Kaukokartoitus luonnonmaantieteessä 2016

Kaukokartoitus luonnonmaantieteessä 2016 Ohjeita satelliittikuvien käsittelyyn ArcGIS-ohjelmistossa Olli Karjalainen (Mari Pukkisen ja Miia Parviaisen ERDAS Imagine 2013 -opetusmonisteeseen pohjautuen) 1. Satelliittikuvien hankkiminen latauspalveluista... 2 1.1 UNITED STATES GEOLOGICAL SURVEY (USGS)... 2 1.2 GLOBAL LAND COVER FACILITY (GLCF)... 5 2. Satelliittikuvien käyttö ArcMap:ssa... 8 2.1 Aineiston esikäsittely... 8 2.1.1 Rajaaminen... 8 2.1.2 Heijastusarvojen normalisointi... 9 2.1.3 Monikanavakuvan luonti... 12 2.1.4 Pikselikoon muuttaminen... 14 2.1.5 Projisointi... 15 3. Satelliittikuvan ehostaminen... 15 3.1 Radiometrinen ehostaminen... 15 3.2 Spatiaalinen ehostaminen... 16 3.3 Monikanavamuunnokset (spektraalinen ehostaminen)... 16 3.3.1 NDVI (Normalized Difference Vegetation Index)... 17 3.3.2 SAVI (Soil Adjusted Vegetation Index)... 18 3.3.3 EVI (Enhanced vegetation index)... 19 3.3.4 NDSI (Normalized Difference Soil Index)... 19 3.3.5 TASSELED CAP... 19 3.3.6 PÄÄKOMPONENTTIANALYYSI (PRINCIPAL COMPONENT ANALYSIS)... 20 4. Muutostarkastelu... 22 4.1 Kuvien rekisteröinti... 22 4.2 Indeksiperustainen erotuslasku... 22 4.2.1 Muutosluokkien raja-arvojen määrittäminen... 23 4.3 Multitemporaalinen pääkomponenttianalyysi... 24 5. Tunnuslukujen laskenta ArcMap:ssa... 25

2 1. Satelliittikuvien hankkiminen latauspalveluista Satelliittikuvien lataamiseen on olemassa useita Internet-sivustoja. Ilmaisia satelliittikuvia on saatavilla lähinnä karkeahkon resoluution satelliiteista, kuten Landsat ja ASTER. Tarkemman resoluution satelliittikuvat, kuten IRS ja SPOT, ovat saatavilla maksua vastaan. Uutuutena vapaasti ladattavien aineistojen saralla on Landsat:n perintöä jatkavan Sentinel-satelliitiston kuvasto 10 60 metrin resoluutiossa. Satelliittikuvien käyttötarkoituksesta riippuen on tehtävä valinta, halutaanko käyttää karkeamman resoluution kuvia, jotka peittävät laajemman alueen, vai tarkemman resoluution kuvia, jotka ovat maantieteellisesti pienemmältä alueelta. Ilmaisia satelliittikuvia on ladattavissa mm. USGS:n (United States Geological Survey) ja GLCF:n (Global Land Cover Facility) Internet-sivustojen latauspalveluista, jotka esitellään seuraavissa kappaleissa. Myös satelliittikuvien oikaisua, luokittelua, korkeustarkastelua ym. toimintoja tukevien ilmaisten aineistojen määrä lisääntyy koko ajan. Suomessa ilmaisia paikkatietoaineistoja jakavat mm. Maanmittauslaitos, Suomen ympäristökeskus, Metsäntutkimuslaitos, Geologian tutkimuskeskus ja alueelliset ympäristökeskukset. 1.1 UNITED STATES GEOLOGICAL SURVEY (USGS) USGS:n latauspalvelun (EarthExplorer) käyttö vaatii rekisteröitymisen. Palvelusta voi ladata muun muassa pitkälle esikäsiteltyjä Landsat 1 5 MSS, 4 5 TM, 7 ETM+ ja 8 -kuvia. Vuoden 2016 kurssilla käytetään Landsat surface reflectance -kuvia, joille on muista aineistoista poiketen tehty valmiiksi myös ilmakehäkorjaus, joka on edellytys realistisille ja vertailukelpoisille maanpinnan heijastusarvoille. USGS:n sivustolta löytyy myös tilauspalvelu (https://espa.cr.usgs.gov/), jossa jo lataamilleen Landsat-kuville saa erikseen tilattua lisäkäsittelyjä, kuten ilmakehäkorjauksen. Ilmakehäkorjaus on mahdollista tehdä myös itse kuva-aineiston mukana tulevien tiedostojen avulla, mutta työläytensä vuoksi se ei kuulu kurssi ohjelmaan. Sivustolla (http://earthexplorer.usgs.gov/) satelliittikuvien haku tehdään nelivaiheisena prosessina. Aluksi kirjaudutaan palveluun. 1) Search Criteria -välilehdellä tehdään aluerajaus käyttäen hyväksi esimerkiksi osoitetta tai paikannimeä (Address/Place), satelliitin sijaintia (Path/Row) tai koordinaatteja (Coordinates). Rajauksen voi tehdä esimerkiksi siten, että zoomaa karttanäkymän haluamaansa kohteeseen ja valitsee Coordinates-kohdasta Use Map, jolloin koko karttaikkunan näytöllä oleva alue tulee rajatuksi ja sen kulmakoordinaatit näkyviin valin-taikkunaan (kuva 1). Kulmapisteiden sijaintia voi muuttaa karttaikkunassa. Search Criteria -välilehdellä valitaan myös ajankohta, jolta kuvia halutaan etsiä. Date Range -kohdassa valitaan aikaväli (Search from) ja tarvittaessa kuukaudet (Search months). Jos odotettavissa on suuri joukko tuloksia, kannattaa Result Options -välilehdellä valita näytettävien tulosten määräksi esim. 500.

3 Kuva 1. Search Criteria -välilehdellä valitaan satelliittikuvien haun alue- ja aikarajaus. Esimerkkikuvassa on Use Map -toiminnolla rajattu alueeksi Käsivarren Lappi ja haettu kesä-elokuun kuvia vuodelta 2011. 2) Data Sets -välilehdellä valitaan haettavat aineistot (kuva 2). Suomesta on saatavilla Landsatsatelliittikuvia (Landsat Archive>Pre-Collection>Landsat Surface Reflectance - L4-5 TM), mutta palvelussa on myös ilmakuvia, korkeusmalleja jne. Landsat 7 ETM+ -satelliitti rikkoutui vuonna 2003, joten uudemmissa kuvissa on häiriötä, joka vaatii kuvien lisäkäsittelyä. Landsat 5 TM -kuvia on sen sijaan saatavilla virheettöminä vuoden 2011 marraskuuhun saakka. Myös uusimman, lisäkanavia sisältävän Landsat8-satelliittin kuvastoa on saatavilla., kuten montaa muutakin satelliittiaineistoa. Myös hyperspektraalisia datoja, kuten EO-1 satelliitin 220 kanavaisesta Hyperion-sensorista on saatavilla rajoitetusti. Kuva 2. Data Sets -välilehdellä valitaan haettavat aineistot.

