavalla, joiden spektrinen alue vaihtelee µm. SPOT (Satellite Probatoire pour l Observation de la Terre) sarjan satelliittisensorit havainnoivat aallonpituusalueella µm, käyttäen neljää kanavaa. Spektrometrikuvilla esimerkiksi näkyvän ja lähi-infran aallonpituusalueet voidaan jakaa lähes 300 kanavaan. Tällöin kohteen tunnistamiseen voidaan käyttää koko aallonpituusalueen spektraalista sormenjälkeä. Ilma- ja spektrometrikuvilla on parempi spatiaalinen erotuskyky kuin satelliittikuvilla mutta aineistojen kustannukset pinta-alayksikköä kohden ovat korkeammat. Joillakin alueilla jatkuva pilvipeitto haittaa ilma- ja satelliittikuvausta. Riippumattomuus 12

15 ilmakehän ominaisuuksista on tehnyt etenkin trooppisissa olosuhteissa tutkakuvasta suositun aineiston. Profiloiva tutka tuottaa kuvan sijasta pystysuuntaisen profiilin kohteesta. Laserkeilauksen pistemäisistä mittauksista voidaan muodostaa erilaisia 3- ulotteisia maastomalleja. Etenkin luonnonvarojen hallintaan ja seurantaan tarvitaan uusia tekniikoita. Uudet satelliittiohjelmat parantavat satelliittikuvien ominaisuuksia ja tarjontaa sekä mahdollistavat tehokkaan tavan seurata luonnonvaroja (Tokola et. al. 1998: 41-64; Holopainen et. al. 2000: 35-42). 5. Esikäsittely ja digitaalinen kuvantulkinta 5.1 Esikäsittely Kaukokartoitusaineiston digitaalisessa analysoinnissa esikäsittelyllä tarkoitetaan perinteisesti varsinaista analyysiä edeltäviä toimia, joilla pyritään usein korjaamaan tai kompensoimaan systemaattisia virheitä (Campbell 1996: ). Geometristen virheiden korjausten tarkoituksena on oikaista kuva-aineisto haluttuun karttaprojektioon, jolloin pikseleiden sisältämä informaatio saadaan sidottua paikkaan ja aineiston käsittelyssä voidaan käyttää paikkatieto-ohjelmistoja (GIS). Kuvat oikaistaan esimerkiksi paikalliseen karttakoordinaatistoon sijainniltaan tunnettujen tukipisteiden avulla. Geometrisiin korjauksiin sisältyvät myös pikselikoon muuttaminen ja karttatasojen oikaisu päällekkäin. Radiometristen virheiden korjaukset tehdään sensorin vian tai tavallisemmin ilmakehän vaikutusten poistamiseksi. Jos tunnetaan ilmakehän vaikutusten luonne ja seuraukset kuvassa, vaikutus voidaan poistaa tai huomioida analyysivaiheessa. Toisinaan keilaimen tekniikasta aiheutuu juovitusta kuvalle, joka voidaan korjata radiometrisin menetelmin (Tokola et. al. 1998: 66-69). 5.2 Piirteiden valinta Esikäsittelyn jälkeen voidaan valita piirteitä (feature extraction) eli eristää datan hyödyllisimpiä komponentteja analyysiä ja tulkintaa varten. Ennen tulkintaa tehtävät toimenpiteet vähentävät virheitä, kohinaa ja tutkittavien muuttujien lukumäärää sekä säästävät resursseja ja aikaa (Campbell 1996: ). Piirteitä irrotetaan tutkimalla 13

16 aineiston laatua ja luonnetta tilastollisten tunnuslukujen avulla. Kuvan piirteiden korostus tai muuntelu (image enhancement) auttaa täydentävän visuaalisen tulkinnan yhdistämisessä digitaaliseen prosessointiin. Lukuisat muuntelumenetelmät voidaan jaotella yksittäisen pikselin kirkkausarvoon tai niiden muodostamiin naapurustoihin kohdistuviin toimintoihin. Kontrastin säätö, naapurustofunktiot kuten suodatus, sekä monikanavamuunnokset ovat yleisimmin käytettyjä tekniikoita (Lillesand & Kiefer 2000: 488). 