Mistä on kyse? Pilvien luokittelu satelliittikuvissa. Sisältö. Satelliittikartoitus. Rami Rautkorpi 25.1.2006. Satelliittikartoitus



Samankaltaiset tiedostot
Polaarisatelliittidataan perustuva lumentunnistusalgoritmi (valmiin työn esittely)

Purjelennon Teoriakurssi Sääoppi, osa 1 Veli-Matti Karppinen, VLK

Sääilmiöt tapahtuvat ilmakehän alimmassa kerroksessa, troposfäärissä (0- noin 15 km).

Tekstuurintunnistuksen lyhyt oppimäärä. Ts. pari tapaa erottaa tiiliseinä pensaasta.

Purjelennon Teoriakurssi Sääoppi, osa 2 Veli-Matti Karppinen, VLK

Mitä pilvet kertovat. Harri Hohti. Valokuvat Harri Hohti ja Jarmo Koistinen Muut kuvat kirjasta Ilmakehä, sää ja ilmasto (Ursa)

YKJ ETRS (usein joutuu säätämään itse)


AurinkoATLAS - miksi mittaustietoa auringosta tarvitaan?

Projektisuunnitelma ja johdanto AS Automaatio- ja systeemitekniikan projektityöt Paula Sirén

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI

TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)

LAPS: Testbedhavainnoista. analyysiksi. Janne Kotro Kaukokartoitus/Tutkimus

Vinkkejä sään ennakointiin ja sään muutosten havainnointiin

TIETOPAKETTI KAUKOKARTOITUKSESTA 1

Spektroskooppiset menetelmät kiviaineksen laadun tutkimisessa. Lasse Kangas Aalto-yliopisto Yhdyskunta- ja ympäristötekniikka

Testbed-havaintojen hyödyntäminen ilmanlaadun ennustamisessa. Minna Rantamäki TUR/Viranomaisyhteistyö ILA/Ilmanlaadun mallimenetelmät

Satelliitti-instrumentti IASI ja sen sovellukset sääpalvelulle

Havaitsevan tähtitieteen peruskurssi I. Ilmakehän vaikutus havaintoihin. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos

Ympäristötalon seminaari Outi Kesäniemi

TARKKA -palvelun käyttöohjeita

Uskotko ilmastonmuutokseen? Reetta Jänis Rotarykokous

Jokivesien sameusalueet rannikolla vuosien satelliittikuvista arvioituna

Envibase-hanke. Esittely KTKlle SYKE Saku Anttila Yrjö Sucksdorff

Planck satelliitti. Mika Juvela, Helsingin yliopiston Observatorio

Östersundomin auringonsäteilyolot

Miehittämättömän lennokin ottamien ilmakuvien käyttö energiakäyttöön soveltuvien biomassojen määrän nopeassa arvioinnissa

Aurinkoenergian potentiaali Suomessa. tutkimusprofessori (tenure track) Anders Lindfors Ilmatieteen laitos

Havaitsevan tähtitieteen pk I, 2012

Teledyne Optech Titan -monikanavalaser ja sen sovellusmahdollisuudet

Havaitsevan tähtitieteen peruskurssi I, kevät Luento 2, : Ilmakehän vaikutus havaintoihin Luennoitsija: Jyri Näränen

Auringonsäteilyolosuhteet Helsingin Östersundomissa

Seurantatieto tarkentuu eri mittausmenetelmien tuloksia yhdistäen

Havaitsevan tähtitieteen peruskurssi I

Tämän luvun sisältö. Luku 6. Hahmontunnistuksen perusteita. Luokittelu (2) Luokittelu

Johdatus tekoälyyn. Luento : Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ]

1. TILASTOLLINEN HAHMONTUNNISTUS

Gammaspektrometristen mittausten yhdistäminen testbed-dataan inversiotutkimuksessa

Pohjavesialueiden tarkistus ja uudelleen luokittelu, Kaakkois-Suomi

Paikkatieto-ohjelmistot maataloudessa ATKO

Ajalliset muunnokset eksploratiivisen paikkatietoanalyysin työkaluna. Salla Multimäki