4 3) Additional Criteria -välilehdellä voi määritellä muita hakuehtoja, kuten pilvipeitteen suurin sallittu osuus kuva-alasta. Lisäksi voi valita data tyypiksi (Data Type Level 1) TM L1T, missä kuvan geometrinen korjaus on tehty maan pinnalta mitattujen kontrollipisteiden avulla ja on siksi tarkempi kuin pelkällä digitaalisella korkeusmallilla korjattu TM L1G. Aineistoa on myös radiometrisesti korjattu. 4) Results-välilehdelle ilmestyy määritetyin kriteerein saatavilla olevat satelliittikuvat (kuva 3). Kuvan yhteydessä olevista pikakuvakkeista voi mm. esikatsella kuvaa ja sen metatietoja, asettaa kuvan karttaikkunaan ja siirtää tuotteita ostoskoriin. Itse lataaminen tapahtuu painamalla ostoskoripainiketta (Order Scene), jonka jälkeen aineisto siityy Item Basket:iin sivuston työkalupalkissa. Sitä kautta pääsee tilauslomakkeelle. Satelliittikuvat ladataan sähköpostiin tulevan linkin kautta, jota ennen tulee varmistusviesti tilauksen vastaanotosta (joskus kuvien prosessointi saattaa kestää jopa muutaman päivän). Kuva 3. Haun tulokset näkyvät Results-välilehdellä, josta satelliittikuvia voi myös ladata. Esimerkkikuvassa karttaikkunassa on näkyvissä ensimmäisenä listalla olevan satelliittikuvan sijainti (Show Footprint).

5 1.2 GLOBAL LAND COVER FACILITY (GLCF) GLCF on Marylandin yliopiston ylläpitämä palvelu, jossa jaetaan ilmaiseksi satelliittikuvia eri puolilta maailmaa. Palvelu toimii rekisteröitymättä, mutta saatavilla oleva aineisto on huomattavasti rajatumpaa kuin USGS:n palvelussa. Esimerkiksi ilmakehäkorjattuja kuvia ei ole saatavilla. Uusimmat Landsat MSS, TM ja ETM+ -kuvat Suomen alueelta ovat vuodelta 2006. Latauspalvelu on osoitteessa http://glcfapp.glcf.umd.edu:8080/esdi/ (kuva 4). Kuva 4. Karttaliittymän (Map Search) valinta Global Land Cover Facility:n Internet-sivuilla. Kuvien haun voi tehdä usealla tavalla. Valitsemalla Map Search avautuu karttanäkymä (kuva 5), jossa kannattaa aluksi zoomata haluamaansa kohteeseen klikkaamalla Zoom In -työkalulla karttaa. Rajauksen voi tehdä myös muiden karttaikkunan yläpuolella olevien toimintojen, kuten Lat/Long tai Draw, avulla. Vasemmalla ovat listattuna satelliittikuvasensorit ja erilaisia satelliittikuvatuotteita, joista voi valita haluamansa. Kuva 5. Satelliittikuvien hakeminen karttanäkymän avulla.

6 Require-kohdassa voi määritellä tarkemmin, millaisia kuvia etsii, esimerkiksi korkeuskorjattuja (Orthorectified) tai valmiita reflektanssikuvia (Surface Reflectance). Painamalla Update Map valinnat päivittyvät kartalle. Mikäli valintoja haluaa muuttaa, on usein helpointa painaa työkalurivin oikeassa reunassa Start Over ja aloittaa haku alusta. Select-työkalulla (nuoli +) voi valita satelliittikuvia, joiden tietoja pääsee katsomaan Preview & Download -painikkeen kautta (kuva 6). Download:n kautta pääsee lataamaan listalta valitun aineiston ja tarkastelemaan sen metadataa (kuva 7). Kuva 6. Satelliittikuvien hakeminen karttanäkymän avulla. Ensin kannattaa zoomata oikeaan kohtaan, sitten rastittaa vasemmalta palstalta ladattavat kuvat, tehdä tarvittavat rajaukset Requirekohdassa, päivittää muutokset kartalle Update Map -painikkeella ja valita kuvat Select-työkalulla.

7 Kuva 7. Satelliittikuvien esikatselu. Jokainen satelliittikuvan kanava on omana, erillisenä tiedostonaan (esim. GeoTIFF-formaatissa) (kuva 8). Ennen kuvien lataamista kannattaa luoda kansio, jonka nimessä on samat tiedot kuin satelliitti-kuvan nimessä. Tämän jälkeen tiedostot ja metatiedot (.met) voi ladata ja tallentuneet ziptiedostot purkaa. Pankromaattisen (Landsat ETM+:n kanava 8) ja lämpökanavan (6) tietoja ei useinkaan tarvita, joten ne voi jättää lataamatta. Kuva 8. Esimerkkiaineistossa tiedostojen nimessä p195 = path 195, r012 = row 12, 7 = Landsat 7 ETM +, 20000727 = kuvan päivämäärä (27.7.2000), z34 = UTM-kaista 34, nnnumero = kanavan numero.

8 2. Satelliittikuvien käyttö ArcMap:ssa Tallenna lataamasi kuvat luomaasi kansioon. Ennen satelliittikuvien käyttöönottoa kannattaa määrittää Arc- Map:ssa työtila, johon tehtävät tuotokset tallennetaan. Valitse ylävalikossa Geoprocessing > Environments > Workspace, jossa määritetään tallentamasi kuvat sisältävä kansio molempiin kohtiin: Current ja Stratch Workspace. Aineiston tuonti ArcMap:iin Tuo lataamasi Landsat 4-5 TM surface reflectance eli maanpinnan heijastusta esittävät kanavat 1-5 ja 7 Arc- Map:iin Add Data -painikkeella Map:ssa suoraan.. USGS:stä ladatut kuvat ovat TIFF-muodossa, joten ne avautuvat Arc- Heijastusarvot (surface reflectance) kuvastavat sitä auringonsäteilyn määrää, joka heijastuu maan pinnasta takaisin avaruuteen. Reflektanssikuvissa on korjattu ilmakehän vaikutus, minkä ansiosta ne vastaavat teoriassa sitä heijastusarvoa, joka saataisiin mittaamalla arvo suoraan maan pinnalla. Heijastusarvojen perusteella voidaan tutkia muun muassa maanpinnan albedoa ja maanpeitettä tai laskea erilaisia kasvillisuusindeksejä. 2.1 Aineiston esikäsittely ArcMap tarjoaa monta tapaa satelliittikuvien käsittelyyn. Kätevän valikoiman helppokäyttöisiä perustoimintoja löytyy yläpalkista Windows > Image Analysis. Tässä ohjeessa on esitelty joitain yleisimmin hyödynnettäviä toimintoja. 2.1.1 Rajaaminen Landsat TM-satelliitin otokset ovat kooltaan 170 x 185 km, mistä johtuen yksittäisen kuvan tiedostokoko on suhteellisen suuri. Ennen jatkoanalyyseja kuva kannattaakin rajata valitulle tutkimusalueelle. Liian suuri alue kasvattaa turhaan tiedostokokoa ja hidastaa kuvan käsittelyä. Lisäksi kuvat sisältävät usein pilvisiä alueita, jotka olisi hyvä rajata pois kuvasta. Rajatun satelliittikuvan sävyt voivat olla erilaiset verrattuna laajempaan kuvaan, sillä pienemmän kuvan alueella pikseleiden sävyarvot skaalautuvat erilaiselle vaihteluvälille itse pikseliarvojen pysyessä muuttumattomina. Rajauksen voi tehdä esimerkiksi Image Analysis -ikkunan Processing-valikon Clip-työkalulla. Kuvan leikkaus tapahtuu joko ArcMap:n näkymän tai valintatyökalulla valitun vektoriaineiston (esim. tutkimusalueen muotoinen polygoni) perusteella, jos sellainen on olemassa. Käytetään rajaustyökalua Clip, jolla voi leikata monta tasoa yhtä aikaa, joten kannattaa valita aktiiviseksi kaikki 6 kanavaa ja rajata ne samankokoisiksi (kuva 9).