5.3 Kuvantulkinta Aineistoa voidaan tulkita visuaalisesti tai numeerisesti. Visuaalisessa kuvantulkinnassa tulos on riippuvainen tulkitsijan subjektiivisesta havainnoinnista, joten tulkitsija tarvitsee paljon kokemusta ja taitoa. Esimerkiksi ilmakuvista valmistetut suurimittakaavaiset kartat tallentavat paljon yksityiskohtaista tietoa. Niiltä voidaan tulkita visuaalisesti spatiaalisia piirteitä, mutta kvantitatiivinen havainnointi on syytä tehdä tietokoneella. Numeerisessa kuvankäsittelyssä tietokone käyttäytyy aina samalla tavalla kun taas tulkitsijan työskentelyssä voi olla tahatonta vaihtelua. Digitaalinen kuvankäsittely auttaa merkittävästi visuaalisessa tulkinnassa. Kvantitatiivisen analyysin luotettavuus on riippuvainen tulkitsijan määrittelemistä avaintiedoista. Nämä menetelmät täydentävätkin usein toisiaan kuvantulkinnassa. Numeerista aineistoa tulkitaan usein luokittelemalla mutta myös regressioanalyysillä tai muilla jatkuvia ilmiöitä estimoivilla menetelmillä. Tekniikan kehitys antaa mahdollisuuden automaattiseen kuvantulkintaan ja tietokantojen jatkuvaan ajantasaistamiseen (Richards 1993: 75; Tokola et. al. 1998: 2; Holopainen et. al. 2000: 10, 58; Lillesand & Kiefer 2000: 122). Sijainniltaan GPS-laitteella määriteltyä maastotiedon arvoa voidaan korreloida kaukokuvan saman koordinaattitiedon omaavaan pikseliarvoon. Maastossa varmennetut kohdealueet (training fields) auttavat myös esimerkiksi ohjatun luokittelun onnistumisessa. Kvantitatiiviset mallit perustuvat tarkkoihin maastohavaintoihin. Niissä pikselit määritellään ominaisuustietojensa perusteella (Richards 1993: 75; Campbell 1996: ). 14

17 Digitaalisessa kuvantulkinnassa käytettyjä menetelmiä ovat esimerkiksi ohjattu ja ohjaamaton luokitus. Yleisenä tarkoituksena on luokitella pikselit automaattisesti erilaisiin luokkiin spektraalisten ominaisuuksien perusteella. Ohjatussa luokittelussa tulkitsija määrittelee tulosluokkien ominaisuudet tukialueiden (training sites) avulla. Tukialueista lasketaan tulkinta-avaimet eli yleiset spektrimuodot kullekin kohdeluokalle. Sitten jokaista aineiston pikseliä vertaillaan numeerisesti eri spektrimuotoihin ja niille valitaan sopivin luokka. Ohjaamattomassa luokituksessa ei ole tukialueita vaan kuva-aineisto ryhmitellään spektriluokkiin eli laskennallisiin klustereihin (clusters). Sitten saadut luokat tunnistetaan referenssiaineiston avulla. Luokituksen onnistumisen toteaminen ja mittaaminen kuuluvat tärkeänä osana digitaaliseen kuvankäsittelyyn (Lillesand & Kiefer 2000: , 568). 6. Vesialueiden tilan tutkiminen kaukokartoitusmenetelmillä Veden laatua tarkkaillaan Suomessa useilla eri tutkimus- ja seurantaohjelmilla ja analyysituloksia taltioidaan vuosittain kattavasti koko maasta (Vesi- ja ympäristöhallitus 1988). Vesivaroja havainnoidaan perinteisesti maastomittauksina, jolloin tulokset edustavat kuitenkin usein alueeltaan suppean kohteen arvoja. Kaukokartoituksen avulla on mahdollista tehdä nopeasti laaja-alaisia havaintoja, jolloin erilaisten aluearvojen määritysmahdollisuudet paranevat. Näin voidaan saada tuloksia myös alueilta, joilla maastomittauksia ei voi tehdä (Kallio et. al. painossa; Kuittinen 1985: 150; Campbell 1996: 519). Hydrologisten prosessien kaukokartoitus eroaa monista muista sovelluksista lähinnä siinä, että hydrologiset tapahtumat muuttuvat nopeasti sekä ajassa että paikassa (Painter 1974: 287). 6.1 Pintavesien hydrologian spatiaalinen analyysi Rasterimuotoinen kaukokartoitusaineisto soveltuu hyvin hydrologisten prosessien spatiaaliseen mallinnukseen ja sillä onkin monia käytännön sovelluksia paikkatietoohjelmistoissa. Matemaattisia spatiaalisia toimintoja ovat esimerkiksi interpolointi, suodatukset, maanpinnan derivaattojen, kuten rinteen (slope), suuntauksen (aspect) ja kuperuuden (convexity) laskeminen sekä topologian ja valuma-alueiden määritykset. Yksittäisille rasterin soluille voidaan tehdä pistemäisiä toimintoja. Eri karttatasojen 15