Pohjavesialueiden kuvaukset, luokat ja rajaukset pääsijaintikunta Varkaus

Ilmatieteen laitos - Sää ja ilmasto - Ilmastotilastot - Terminen kasvukausi, määritelmät. Terminen kasvukausi ja sen ilmastoseuranta

Infrapunaspektroskopia

Johanna Tamminen, Iolanda Ialongo, Anu-Maija Sundström, Hanna-Kaisa Lindqvist, Ella Kivimäki, Janne Hakkarainen, Seppo Hassinen Ilmatieteen laitos

LAPL/PPL question bank FCL.215, FCL.120 Rev SÄÄOPPI 050

Lajittelumenetelmät ilmakehän kaukokartoituksen laadun tarkkailussa (valmiin työn esittely)

Työn tavoitteita. 1 Teoriaa

Ella-Maria Kyrö. Fysiikan täydennyskoulutuskurssi , Kumpula. kuvan E.-M. Kyrö

TERRAMONITOR HAKKUIDEN MUUTOSTULKINTA JA RAJAUS PERUSTUEN SENTINEL-2 SATELLIITTIKUVA-AINEISTOON SUOMEN METSÄKESKUKSELLE RAPORTTI 13.2.

AURINKO VALON JA VARJON LÄHDE

Auringonsäteily Suomessa ja Östersundomissa

Lentosääoppia harrasteilmailijoille

AURINKOENERGIA. Auringon kierto ja korkeus taivaalla

Sään ennustamisesta ja ennusteiden epävarmuuksista. Ennuste kesälle Anssi Vähämäki Ryhmäpäällikkö Sääpalvelut Ilmatieteen laitos

Ilmastonmuutos eri mittakaavatasoilla

Kehittyvien satelliittiaineistojen mahdollisuudet

MIKKELIN LUKIO SPEKTROMETRIA. NOT-tiedekoulu La Palma

Tässä luvussa käsitellään optimaalisten piirteiden valintaa, luokittelijan optimointia ja luokittelijan suorituskyvyn arviointia.

Cloud rendering. Juho Karppinen 49480E

VauhtiSeminaari. 1 Purjehtijan sääoppi. Miten tuulet syntyvat

Ilmastonmuutos ja ilmastomallit

TOIVAKAN KIRKONKYLÄN UIMARANNAN UIMAVESIPROFIILI

Lumen kaukokartoitus mikroaaltotutkilla

Paikkatietoa metsäbiomassan määrästä tarvitaan

Mikroskooppisten kohteiden

Paikkatietoalusta Kuntafoorumi, Kuntaskype tapaaminen

Säilörehunurmen sadon määrän kaukokartoitus

Puulan länsiosan ja siihen laskevien vesien ekologinen luokittelu

Vesilläliild<ujan saaopas

Havaitsevan tähtitieteen peruskurssi I. Spektroskopia. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos

BOREAALISEN METSÄN SITOMAN SÄTEILYN (FPAR) ARVIOIMINEN SATELLIITTIMITTAUKSISTA SATELLIITTIMITTAUSTEN PERUSTEITA METSÄTIETEEN PÄIVÄN TAKSAATTORIKLUBI

Tehtävät Lukuun 17. Symbioosi 1. Tehtävä 1. Eliökunnat

Ajalliset muunnokset eksploratiivisen paikkatietoanalyysin työkaluna. Salla Multimäki ProGIS Ry Paikkatietomarkkinat