9 Kuva 9. Kanavien rajaaminen Image Analysis -ikkunassa. Tuloksena syntyy uusi väliaikainen taso kullekin kanavalle, joita ei tarvitse tässä vaiheessa tallentaa pysyviksi. Tallentaminen tapahtuu seuraavan vaiheen yhteydessä. Alkuperäiset kanavat voi poistaa Table of Contents - näkymästä (Remove). 2.1.2 Heijastusarvojen normalisointi Tiedostokoon pienentämiseksi USGS:n Surface Reflectance -aineiston heijastusarvot on kerrottu luvulla 10 000. Näin alun perin liuku- eli desimaaliluvut (float) on muutettu kokonaislukumuotoon (16-bit signed integer), mikä vie puolet vähemmän levytilaa. ArcMap:ssa avattaessa kanavien heijastusarvojen asteikko alkaa negatiivisista arvoista ja päättyy maksimissaan saturaatioarvoon 20 000. Arvojen validi vaihteluväli on kuitenkin 0 10 000, joten fysikaalisesti mahdottomat negatiiviset arvot sekä 10 000 ylittävät heijastusarvot täytyy poistaa. Tieto validista arvovälistä ja korjauskertoimesta Landsat 4-5 ja 7 satelliittien kohdalla seuraavasta metadatadokumentista http://landsat.usgs.gov/documents/cdr_sr_product_guide.pdf (Department of the Interior U.S. Geological Survey 2016).

10 ArcMap:n tasoluettelossa näkyvät arvot eivät päivity leikkauksen yhteydessä, minkä vuoksi histogrammi on laskettava uudelleen, jotta nähdään jäikö leikattuun tasoon liian suuria tai pieniä arvoja. Tämä onnistuu helposti, kun avaa kanavan Layer Properties -näkymän ja vaihtaa visualisointitavan Symbology -välilehdellä kohtaan Classified. Ohjelma kysyy lasketaanko histogrammi > Yes > OK. Toinen vaihtoehto on käyttää Band Collection Statistics -työkalua (Spatial Analyst Tools>Multivariate), joka tulostaa tekstimuotoisen taulukon, josta muun muassa minimi- ja maksimiarvot käyvät ilmi. Avataan Spatial Analyst Tools > Conditional > Set Null. Valitaan sekä Input conditional että input false raster kohtiin sama kanava ja kirjoitetaan ehtolausekkeeksi Boolen operaattoria OR hyödyntäen: Value > 10000 OR Value < 0 (Kuva 10). Näin kaikki 10 000 suuremmat ja 0 pienemmät arvot muuttuvat NoData-arvoiksi. HUOM! Jos kanavan jompikumpi arvo ei ylitä 10 000 tai alita nollaa, ei voida käyttää yhtä aikaa molempia ehtolauseita, vaan vain toista. Tehdään tarvittavat laskutoimitukset kaikille kanaville, joiden arvot eivät ole välillä 0-10 000 ja nimetään ne esim. b1, b2 b6. Valmiiksi oikealla arvovälillä olevat kanavat voi muuttaa pysyviksi painamalla hiiren oikeanpuoleista painiketta leikatun kanavan päällä ja valitsemalla Export Data Avautuvassa ikkunassa määritetään kotikansio ja kanavan nimi ilman päätettä GRID-muotoisena. Kuva 10. Heijastusarvojen rajaaminen Set Null -työkalulla. Jotta saataisiin käsittelyyn aidot heijastusarvot liukulukuina (float), on kunkin kanavan arvot vielä kerrottava lukemalla 0,0001. Kun useammalle pysyvälle rasterille halutaan tehdä sama laskutoimitus, voidaan laskentaa halutessa automatisoida esimerkiksi Model Builder:n Iterate-toiminnolla (kuva 11). Laskutoimituksen voi kuitenkin tehdä myös yksitellen kullekin kanavalle.

11 Kuva 11. Iterointielementin käyttö. Lisätään iterointielementti Model Buider:ssa: Insert > Iterators > Rasters. Tuplaklikataan Iterate Rasters - elementtiä ja määritetään kansio, jossa rasterit ovat. Wildcard-lausekkeella voidaan rajata iteraatio vain tiettyihin rastereihin, joiden nimet alkavat samalla tavalla. Lausekkeella b* iteroituvat kaikki b-kirjaimella alkavat rasterit, joissa asteriskin paikalla voi olla mikä tahansa merkki. Jos rasterit sijaitsevat alikansioissa, täytyy rastittaa kohta Recursive. Kuva 12. Työkalun liittäminen iterointielementtiin. Tämän jälkeen lisätään malliin varsinainen laskentatyökalu Raster Calculator. Vedetään työkalu malliin Arc- Toolbox:sta (Spatial Analyst Tools > Map Algebra > Raster Calculator). Klikataan Raster Calculator -element-

12 tiä ja määritetään laskukaava: b1*0.0001, jossa band1 on iterointielementistä ulostuleva taso (kuva 12). Lisäksi täytyy määrittää nimet tulosrastereille: %Name%_refl, jossa %Name% on rasterin alkuperäinen nimi (esim. b1) ja lopukkeen _refl avulla kerrotaan, että tulosrasteri on korjattu reflektanssitaso. Huom!.tif päätettä ei saa lisätä! Tässä vaiheessa käsitellystä aineistosta voi tehdä varmuuskopiot ArcCatalog:ssa. Nyt voi painaa OK ja ajaa mallin Run -painikkeella avaudu suoraan ArcMap:iin.. Uudet rasterit tallentuvat kohdekansioon, mutta eivät 2.1.3 Monikanavakuvan luonti Kuvien visuaalista tarkastelua varten monikanavaisista optisista satelliittikuvista muodostetaan tietokoneen näytölle kolmen värikomponentin RGB-värikuva (Red, Green, Blue). Esimerkiksi Landsat TM ja ETM+ -aineistot sisältävät seitsemän eri kanavaa, jotka sisältävät eri aallonpituusalueita (taulukko 1). Kanavat ovat järjestyksessä elektromagneettisen spektrin mukaan lyhimmästä pisimpään. Kanavat 1 (sininen), 2 (vihreä) ja 3 (punainen) ovat näkyvää aallonpituutta. Kanava 4 on lähi-infrapunakanava (Near Infrared, NIR), kanavat 5 ja 7 infra-punakanavia (Mid Infrared, MIR) ja kanava 6 lämpöinfrapunakanava (thermal infrared). Landsat 7:n sensorissa on lisäksi pankromaattinen kanava 15 metrin resoluutiossa. Edellä mainitut kanavat löytyvät myös Landsat 8:sta, jossa on lisäksi lyhyemmän aallonpituuden sininen kanava (band 1) sekä Cirrus-kanava ja kaksi lämpöinfrapunan alueella toimivaa kanavaa. Taulukko 1. Landsat-satelliittien ominaisuuksia.