18 saman sijainnin pikseliarvoja voidaan summata, vähentää tai käsitellä muilla matemaattisilla toiminnoilla ja seurata näin esimerkiksi muutosta ajassa. Kaukokartoituskuvasta muodostetun korkeusaineiston avulla voidaan mallintaa vesien virtausta ja sedimenttikuljetusta tai saasteiden leviämistä vesistöön (Burrough & McDonnell 1998: ) 6.2 Veden laatu Veden laatu on yleinen veden käyttökelpoisuutta ja sen sisältämiä haitta-aineita kuvaava ilmaus (Engman & Gurney 1991: 175). Vesien laatu ja eri komponenttien keskinäiset suhteet riippuvat valuma-aluetekijöistä. Topografia, kallio- ja maaperän kivilaji- ja raekoostumus sekä vedenjohtavuus, puusto ja kasvipeitteen ominaisuudet vaikuttavat veden laadun koostumukseen. Myös sadannan ja haihdunnan keskinäiset suhteet, laskeumat, järvialtaiden koko, virtausdynamiikka, vuodenaika sekä valumaalueen maankäyttömuodot vaikuttavat vesien laatuun. Suomen vedet sisältävät globaalisti verrattuna vähän liuenneita aineita mutta alueellisia eroja on varsinkin rannikon ja sisämaan välillä. Suuri humuspitoisuus ja siitä aiheutuva voimakas ruskean kellertävä väri ovat ominaisia Suomen pintavesille. Humusta on kaikki pitkälle hajonnut eloperäinen aines. Myös soiden ojitukset ja antropogeeniset haittaaineet vaikuttavat veden laatuun. Kaukokartoitusmenetelmillä voidaan havainnoida pistelähteistä, kuten jätevesiputkista, vesiin laskevaa saastekulkeumaa, ilman ja maan kautta kulkevaa hajakuormitusta sekä veden laadun alueellista vaihtelua (Engman & Gurney 1991: 175; Lahermo et. al. 1996: 21-22, 35; Erkkilä 2001). Kaikki veden ainesosat eivät vaikuta vedessä etenevään säteilyyn, eivätkä samankaan ainesosan vaikutukset ole aina samanlaisia. Monia tärkeitä veden tilaa kuvaavia muuttujia voidaan kuitenkin erottaa kaukokartoitusmenetelmin. Näkyvän ja lähiinfrapunaisen valon alueella toimivat optiset sensorit ovat tärkeimpiä vedenlaadun kaukokartoituslaitteita. Veden pintakalvoa mittaavilla mikroaalloilla toimivia sensoreita voidaan käyttää optisten laitteiden tukena, mm. havainnoimaan aallokon suuruutta mittausalueella. Säteilyn kulku ilma/vesi rajakerroksessa on hyvin mallinnettavissa tyynellä säällä mutta tuulen nostattaman aallokon karhentaman vedenpinnan mallinnus on erittäin monimutkaista (Pyhälahti 2000: 26). 16

19 6.3 Veden spektriset ominaisuudet Veden spektriset ominaisuudet määräytyvät usean vuorovaikutteisen tekijän summana. Tärkeimmät veden ja sähkömagneettisen säteilyn väliset vuorovaikutukset ovat säteilyenergian imeytyminen veden ainesosiin eli absorptio ja säteilyn etenemissuunnan muuttuminen eli sironta (kuva 9) (Lillesand & Kiefer 2000: 12; Pyhälahti 2000: 26). Kuva 9. Tulevan säteilyn kohdatessa vedenpinnan, osa siitä heijastuu suoraan takaisin ilmakehään ja osa puolestaan imeytyy, kulkeutuu, siroaa ja muuttuu veden ominaisuuksien vaikutuksesta, ennen kuin heijastuu vesipatsaasta ilmakehään. Tästä muuttuneesta säteilyn osasta saadaan tietoa veden laadusta (Sabins 1997: 3). Kun säteily osuu veden pintaan, osa siitä heijastuu takaisin ilmakehään ja välittää