Suojeleva Aurinko: Aurinko ja kosmiset säteet IHY

Kitkajärvien seuranta ja tilan arviointi

Älykäs datan tuonti kuljetusongelman optimoinnissa. Antoine Kalmbach

11. Astrometria, ultravioletti, lähiinfrapuna

805306A Johdatus monimuuttujamenetelmiin, 5 op

Suomen aurinkoenergiapotentiaali & ennustaminen ISY kevätseminaari, ABB

Lataa Avaruussää - Heikki Nevanlinna. Lataa

Kansallispuistojen luokitus

Renotech Oy / Logistiikkaprojekti loppuesitelmä

Fysikaaliset menetelmät metsien kaukokartoituksessa

LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä

Tv-jakeluverkot mitä säädellään ja miksi

Sirontaluento 12 Ilmakehä, aerosolit, pilvet. Keskiviikko , kello 10-12

Vertaisvuorovaikutus tekee tiedon eläväksi Avoimen opiskelijoiden kokemuksia hyvästä opetuksesta

Floodfore säätutka sateet

Työ 2324B 4h. VALON KULKU AINEESSA

Luokittelumenetelmät (6)

Kaksiluokkainen tapaus, lineaarinen päätöspinta, lineaarisesti erottuvat luokat

perustamishankkeeseen ja päämajan sijoittamiseen Suomeen

OSATIH SELOSTE 6/1973 METSÄMAAN T KE US T ~ K I J ÖI S T Ä

LIITE Vulcan-sarja ohjelmistoversio 1.5

AURINKOENERGIAA AVARUUDESTA


Utön merentutkimusasema

Transkriptio:

Pilvien luokittelu satelliittikuvissa Mistä on kyse? Rami Rautkorpi 25.1.2006 25.1.2006 Pilvien luokittelu satelliittikuvissa 2 Sisältö Satelliittikartoitus Satelliittikartoitus Pilvien luokittelu Ensimmäinen luokitin Toinen luokitin Tulosten arviointi Ongelmia Satelliitti kiertää maapalloa Radiometri mittaa elektromagneettisen säteilyn tehoa tietyssä suunnassa Kanavat eri aallonpituuksilla tarpeiden mukaan AVHRR (Advanced Very High Resolution Radiometer) NOAA-{10,11,12} (National Oceanic & Atmospheric Administration) 25.1.2006 Pilvien luokittelu satelliittikuvissa 3 25.1.2006 Pilvien luokittelu satelliittikuvissa 4

Aallonpituudet Kuvauksen geometriat ja korjaukset Aurinkosynkroninen polaarirata Kuvaelementin koko vääristyy poikittaisen pyyhkäisyn suunnassa Valaisukulma näkyvän valon kanavilla 25.1.2006 Pilvien luokittelu satelliittikuvissa 5 25.1.2006 Pilvien luokittelu satelliittikuvissa 6 Pilvien luokittelu Ensimmäinen luokitin 1/3 Ennen kuin pilvipikselit voidaan luokitella, ne on erotettava muista pikseleistä (cloud screening) Muita mahdollisuuksia: Merta, maata, lunta/jäätä Pilvityypit: Cirrus, cirrostratus (korkeat pilvet), altostratus, altocumulus (keskitason pilvet), stratus, stratocumulus (matalat pilvet), cumulus, cumulonimbus, nimbostratus (paksut pilvet) Pilvityyppien jako luokkiin vaihtelee Vaihe 1: Screening kynnystämällä 25.1.2006 Pilvien luokittelu satelliittikuvissa 7 25.1.2006 Pilvien luokittelu satelliittikuvissa 8