13 Image Analysis -ikkunan avulla tehdään yksittäisistä kanavista komposiittikuva, joka sisältää kaikki 6 kanavaa. Valitaan ikkunassa kaikki kanavat aktiivisiksi ja klikataan Processing -valikossa Composite Bands (Kuva 13). Näin työtilaan ilmestyy uusi kaikki kanavat sisältävä väliaikainen (temporary) rasteritaso. Kuva 12. Monikanavakuvan luonti.

14 Tässä vaiheessa komposiittikuvan voi muuttaa pysyväksi rasteritasoksi. Tallentaminen tapahtuu Processing - valikon Export -painikkeella. Avautuvassa Export Raster Data -ikkunassa voit nimetä komposiittikuvan (muista kirjoittaa tiedostopäätteeksi.tif) ja painaa Save, jolloin kuva tallentuu Environments -asetuksissa määrittämääsi kansioon. Tässä kohtaa ohjelma kysyy haluatko avata uuden tason kartalle > Yes. Tallentamasi komposiitti avautuu työtilaan värillisenä RGB-kuvana, jossa on oletuksena näkyvillä kanavat 1,2 ja 3. Väliaikaisen komposiitin voi poistaa luettelosta. Komposiittikuvan tekeminen onnistuu myös Data Management Tools>Raster>Raster Processing>Composite Bands -työkalulla. Avataan komposiittikuvan ominaisuudet tuplaklikkaamalla kuvan nimeä ArcMap:n Table of Contents -näkymässä. Symbology -välilehdellä näet mitkä kolme kanavaa ovat valittuina RGB-kuvan punaisena, vihreänä ja sinisenä kanavana. Kanavien järjestetystä vaihtelemalla voit tarkastella maanpinnan erilaisia heijastusominaisuuksia eri kanavayhdistelmillä. Esimerkiksi R=3, G=2 ja B=1 kanavayhdistelmä vastaa paljain silmin nähtäviä värejä, kun taas R=4, G=3 ja B=2 antaa väärävärikuvan, jossa kasvillisuus näkyy punaisena. ArcMap:n Identify-työkalulla voi tarkastella yksittäisten pikseleiden arvoja. Avautuvassa Identify-ikkunassa yhden kanavan arvot ovat kuvan todellisia pikseliarvoja. Stretched Value -arvot puolestaan kertovat, miten tietty harmaasävyarvo esitetään kuvalla: Jokaisella 32-bittisen float-kuvan pikselillä on heijastusarvo desimaalilukuna välillä 0 ja 1, kun taas 8-bittisellä kuvalla väliltä 0 255 (mitä korkeampi arvo, sitä voimakkaampi heijastus pinnalla on). Monikanavakuvan tapauksessa Identify-ikkunassa näytetään missä suhteessa punainen, vihreä ja sininen näkyy kuvassa. Siirtämällä kohdistinta eri maanpeitetyypeille, voi tarkastella niiden heijastusarvoja, sekä arvojen eroja eri maanpeitetyyppien ja kanavien välillä. Sivulla http://landsat.usgs.gov/tools_viewer.php on kätevä Spectral Viewer -työkalu kanavien heijastusarvojen vertailuun satelliittien ja maanpinnan ominaisuuksien välillä. Sen avulla voi tarkastella, mitkä kanavakombinaatiot sopisivat erilaisten kasvillisuustyyppien, veden olomuotojen tai vaikka mineraalien erottamiseen. 2.1.4 Pikselikoon muuttaminen Joskus voi olla käytössä satelliittiaineistoja, joiden kanavilla on erilainen spatiaalinen resoluutio. Tiettyjen laskentojen vaatimuksena kuitenkin on, että pikselit ovat samankokoisia. Resoluutiota voi muuttaa Resample -työkalulla (Data Management>Raster>Raster Processing). Pikselien pilkkoutumista ei esimerkiksi pienentämisen kohdalla pysty näkemään, koska kullakin uudella pienemmällä pikseleillä on sama arvo kuin sillä pikselillä, joka on pilkottu eli ne kaikki näkyvät samalla värillä (kuva 13). Laskennoissa niitä kuitenkin käsitellään itsenäisinä pikseleinä. Kuva 13. Pikselikoon pienentäminen (downscaling).

15 2.1.5 Projisointi Ladattavissa olevat satelliittikuvat ovat yleisesti valmiiksi geometrisesti korjattuja, joten niitä ei tarvitse erikseen oikaista horisontaalisesti koordinaatistoon. Esimerkiksi USGS:n sivuilta ladattavat kuvat ja niistä muodostettu monikanavakuva ovat WGS 84/UTM Zone 35 -koordinaatistossa (tämä selviää mm. aineiston latauspalvelussa tai tarkastelemalla metadataa ArcMap:ssa avaamalla tason valikon hiiren oikealla näppäimellä > Properties > Source). USGS:n data käyttää WGS84 datumia, joka vastaa esimerkiksi EUREF-FIN:n käyttämää ETRS89 datumia noin puolen metrin tarkkuudella, joten tasot osuvat päällekkäin hyvin ilman muunnosta. Koordinaattijärjestelmä on kuitenkin joskus tarpeen vaihtaa yhtenäiseksi muiden käytettävien aineistojen kanssa. Kuvan voi projisoida EUREF-FIN koordinaatistoon, joka on Euroopassa käytettävän koordinaattijärjestelmän kansallinen realisaatio. Data management toolbox > Projections and Transformations > Raster > Project Raster. Valitaan Input Raster -kohtaan projisoitava kuva, annetaan uudelle projisoidulle rasterille nimi kohdassa Output Raster Dataset ja valitaan Output Coordinate System -kohdassa haluttu projektio. Projected Coordinate System > National Grids > Finland > EUREF FIN TM35FIN. OK. Jätetään Output Cell size -kohtaan 30 metriä, mikä on Landsatin kanavien 1-5 ja 7 natiiviresoluutio. 3. Satelliittikuvan ehostaminen 3.1 Radiometrinen ehostaminen Radiometrisen kuvankäsittelyn eli ehostamisen (Enhancement) tarkoituksena on parantaa kuvan visuaalista tulkittavuutta muokkaamalla kanavien yksittäisten pikseleiden harmaasävyarvoja. Yhden kanavan rekisteröimät arvot ovat usein hyvin huipukkaita, eli sijoittuneet pienelle vaihteluvälille, ja tämän vuoksi arvojoukkoa täytyy venyttää, jotta kuva olisi visuaalisesti informatiivisempi. Image Analysis -ikkunan työkaluilla kuvaan voi tehdä radiometrisiä ja spatiaalisia ehostuksia. Perusasetusten (kontrasti, kirkkaus, läpinäkyvyys ja gamma) lisäksi Display -valikosta löytyvä DRA (dynamic range adjust) lisää kontrastia ja Background poistaa kuvan ulkopuolelle jäävän mustan NoData-alueen. Näiden lisäksi histogrammityökalulla voi joko manuaalisesti tai valmiita asetuksia käyttämällä muokata sitä millaisella skaalalla harmaasävyarvot esitetään. Muutoksilla voidaan parantaa kuvan visuaalista tulkittavuutta (esim. muokata heijastusarvojen skaalaa siten, että mikään alue ei näy ylivalottuneena ). Toisella alasvetovalikolla voi valita tavan, jolla yksittäinen pikseli näytetään. Nearest neighbour esittää yksittäisen pikselin lähimmän naapurirasterin perusteella, bilinear interpolation taas laskee pikselin harmaasävylle keskiarvon sen neljän naapurin perusteella ja Cubic convolution käyttää vielä suurempaa 8 pikselin naapurustoa. Viimeinen valinta keskiarvoistaa harmaasävyjä eniten, minkä johdosta kuvan yksityiskohtaisuus vähenee vahvasti. Nämä prosessit eivät kuitenkaan muuta pikseleiden varsinaisia heijastusarvoja! Display -ikkunasta löytyy myös päällekkäisten kuvien vertailuihin soveltuvat Swipe ja Flicker -työkalut. Dark object substraction (DOS) on yksinkertainen ilmakehän häiriöitä vähentävä radiometrinen ehostus aineistoille, joita ei ole valmiiksi ilmakehäkorjattu (eli eivät ole surface reflectance -muotoista). Se sopii etenkin eri paikasta tai eri aikaan otettujen kuvien vertailtavuuden parantamiseen. Menetelmässä määritetään kanavan pienin heijastusarvo ja vähennetään se kaikista pikseleistä eli koko rasterista. Pienimmän arvon määritys onnistuu työkalulla Get Raster Properties (Data Management>Raster>Raster Properties) ja vähennyslaskun voi tehdä Raster Calculator:ssa.