tietoa ainoastaan aallokosta tai muista pinnan ominaisuuksista. Absorptio on veden ilmeisin piirre kaukokartoituskuvalla. Vedestä saadaan tietoa siitä säteilyn osasta, joka läpäisee vesipatsaan, siroaa eli heijastuu diffuusisti eri suuntiin, ja heijastuu takaisin ilmakehään. Toisin kuin maa-alueiden, veden spektriset ominaisuudet määräytyvät siis ennemminkin läpäisevyyden kuin pelkästään pinnan piirteiden perusteella. Esimerkiksi pohjan ominaisuuksia tai syvän veden piirteitä voidaan havainnoida läpäisyn huippuaallonpituudella µm, kun taas pintaveden ominaisuuksia punaisella aallonpituusalueella (Campbell 1996: ; Östlund 1999: 12). Puhtaassa vedessä säteilyyn vaikuttavat absorptio ja sironta. Absorptio on voimakasta alle 250 nm ja yli 700 nm alueilla. Humuksen absorptiohuippu on noin 440 nm. 17

20 Kasviplanktonin pigmentti, klorofylli-a, absorboi voimakkaimmillaan 430 nm ja 665 nm kohdalla. Klorofylli-a:n mittaamista käytetään kasviplanktonin määrän selvittämiseen. Puhtaan veden molekyylit sirottavat säteilyä melko tasaisesti ympäristöönsä. Suspensiossa olevat partikkelit puolestaan aiheuttavat sirontaa, heijastumista ja diffraktiota. Vähäisetkin määrät muita partikkeleita muuttavat sironnan voimakkaasti eteenpäin suuntautuneeksi. Eri komponenttien vaikutusten erottaminen sironnasta on hankalaa johtuen sirottajien runsaudesta ja niiden ominaisuuksien muutoksista. Mineraalipartikkeleita esiintyy rannikkoalueilla ja sellaisilla merialueilla, joille tuuli kuljettaa aineksia. Ne vaikuttavat säteilyn kulkuun etenkin lähi-infrapuna-alueella. Suurin osa merivedestä ylöspäin siroavasta säteilystä siroaa kuolleesta aineksesta, ei niinkään elävästä kasviplanktonista (Campbell 1996: 521; Holopainen 2000: 18; Pyhälahti 2000: 27). Makean veden optiset ominaisuudet ovat kompleksimpia kuin syvillä valtamerellä, jossa säteilyn vaimenemiseen vaikuttavat pääosin kasviplankton ja puhdas vesi (kuva 10). Kuva 10. Esimerkkejä heijastusspektreistä erilaisissa vesissä, mm. (a) erittäin korkean sedimenttikonsentraation, (b) korkean sedimenttikonsentraation, (c) sedimenttikonsentraation ja kasviplanktonin, (d) puhtaan veden ja (e) pienen klorofylli- ja sedimenttikonsentraation spektrikäyrät. a, b, c ja e kuvaavat kompleksisia makeita ja d sekä f puolestaan valtamerien vesiä (Sathyendranath 2000: 36). 18

21 Makeassa vedessä ainesten laatu ja määrä voivat vaihdella paljon ja vesipatsas on todennäköisemmin vertikaalisesti kerrostunut. Optisesti kompleksien rannikko- ja järvivesien vedenlaatuun vaikuttavat kasviplanktonin ja veden ominaisuuksien lisäksi erityisesti suspendoituneet epäorgaaniset partikkelit ja humus (Sathyendranath et. al. 2000: 23; Lindell et. al. 1999: 29). 6.4 Järvien vedenlaadun analyysimenetelmät Järvien ja vesialueiden monitoroinnissa kaukokartoitusmenetelmillä on perusoletuksena, että veden ominaisuudet vaikuttavat sensorin rekisteröimään signaaliin. Siten lähes samanaikainen näytteiden keruu kuvauksen kanssa on suositeltavaa. Veden laadun selvittäminen perustuu erityisesti vesien optisiin ominaisuuksiin, jotka ovat riippuvaisia veden fysikaalisesta, kemiallisesta ja biologisesta tilasta. Tämän riippuvuuden avulla on mahdollista märittää vedenlaadun koostumus spektrisistä ominaisuuksista. Tärkeimpiä vedenlaadun kaukokartoituksessa käytettyjä parametrejä ovat lämpötila, klorofylli, veteen liuennut humus (yellow substance, aquatic humus), sameus (turbidity), suspendoituneet sedimentit, väri ja syvyys. Nämä ainesosat voivat vaihdella toisistaan riippumatta järvivesissä, joissa myös pohjan vaikutus säteilytietoon on huomioitava (Lindell et. al. 1999: 81, 100; Sathyendranath et. al. 2000: 23). Multispektristä aineistoa on käytetty melko lyhyen aikaa veden havainnoinnissa. Lähestymistapa on hyödyllinen juuri optisesti monitahoisten vesien ainesosien erottamisessa, analyysimenetelmien kehittämisessä ja tarkkuuden testaamisessa (Gitelson et. al. 1993). Multispektriseltä aineistolta voidaan irrottaa vedenlaatutietoja empiirisillä ja analyyttisillä tekniikoilla. Empiirinen tekniikka perustuu järvestä mitattujen vedenlaadun parametrien ja digitaalisen satelliittisignaalin väliseen tilastollisen suhteen määrittämiseen. Tällaisia korrelaatiotekniikoita on lukuisia yksinkertaisimmillaan esimerkiksi laboratorioanalyysin tuloksena saatua vesinäytteen sameusarvoa voidaan verrastaa samasta sijainnista yhdellä kanavalla taltioituun digitaalinumeroon, heijastusarvoon (Lindell et. al. 1999: ). Veden laadun komponenttien väri ja koostumus vaikuttavat veden aiheuttaman säteilyn vaimennuksen määrään heijastusarvossa. Esimerkiksi suspendoitunut sedimenttiaines 19

22 kasvattaa heijastuneen energian määrää verrattuna puhtaan veden heijastusarvoon (Engman & Gurney 1991: 176). Empiirinen malli on riippuvainen mittauksen kanssa samanaikaisesta näytteenotosta ja tulokseksi saadut algoritmit ovat luotettavia vain kyseisellä tutkimusalueella. Semiempiirisessä lähestymistavassa vedenlaadun parametrien spektriset ominaisuudet ovat tunnettuja tai melko hyvin arvioituja. Yleisemmin sovellettavien veden laadun arviointimenetelmien ja mallien kehittyessä ollaan siirtymässä edistyneempiin analyysimenetelmiin. Tällaisten analyyttisten eli bio-optisten menetelmien avulla veden laatua voidaan arvioida useille järville vain muutamien alueellisesti edustavien järvien referenssimateriaalin perusteella (Dekker et. al. 1995: 125; Östlund 1999: 14; Erkkilä 2001; Kallio et. al. painossa; Pulliainen et. al. painossa). Veden signaalin analyyyttisessa tulkitsemisessa lähdetään liikkeelle mallinnusongelmasta. Kaukokartoitettu arvo on ilmaistava vedessä olevien ainesten konsentraationa (Sathyendranath et. al. 2000: 23). Tässä tekniikassa järviveden näkyviä (apparent) ja luontaisia (inherent) optisia ominaisuuksia käytetään reflektanssin laskemisessa ainesosasten funktiona. Mitatulle ja mm. ilmakehäkorjatulle reflektanssiarvolle voidaan sitten soveltaa käänteistä mallinnusta, jolla ainekset ja niiden konsentraatio voidaan selvittää kaukokartoitetusta signaalista. Reflektanssilla eli heijastussuhteella tarkoitetaan kohteesta heijastunutta säteilyä jaettuna kohteeseen tulleella säteilyllä. Veden luontaisten optisten ominaisuuksien IOP (inherent optical properties) ja ainesten suhdetta käytetään mahdollisten reflektanssien muutosten määrittämisessä (Lindell et. al. 1999: 98, 158; Östlund 1999: 15). Kun siis tiedetään veteen tulleen ja siitä heijastuneen säteilyn luonne, voidaan päätellä millaiset veden ominaisuudet ovat saaneet sen aikaan (Pyhälahti 2000: 31). Veden laadun arviointiin käytetyt satelliittijärjestelmät ovat perinteisesti toimineet muutamilla suhteellisen leveillä aallonpituuskanavilla. Tämä on rajoittanut analyysimenetelmien kehitystä ja veden laadun arvioimisessa onkin viime vuosiin saakka keskitytty yksinkertaisiin regressioanalyyseihin. Ne ovat monissa sovelluksissa kuitenkin antaneet yhtä luotettavia tai jopa parempia tuloksia kuin monimutkaisemmat menetelmät. Tällä hetkellä ensimmäiset tarkemmalla spektrisellä erotuskyvyllä toimivat satelliittisensorit monitoroivat valtameriä. Nämä 20