Ensimmäinen luokitin 2/3 Ensimmäinen luokitin 3/3 Lasketaan spektri- ja tekstuuripiirteet jokaiselle pilvipikselille Tekstuuripiirteet: Gray-Level Co-occurrence Matrix, d = (1,0); d = (2,0); d = (4,0) Lasketaan matriisipiirteet: energy, inertia, entropy 9 tekstuuripiirrettä Spektripiirteet: Opetetaan SOM Opetusdatana satojatuhansia piirrevektoreita (luokittelemattomia) 260 esiluokiteltua piirrevektoria Määräävät karttayksiköiden luokat äänestyksellä Opetusdatana kartan hienosäädössä LVQalgoritmilla (Learning Vector Quantization) Pikselin luokittelu: Lasketaan piirrevektori; haetaan BMU:n luokka 25.1.2006 Pilvien luokittelu satelliittikuvissa 9 25.1.2006 Pilvien luokittelu satelliittikuvissa 10 Toinen luokitin 1/3 Toinen luokitin 2/3 Ensimmäinen luokitin tekee virheitä, mutta johtuvatko virheet Luokittelumenetelmästä itsestään? Virheistä esiluokitellussa aineistossa? Yksinkertaistetussa luokittimessa esiluokitellut näytteet muodostavat suoraan koodikirjan Screening ja luokittelu KNN-algoritmilla Yksinkertaistettu tekstuuripiirre kanavalta INF2 (I 4 ), pikselin 3x3-naapurustosta V: Piirteet: 25.1.2006 Pilvien luokittelu satelliittikuvissa 11 25.1.2006 Pilvien luokittelu satelliittikuvissa 12

Toinen luokitin 3/3 Vertailu SYNOP-havaintoihin 1/2 16 koodikirjaa; Kullekin neljästä vuodenajasta neljä koodikirjaa: Screening- ja luokittelukoodikirjat yölle sekä päivälle Esiluokiteltuja näytteitä yhteensä 1106 Etäisyysmittana Hamming-etäisyys: Yhtä suuret Hamming-etäisyydet erotellaan euklidisella etäisyydellä Standardikoodisto säätilojen kirjaamista varten säähavaintoasemissa maan pinnalla Data viideltä asemalta: Helsingin, Tampereen, Maarianhaminan, Kuopion ja Vaasan lentokentiltä Havaintoalue approksimoidaan ympyräksi; mantereella r = 25 km, rannikolla r = 30 km Satelliitin ohitus enintään 30 min maa-aseman säähavainnosta 25.1.2006 Pilvien luokittelu satelliittikuvissa 13 25.1.2006 Pilvien luokittelu satelliittikuvissa 14 Vertailu SYNOP-havaintoihin 2/2 Säähavainnossa pilvisyys asteikolla 0-8 Lasketaan vertailuarvo luokittimen screeningtuloksesta havaintoympyrän alueelta Vertailu APOLLO-luokitteluun APOLLO luokittelee pikselit pilvettömiksi, osittain pilvisiksi tai täysin pilvisiksi Viisi kynnysarvoa päivälle ja yölle erikseen 8 yökuvaa ja 13 päiväkuvaa luokiteltiin Vertailu SYNOP-havaintoihin 25.1.2006 Pilvien luokittelu satelliittikuvissa 15 25.1.2006 Pilvien luokittelu satelliittikuvissa 16

Ilmatieteen laitoksen arvio Ongelmia Luokiteltujen pilvityyppien visuaalinen tarkistus Tarkistuksen pohjana satelliittikuvat ja SYNOPhavainnot Kolme tuloskategoriaa: oikea luokitus, joitain virheitä tai väärä luokitus Ilmakehän vaikutus (absorptio, sironta), mahdollisesti jopa 20 % Talviaika Suomen leveysasteilla Valonpuute Inversio, eli maanpinta voi olla kylmempi kuin pilvien yläosa Resoluutio 1.1 km; pienimmät pilvet suodattuvat pois 25.1.2006 Pilvien luokittelu satelliittikuvissa 17 25.1.2006 Pilvien luokittelu satelliittikuvissa 18 Yhteenveto Satelliitti kuvaa näkyvän valon, lähi-infrapunan ja infrapunan kanavilla Pikseleistä lasketaan spektri- ja tekstuuripiirteitä Luokitin 1: Screening kynnystämällä, Luokittelu SOM:illa (hienosäätö LVQ:lla) Luokitin 2: Screening ja luokittelu KNN:llä; 16 koodikirjaa (vuodenajat x päivä/yö x screen./luok.) Tulosten arviointi: SYNOP, APOLLO, Ilmat. Laitos 25.1.2006 Pilvien luokittelu satelliittikuvissa 19 Loppu 25.1.2006 Pilvien luokittelu satelliittikuvissa 20