16 3.2 Spatiaalinen ehostaminen Spatiaalisilla kuvankäsittelymenetelmillä muokataan yksittäisten pikselien arvoja hyödyntäen viereisten pikseleiden arvoja. Processing -ikkunassa on kuvan leikkaamiseen, maskaamiseen ja rasterilaskentaan liittyviä työkaluja. Alin alasvetovalikko on tehokas työkalu, kun alkuperäisen kuvan arvot ovat esimerkiksi hyvin ääreviä. Spatiaalisen suodatuksen (Filter) avulla korkeita heijastusarvoja voi tällaisessa tapauksessa pehmentää esimerkiksi Smoothing -suodattimilla. Valitse suodatustapa ja paina. Työkalu luo väliaikaisen tason Table Of Contents -näkymään, joka pitää tallentaa, jos sen haluaa säilyttää. Tason statuksen voi tarkistaa Layer Properties > Source -välilehdeltä. Huom! Spatiaalinen suodatus muuttaa kuvan alkuperäisiä heijastusarvoja! Suodatustapoja: Keskiarvosuodatuksessa kuvaa pehmennetään maskilla (esim. 7*7). Maskia kuljetetaan kuvan jokaisen pikselin päällä ja lasketaan maskin alle jäävät harmaasävyarvot yhteen. Yhteenlaskettu summa jaetaan maskin koolla (esimerkissä 49) ja saatu arvo annetaan käsiteltävänä olleen pikselin arvoksi. Maskin koon suurentuessa kuva sumenee enemmän. Keskiarvosuodatuksen huono puoli on, että se hälventää yksityiskohtia ja kohteiden reunoja. Mediaanisuodatuksessa jokaisen alkuperäisen kuvapikselin arvo korvataan pikselin ympäristön harmaasävyarvojen mediaanilla, eli keskimmäiseksi suurimmalla arvolla. Tämä suodatus toimii hyvin silloin, kun kuva on harmaasävyarvoiltaan yhtenäinen ja siinä esiintyy hajapikseleitä, joiden arvot poikkeavat ympäristöstään huomattavasti. Mediaanisuodatuksen tarkoituksena on muuttaa ympäristöstään huomattavasti poikkeavat arvot ympäristönsä kaltaisiksi. Spatiaalisen suodatuksen työkaluja löytyy myös ArcToolbox:sta. Esimerkiksi Spatial Analyst Tools > Neighborhood > Filter tekee joko pehmennyksen (low pass) tai terävöinnin (high pass). Samasta kansiosta löytyy myös paremmin räätälöivissä oleva työkalu Focal Statistics, jolla voi soveltaa haluamansa kokoisia ja muotoisia suodattimia pikselin ympärille. 3.3 Monikanavamuunnokset (spektraalinen ehostaminen) Monikanavaisen satelliittikuvan eri kanavien sisältämä informaatio on usein osittain päällekkäistä. Kanavien väliset muunnokset eli indeksit auttavat kuvatulkintaa monin tavoin ja niitä on mahdollista tehdä lähes rajaton määrä. Yksinkertaisissa muunnoksissa esimerkiksi jaetaan tai lasketaan yhden pikselin heijastearvo toisen kanavan vastaavan pikselin heijastearvolla. Pidemmälle menevissä muunnoksissa voidaan myös määrittää painokertoimia ja käyttää indeksien laskennassa muitakin muuttujia, kuten korkeustietoa. Kanavien (tai kuvien) välisillä muunnoksilla voidaan tehostaa rasterikuvien tulkintaa ja hakea esiin tiettyjä kiinnostuksen kohteena olevia, esimerkiksi maaperän tai kasvillisuuden, piirteitä ja ominaisuuksia. Muunnosten hyötynä on myös tiedostokoon pieneneminen kanavamäärän vähentyessä. Landsat-satelliittikuville käytettäviä muunnoksia ja niiden sovellusalueita: ETM3 / ETM4: Hyvin punaisen valon alueella (ETM3) heijastavat pinnat, kuten vesi ja tiet erot-tuvat kirkkaina muusta ympäristöstä, sillä ne heijastavat vähän lähi-infran (ETM4) alueella. 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 ja suhdetta voidaankin käyttää myös kasvillisuuden erottelussa.

17 ETM3 / ETM7: Rakennettu ympäristö erottuu kirkkaana, koska sen heijastus on yleensä 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: Voidaan selvittää puuston latvustojen lehtien vesipitoisuuden eroja ja arvioida biomassaa. Toimii myös kuten edellinen suhdeluku (ETM5 / ETM4). ETM5 / ETM7: erottaa savi- ja karbonaattipitoisia mineraaleja. Lähes kaikki mineraalit heijastavat voimakkaasti ETM 5 alueella, mutta savipitoiset mineraalit absorptoivat säteilyä kanavan ETM 7 alueella. Raster Calculator (Spatial Analyst Tools > Map Algebra > Raster Calculator) Tällä kurssilla indeksien laskennassa käytetään ArcMap:n Raster Calculatoria. Yksinkertaisen käyttöliittymänsä lisäksi sen eduksi voidaan laskea kyky käsitellä hyvin suuria aineistoja, joiden laskenta ei esim. Excelissä olisi mahdollista. Laskukaavojen kirjoittaminen myös auttaa ymmärtämään sen, mihin kunkin indeksin arvot perustuvat. Rasteritaso koostuu joukosta samankokoisia pikseleitä, joilla kullakin on oma arvonsa (pixel value). Arvot voivat olla tyypiltään esimerkiksi liukulukuja (float) tai kokonaislukuja (integer). Raster calculator on nimensä mukaisesti laskin, jolla voidaan tehdä laskutoimintoja rasterin pikseliarvoihin perustuen. Edellytyksenä laskutoimitusten onnistumiselle on se, että käytettävät rasteritasot ovat päällekkäisiä eli kutakin sijaintia kuvaavaa pikseli on täysin samassa kohti kaikissa käytettävissä rasteritasoissa. Yksinkertaisimmillaan Raster Calculator:ssa voidaan laskea vaikkapa kahden samasta paikasta eri aikaan otetun satelliittikuvan pikseliarvojen erotus kaavalla raster1 - raster2. Tuloksena saadaan uusi rasteri, jonka pikseliarvot ovat laskutoimituksen tulos. Esimerkin mukaista tasoa voidaan käyttää muutostarkasteluissa. Kun laskutoimituksen tulos on suuri, on muutosta tapahtunut paljon, kun taas lähellä nollaa olevat uudet pikseliarvot kertovat vähäisestä muutoksesta. 3.3.1 NDVI (Normalized Difference Vegetation Index) Lehtivihreän määrää kuvaava NDVI-kasvillisuusindeksi on yleisesti käytetty kanavamuunnos. Se lasketaan kaavalla NDVI = (NIR RED) / (NIR + RED), jossa NIR on lähi-infrapuna-alueen kanava ja RED punaisen alueen kanava, eli esimerkiksi Landsat 5 TM -kuvan tapauksessa NDVI = (TM4 TM3) / (TM4 + TM3). 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 välille -1 +1. Kasvillisuuden saamat arvot erottuvat positiivisina esimerkiksi veden ja rakennetun maan negatiivisista arvoista. NDVI kuvaa siis etenkin vihreän, terveen kasvillisuuden ja biomassan määrää, ja sen avulla voidaan erottaa esimerkiksi erilaisia kasvillisuustyyppejä. Vaikka NDVI onkin hyvä virhemahdollisuuden minimoimiseksi laskea vaihe kerrallaan Raster Calculatorissa, voi laskentaa myös automatisoida. ArcMap:n Model Builderiin voi ketjuttaa useita laskentavaiheita, jolloin kaikki tarvittavat laskennat ja välivaiheet valmistuvat samalla laskentaketjulla. Kuvassa 13 on esitetty NDVI:n laskenta Model Builderissa. Ensin lasketaan Raster Calculatorilla kanavien 4 ja 3 erotus (NIR - RED) erotus ja summa (NIR + RED). Saadaan vihreät välitiedostot MINUS ja PLUS. Viimeisessä