23 satelliittisensorit sekä lentokoneissa toimivat kuvaavat spektrometrit mahdollistavat edistyneempien vedenlaadun analyysimenetelmien kehityksen (Lindell et. al. 1999: 81). 7. Lopuksi Kiinnostus seurata ympäristön tilaa kaukokartoitusmenetelmillä juontaa juurensa 1960-luvulle. Huoli elinympäristöstä, kehitys avaruusteknologiassa sekä uudet numeeriset menetelmät luonnontieteissä ovat kannustaneet tätä kaukokartoituksen sovellusta eteenpäin (Barrett & Curtis 1974: 3-4). Vuosituhannen vaihtuessa on kehityksessä otettu suuria edistysaskelia. Kantorakettien laukaisualustoja on yhä enemmän ja satelliiteista saadaan tietoja säännöllisemmin. Aineistojen maantieteellinen sijainti tarkentuu, sensoreihin saadaan lisää mittauskanavia ja spatiaalinen resoluutio paranee. Korkean resoluution hyperspektristen sensoreiden tulo on merkkinä uuden ajanjakson alusta. Kaikki tämä moninkertaistaa avaruudesta käsin saadun tiedon määrää. Myös kannettavien ja ilmassa toimivien instrumenttien kehittyminen lisää mahdollisuuksia valita tarkimmat menetelmät erilaisiin sovelluksiin (Casanova 2000: XII). Samalla kun kaukokartoitetun aineiston sisältämä tietomäärä moninkertaistuu ja kuvien laatu paranee, kasvaa myös kysyntä todellisesta osaamisesta. Parhaimmillaan kaukokartoitusjärjestelmät voivat auttaa globaalien ja paikallisten ongelmien hallinnassa. 21

24 KIRJALLISUUS Barrett, E. C. & L. F. Curtis (toim.) (1974). Environmental remote sensing: applications and achievements. Bristol symposium on remote sensing, Deparmment of geography, University of Bristol, 2 october s. Fletcher & Son, Norwich. Burrough, P. A. & R. A. McDonnell (1998). Principles of geographical information systems. 333 s. Butler & Tanner, Great Britain. Campbell, J. B. (1996). Introduction to remote sensing. 2 pain. 622 s. Taylor & Francis, London. Casanova, J. L. (toim.) (2000). Remote sensing in the 21 st century. Economic and environmental applications. Proceedings of the 19 th EARSeL symposium on remote sensing in the 21 st century / Valladolid / Spain / 31 may 22 june s. A.A. Balkema, Rotterdam. Curran, P. J. (1985). Principles of remote sensing. 2 pain. 282 s. Longman Scientific & Technical, New York.. Dekker, A. G., T. J. Malthus & H. J. Hoogenboom (1995). The remote sensing of inland water quality. Teoksessa Danson, F. M. & S. E. Plummer (toim.): Advances in EnvironmentalRemote Sensing. John Wiley & Sons. Drury, S. A. (1990). A guide to remote sensing: interpreting images of the earth. 199 s. Oxford University Press, Oxford. Engman, E. T. & R. J. Gurney (1991). Remote sensing in hydrology. 221 s. Chapman and Hall, London. Erkkilä, A. (2001). Turun yliopisto ja Lounais-Suomen ympäristökeskus, projektitutkija. Henkilökohtainen sähköpostiviesti Gitelson, A., G. Garbuzov, F. Szilagyi, K. Mittenzwey, A. Karnieli & A. Kaiser (1993). Quantitative remote sensing methods for real-time monitoring of inland waters quality. International Journal of Remote Sensing 14: 7, Holopainen, M., E. Lukkarinen & J. Hyyppä (2000). Metsän kartoitus lentokoneesta. Helsingin yliopiston metsävarojen käytön laitoksen julkaisuja 26. Yliopistopaino. Kallio, K., T. Kutser, T. Hannonen, S. Koponen, J. Pulliainen, J. Vepsäläinen & T. Pyhälahti (painossa). Retrieval of water quality from airborne imaging spectrometry of various lake types in different seasons. Science of the Total Environment. 22