18 Viimeisessä Raster Calculator -vaiheessa määrätään lopullisen NDVI-tason nimi ja jaetaan erotuksen tulos (MINUS) summauksen tuloksella (PLUS). Huom! Tässä tapauksessa täytyy huomioida, että jos jakaja, eli pluslasku, saa arvokseen 0, niin sitä ei voi käyttää jakajana. Seuraava ehtolauseke Raster Calculatorissa pakottaa tuloksen nollaan siinä tapauksessa, että jakaja sattuisi olemaan 0. Siinä tapauksessa, kun jakaja ei ole 0, tulokseksi tulee jakolaskun tulos eli NDVI-arvo. Con("%PLUS%" == 0,0,("%MINUS%" / "%PLUS%")) Kuva 14. NDVI:n laskentakaavio Model Builderissa. Vasemmanpuoleisessa esimerkissä valmiiksi floatmuotoisille kanaville ja oikealla 8-bittisille kanaville, joille täytyy tehdä float-muunnokset. Float-muunnoksen voi tehdä myös suoraan Raster Calculatorissa. Kun malli on valmis, voi sen toimivuuden tarkistaa Validate Entire Model -painikkeella. Jos virheilmoituksia ei tule, voi mallin ajaa Run -painikkeella. Laskennan jälkeen NDVI-taso ilmestyy kohdekansioon. Toimivan mallin voi tallentaa tulevia laskutoimituksia varten. Model > Save as > My toolboxes.tbx, jonne luodaan uusi toolbox New toolbox -painikkeella hiiren oikeanpuoleista painikkeita > Edit.. Mallin saa auki klikkaamalla ArcCatalogissa mallin päällä 3.3.2 SAVI (Soil Adjusted Vegetation Index) Paljas maaperä voi näkyä punaisen ja infrapunan alueella korkeina heijastusarvoina. Tämän vuoksi etenkin vähäkasvisilla alueilla on hyvä käyttää maaperän huomioivaa kasvillisuusindeksiä. SAVI on käytännössä NDVI:n kaltainen kasvillisuusindeksi, jossa käytetään maaperän kirkkauden huomioivaa korjauskerrointa L. jossa L on useimmissa tapauksissa 0.5. SAVI = ((TM4 - TM3) / (TM4 + TM3 + L)) * (1 + L),

19 3.3.3 EVI (Enhanced vegetation index) NDVI:n tapaan laskenta perustuu punaisen ja lähi-infrapunakanaviin, mutta EVI ottaa huomioon latvuston vaikutuksen (L), ilmakehän (C) ja käyttää lisäksi kanavaa 1. Tällöin sen avulla voidaan vähentää taustasta ja ilmakehästä aiheutuvia häiriöitä ja estää arvojen saturoituminen monessa tapauksessa. EVI = (TM4 - TM3) / (TM4 + 6 * TM3-7.5 * TM1 + 1) 3.3.4 NDSI (Normalized Difference Soil Index) NDSI on maaperän ominaisuuksia kuvastava indeksi, jonka laskemisessa hyödynnetään infrapuna-alueen kanavia: (TM 5 TM 4) / (TM 5 + TM 4). Laskukaavan voi laatia samalla tavalla kuin NDVI:lle. Samalla lyhenteellä kuvataan myös lumi-indeksiä (Normalized Difference Snow Index), jossa käytetään kanavia 2 ja 5. 3.3.5 TASSELED CAP Tasseled Cap on lineaarinen kanavamuunnos, jonka avulla Landsat-kuvan alkuperäisistä kanava-arvoista muodostetaan maaston fyysisiä ominaisuuksia vastaavat kuvat (ks. Crist & Cicone 1984). Muunnos laskee alkuperäisistä kanava-arvoista uusia tasoja empiirisiin tutkimuksiin perustuvia kertoimia käyttäen (taulukko 2). Landsat-kuvista on mahdollista laskea kuusi erilaista kerrosta, joista kolme ensimmäistä (Brightness, Greenness ja Wetness) ovat yleisimmin käytettyjä. Ne kuvastavat maaperän kirkkautta (vähän kasvillisuutta), vihreyttä (runsaasti kasvillisuutta) ja kosteutta (vesistöt, maaperän ja kasvillisuuden kosteus). Ensimmäiset kolme TC-muunnosta selittävät suurimman osan kuvan vaihtelusta, minkä vuoksi 4., 5. ja 6. muunnokset eivät juuri tuo lisäarvoa. Kuvat voidaan yhdistää monikerroksiseksi värikuvaksi, jossa esim. maaperä heijastuu punaisella, kasvillisuus vihreällä ja kosteus sinisellä. Tasseled Cap -muunnoksella saa vähennettyä tiedostokokoa ja sen avulla voi saada esiin muuten hankalasti erottuvia ominaisuuksia. Sitä on käytetty muun muassa maanpeitekartoituksissa ja muissa satelliittikuvan luokitteluissa. Taulukko 2. Tasseled Cap -muunnoksen kanavakertoimet Landsat 5 TM kanaville. Taulukko 3. Tasseled Cap -muunnoksen kanavakertoimet Landsat 7 ETM+ kanaville.

20 Laskenta tehdään Raster Calculatorissa, jossa kukin kuudesta kanavasta kerrotaan taulukossa annetuilla kanavakohtaisilla kertoimilla ja lasketaan yhteen (kuva 14). Kuva 15. Tasseled Cap -wetnessin laskenta Raster Calculatorissa. Lasketut TC-kuvat voi yhdistää 3-kanavaiseksi RGB-kuvaksi Image Analysis -ikkunassa. Tällöin kutakin TCkomponenttia voidaan kuvata punaisella, vihreällä tai sinisellä värillä. Oletuksena punainen väri (RGB-kuvan kanava 1) esittää TC-brightnessin, vihreä TC-greennessin ja sininen TC-wetnessin. 3.3.6 PÄÄKOMPONENTTIANALYYSI (PRINCIPAL COMPONENT ANALYSIS) Pääkomponenttianalyysi (PCA) on monimuuttujamenetelmä, jota käytetään poistamaan satelliittikuvien kanavien korreloituneisuus. 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. Analyysin tuloksia voidaan käyttää alkuperäisten kanavien rinnalla tai jopa korvata ne, jos esimerkiksi 3 ensimmäistä pääkomponenttia selittävät kuva-aineiston vaihtelun lähes kokonaan. Tällä tavoin saadaan pienennettyä tiedostokokoa ja päästään eroon päällekkäisestä informaatiosta. Analyysiin löytyy työkalu ArcMap:sta: Spatial Analyst Tools > Multivariate > Principal Components (kuva 15). Input raster bands -kohtaan valitaan kuudesta kanavasta koostuva komposiittikuva, nimetään Output multiband raster (tiedostopäätteeksi.tif) ja määritetään laskettavien pääkomponenttien määrä. Jätetään valinnaksi oletuksena oleva 6, joka on kanavien lukumäärä. Lisäksi määritetään mihin tallennetaan analyysin tulokset tekstitiedostona. > OK.

21 Kuva 16. Pääkomponenttianalyysi ArcMap:ssa. Työtilaan avautuu monikanavakuva, joka koostuu kuudesta PCA-komponentista. Ensimmäinen (band_1) selittää kaikkein eniten heijastusarvojen vaihtelusta, toinen toiseksi eniten ja niin edelleen. Tulostuneen tekstitiedoston PERCENT AND ACCUMULATIVE EIGENVALUES -taulukosta näkee tarkemmin kuinka suuren osuuden vaihtelusta kukin kanava selittää. Taulukosta 4 käy ilmi, että jo ensimmäinen komponentti selittää lähes 66 % vaihtelusta. Taulukko 4. Pääkomponenttianalyysin tulokset. CORRELATION MATRIX kertoo puolestaan siitä miten samankaltaisia kanavat ovat spektraalisilta ominaisuuksiltaan - mitä pienempi korrelaatio sitä enemmän kanavat eroavat toisistaan. Toisistaan eroavat kanavat ovat kaikkein hyödyllisimpiä indeksien laskennassa. Esimerkiksi kanavien 3 ja 4 vähäinen keskinäinen korrelaatio mahdollistaa NDVI:n ja monen muun kasvillisuusindeksin laskennan. Yksittäisiä komponentteja voi tarkastella määrittämällä PCA-kuvan kaikki kanavat näyttämään samaa komponenttia (esim. band_1). Yksittäiset kanavat voi myös tallentaa erillisinä tasoina. ArcCatalog > klikkaa monikanavarasteria > vedä haluttu kanava Composite Bands -työkaluun > OK.

22 4. Muutostarkastelu Kun halutaan tutkia jollain alueella tapahtuneita muutoksia, käytetään kahta eri aikaan kuvattua satelliittiotosta. Yksinkertaisimmillaan voidaan verrata kahta eri satelliittiotosta visuaalisesti niin sanottuna ennenjälkeen -kuvana. Muutosta voi kuitenkin myös kvantifioida. Päällekkäisten, kahden tai useamman, kuvan välisillä laskutoimituksilla voidaan paikantaa muutos ja selvittää sen voimakkuus. Usein tällaisissa vertailuissa käytetään raakakuvista laskettuja indeksejä (esim. NDVI, SAVI), mitkä vähentävät raakakuvasta aiheutuvia topografisia tai erilaisista valaistusolosuhteista aiheutuvia häiriöitä. Voidaan käyttää myös TC-muunnosta, mikä vähentää alkuperäisen aineiston arvojen päällekkäisyyttä. 4.1 Kuvien rekisteröinti Jotta pikseliperustainen muutostarkastelu olisi mahdollista, on käytettävien kuvien kaikkien pikseleiden oltava juuri samassa kohti. Tätä varten kuvien pikselit täytyy asettaa kohdilleen eli rekisteröidä. Helpoin tapa tehdä tämä on käyttää Landsat-otosta, jolla on samat path ja row koordinaatit. Tällöin kuvat ovat automaattisesti päällekkäisiä lukuun ottamatta mahdollisia virhe- tai nolla-arvopikseleitä. Jos aiemmin käytetty kuva on leikattu alkuperäisestä raakasatelliittikuvasta, on tärkeää, että myös verrattava kuva leikataan tarkasti sen rajojen mukaan. 4.2 Indeksiperustainen erotuslasku Itse muutosanalyysin laskennan voi suorittaa Raster Calculatorissa. Esimerkissä (kuva 16) on tehty yksinkertainen vähennyslasku NDVI:ssä tapahtuneiden muutosten jäljittämiseksi kaavalla ndvi2006 - ndvi1988. Kuva 17. NDVI:ssä tapahtunut muutos vuosien 1988 ja 2006 välillä. Pienentyneet NDVI-arvot punaisella, kasvaneet vihreällä. Taustalla monikanavakuva true color -kanavakombinaatiolla.

23 4.2.1 Muutosluokkien raja-arvojen määrittäminen Tuloksena saadaan rasteritaso, missä nollan lähelle sijoittuvat (eli vähäistä muutosta kuvastavat arvot) on luokiteltu Symbology-välilehdellä näkymättömiksi (No Color). Raja-arvojen määrittäminen voidaan aloittaa tarkastelemalla heijastusarvojen frekvensseistä kertovaa histogrammia (kuva 18). Kuva 18. Nollaa lähellä olevat arvot luokitellaan Layer Properties > Classification -ikkunassa. Kuvasta riippuen esimerkiksi vesistöt voivat saada hyvinkin erilaisia arvoja, mikä voi johtua aallokosta tai säästä tms. Muutosanalyysin tulkinnassa on suositeltavaa käyttää muista lähteistä peräisin olevia aineistoja (maankäyttö, vesistöt ym.) maaston elementtien tunnistamisessa. Myös aluetuntemus on oleellista mielekkäiden tulkintojen kannalta. Objektiivisempia, joskaan ei välttämättä oikeampia tuloksia antavia, raja-arvon määritysmenetelmiä ovat tilastollisiin tunnuslukuihin perustuvat luokittelut. Muutosrasterin arvot voidaan luokitella kolmeen luokkaan esimerkiksi siten, että lähellä keskiarvoa (Mean) eli vähäisestä muutoksesta kertovan luokan ala- ja yläraja määritetään keskihajontojen (Standard Deviation) perusteella. Katsotaan histogrammista arvojen keskiarvo lisätään siihen molemmille puolille kaksi keskihajontaa, jolloin jakauman alkuun ja loppuun jäävät vain suurimmasta muutoksesta kertovat arvot. Luonnonmaantieteellisessä tutkimuksessa on käytetty usein myös Nested means -luokittelumenetelmää, missä luokkarajat perustuvat hierarkkisten arvojoukkojen keskiarvoihin. Käytännössä rasterin arvot jaetaan askeltaen keskiarvolla kahteen osaan: Ensin jaetaan koko aineisto keskiarvolla kahteen osaan. Tämän jälkeen kumpikin näistä osajoukosta jaetaan niiden omalla keskiarvolla edelleen kahteen osaan ja saadaan yhteensä neljä osajoukkoa. Nämä voidaan edelleen jakaa kahdeksaan osaan ja niin edelleen. Menetelmän keskeinen vahvuus on se, että kukin keskiarvo sijaitsee hierarkkisen arvojoukon kohdassa, jossa varianssi on pienimmillään. Tämän ansiosta se jakaa arvojoukon selkeästi toisistaan eroaviin osiin (Scripter 1970).