25 Kuittinen, R. (1985). Vesivarat. Teoksessa Punkari, M. (toim.): Suomi avaruudesta. Ursan julkaisuja 24, Tähtitieteellinen yhdistys Ursa, Vaasa Oy:n kirjapaino. Lahermo, P., P. Väänänen, T. Tarvainen & R. Salminen (1996). Suomen geokemian atlas, osa 3: Ympäristögeokemia purovedet ja sedimentit. 149 s. Geologian tutkimuskeskus, Forssan kirjapaino. Lillesand, T. M. & R. W. Kiefer (2000). Remote sensing and image interpretation. 4 pain. 724 s. John Wiley & Sons, New York. Lindell, T., D. Pierson, G. Premazzi & E. Zilioli (toim.) (1999). Manual for monitoring European lakes using remote sensing technigues. European Comission Report EUR EN. 161 s. Office for Official Publications of the European Communities, Luxembourg. Short, N. M. (2001). Remote sensing tutorial. Goddard Space Flight Center, NASA, Maryland < Painter, R. B. (1974). Some present uses of remote sensing in monitoring hydrological variables. Teoksessa Barret, E. C. & L. F. Curtis (toim.): Environmental remote sensing: applications and achievements. Bristol symposium on remote sensing, Deparmment of geography, University of Bristol, 2 october s. Fletcher & Son, Norwich. Pratt, W. K. (1978). Digital image processing. 750 s. John Wiley & Sons, New York. Pulliainen, J., K. Kallio, K. Eloheimo, S. Koponen, H. Servomaa, T. Hannonen, S. Tauriainen & M. Hallikainen (painossa). A semi-operative approach to water quality retrieval from remote sensing data. The Science of the Total Environment. Pyhälahti, T. (2000). Vedenlaatumallien tarkkuuden ja edustavuuden parantaminen kaukokartoitushavaintojen avulla. Teoksessa Pulliainen, J. (toim.): Satelliittiaineistojen yhdistäminen kohteen fysikaaliseen mallinnukseen. Teknillisen korkeakoulun avaruustekniikan laboratorion raportti A-19, Helsinki. Richards, J. A. (1993). Remote sensing digital image analysis. 2 pain. 340 s. Springer- Verlag, Berlin. Sabins, F. F. (1997). Remote sensing: principles and interpretation. 3 pain. 494 s. Freeman and company, New York. Sathyendranath, S., R. P. Bukata, R. Arnone, M. D. Dowell, C. O. Davis, M. Babin, J.-F. Berthon, O. V. Kopelevich & J. W. Campbell (2000). Colour of case 2 waters. Teoksessa Sathyendranath, S. (toim.): Remote sensing of ocean colour in coastal, and other optically complex, waters. Reports of the international ocan-colour coordinating group 3, IOCCG, Dartmouth, Canada. 23

26 Siegal, B. S. & A. R. Gillespie (1980). Remote sensing in geology. 702 s. John Wiley & Sons, New York. Tokola, T., H. Hyppänen, S. Miina, L. Vesa & P. Anttila (1998). Metsän kaukokartoitus. Silva Carelica s. Joensuun yliopisto, Metsätieteellinen tiedekunta. Gummerus Kirjapaino, Saarijärvi. Vesi- ja ympäristöhallitus (1988). Vesistöjen laadullisen käyttökelpoisuuden luokittaminen. Vesi- ja ympäristöhallinnon julkaisuja s. Valtion painatuskeskus, Helsinki. Vincent, R. K. (1997). Fundamentals of geological and environmental remote sensing. 370 s. Prentice Hall, New Jersey. Östlund, C. (1999). Analysis of imaging spectrometer data with lake environment applications. Acta Universitatis Upsaliensis. Uppsala Dissertations from the Faculty of Science and Technology s. Repro Print, Stockholm. 24