24 Muutostarkastelussa ollaan kiinnostuneita muutosarvojen hännistä, mitkä kertovat voimakkaimmasta muutoksesta. Nested means -menetelmää voidaan tässä yhteydessä soveltaa esimerkiksi 4-luokkaisena, jolloin kaksi keskimmäistä luokkaa ovat vähäisen muutoksen alueita ja reunimmaiset luokat kuvaavat voimakasta negatiivista ja positiivista muutosta. 4.3 Multitemporaalinen pääkomponenttianalyysi Sen lisäksi, että PCA soveltuu yhtenä ajankohtana otetun satelliittikuvan informaation tiivistämiseen, voi sitä hyödyntää myös kahtena tai useampana ajankohtana otettujen kuvien vertailussa. Muutosanalyysin kohdalla ei olla kuitenkaan kiinnostuneita enää siitä, mitkä komponentit selittävät eniten käytettävien kanavien yhteisvaihtelusta, vaan niistä komponenteista, jotka selittävät vähiten eli sisältävät eniten varianssia - muutosta (esim. Hussain ym. 2013). Analyysi tehdään samalla tavoin kuin kappaleessa 3.3.6, mutta tällä kertaa työkaluun syötetään samat Landsat-kanavat kahdessa ajankohdassa. Laskentaa varten täytyy siis pinota halutut kanavat molemmista ajankohdista samaan komposiittitasoon. Tämän voi tehdä, kuten aiemmin Image Analysis -ikkunassa tai ArcToolbox:n Composite bands -työkalulla.

25 5. Tunnuslukujen laskenta ArcMap:ssa ArcMap tarjoaa useita tapoja laskea rasteriaineiston pikseleihin perustuvia tunnuslukuja, kuten keskiarvoja, maksimeja tai minimejä. Spatial Analyst Tools -toolboxin Zonal -valikon Zonal Statistics as a Table -työkalulla saa laskettua samalla aikaa useita tunnuslukuja. Sana zonal nimessä viittaa siihen, että inputtina pitää olla jokin vektori- tai rasterimuotoinen alue, joka rajaa laskennan laajuuden. Tällainen alue voi olla esim. ruudukko (grid), jota käyttämällä saa laskettua itsenäiset tunnusluvut kullekin ruudulle. Laskennan tulos tulostuu taulukkoon, joka tallennetaan haluttuun kansioon. Ensiksi täytyy rakentaa ruudukko, jota käytetään laskennassa. Tässä käytetään Create Fishnet -työkalulla. Data Management > Feature Class > Create Fishnet (kuva 18). Output Feature Class -kohtaan määritetään tulostuvan shapefilen nimi ja kohdekansio. Template Extent -kohtaan määritetään alue, jonka ruudukko kattaa. Koordinaattiarvot voi valita kartalta tai valita kohtaan jonkin olemassa olevan tason, jonka koordinaatteja työkalu sitten käyttää. Cell Size Width ja Height -kohtiin määritetään yksittäisen ruudun koko metreinä. Number of Rows ja Columns -kohtiin laitetaan arvo 0, jolloin työkalu laskee rivien ja sarakkeiden määrän automaattisesti ruutukoon ja extentin perusteella. Create Label Points tekee pistetason, jossa kunkin ruudun keskellä on piste. Niitä ei tässä tapauksessa tarvita, ja sen kohdalta voi ottaa rastin pois. Geometry Type -kohdassa määritetään, että halutaan Polygon -tyyppinen shapefile -tiedosto > OK. Tulostuvan ruudukon värin voi muuttaa läpinäkyväksi. Kuva 19. Ruudukon laskenta Create Fishnet -työkalulla.

26 Yksittäisille ruuduille kannattaa laskea ruudukon Attribute Table -näkymässä omat ID arvot, joita käytetään ruutujen tunnistamisessa. Attribuuttinäkymän saa auki painamalla Table of Contents -valikossa ruudukkotason päällä hiiren oikeaa näppäintä ja valitsemalla Open Attribute Table. Painetaan nollia sisältävän ID -sarakkeen otsikon päällä hiiren oikeaa näppäintä ja valitaan Field Calculator. Painetaan varoitusikkunassa OK. Muodostetaan yhtälö FID + 1 > OK (kuva 19). Kuva 20. ID-sarakkeen laskeminen. Nyt voidaan laskea tulostuneen ruudukon kullekin ruudulle tunnuslukuja Zonal Statistics as a Table -työkalulla. Input Raster of Feature Zone Data -kohtaan valitaan ruudukko ja Zone Field -kohtaan äsken laskettu ruudukon ID -sarake (kuva 20). Input Value Raster -kohtaan valitaan rasteritaso, jonka tunnuslukuja halutaan laskea. Output Table -kohdassa määritetään mihin tulostuva taulukko halutaan tallentaa. Ignore No Data voidaan jättää valituksi. Statistics Type -kohdassa määritetään mitä tunnuslukuja kullekin ruudulle halutaan laskea. ALL valinta laskee kaikki mahdolliset tunnusluvut > OK.

27 Kuva 21. Zonal Statistics as a Tablen käyttö. Zonal Statistics as a Table -työkalulla laskettu taulukko ilmestyy myös Table of Contents -listaan, jossa sen voi avata klikkaamalla oikeaa näppäintä > Open. Taulukossa näkyy lasketut tunnusluvut kullekin ruudulle. Sarakkeita voi laittaa pienuus- tai suuruusjärjestykseen klikkaamalla oikealla otsikon päällä ja valitsemalla Sort ascending tai descending (kuva 21). Taulukossa voi näin tunnistaa esimerkiksi jonkin tunnusluvun suurimman arvon ja sen ID -numeron perusteella kyseisen ruudun voi etsiä samat ID -numerot sisältävästä ruudukosta. Näin voi selvittää missä kyseinen suurin arvo esiintyy kartalla.

28 Kuva 22. Tunnusluvut taulukossa. Taulukon voi viedä esim. Exceliin klikkaamalla tason päällä oikealla > Export Data. Valitaan kohdekansio ja tiedostomuodoksi dbase File (.dbf). Excelissä Open > valitaan tiedostyypiksi dbase Files > OK. Tämän jälkeen taulukkoa voi muokata ja tallentaa Excel-muodossa jatkoanalyyseja varten.

29 Lähteet Crist, E. P. & R. C. Cicone (1984). A Physically-Based Transformation of Thematic Mapper Data - The TM Tas seled Cap. IEEE Transactions on Geoscience and Remote Sensing, Vol GE-22 (3), 256-263. Department of the Interior U.S. Geological Survey (2016). Product Guide - Landsast 4-7 Climate Data Record (CDR) Surface Reflectance. Version 7.0 October 2016, 1-27. Hussain, M., D. Chen, A. Cheng, H. Wei & D. Stanley (2013). Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing 80, 91-106. Scipter, M. W. (1970). Nested-means map classes for statistical maps. Annals of the Association of Americal Geographers 60 (2), 385-392.