Távérzékelés ArcGIS programmal Az ArcGIS térinformatikai szoftver rendelkezik olyan kiegészítő modulokkal amelyek lehetővé teszik a legfontosabb távérzékelési eljárások végrehajtását. Jelen gyakorlatban megismerkedünk a legalapvetőbb műveletekkel. A gyakorlathoz ingyenesen letölthető Landsat felvételeket fogunk használni. Adatok betöltése Amint ismeretes az Internetről letölthető Landsat adatok elsődlegesen tömörített formában kerülnek számítógépünkre. A tömörített állományok kicsomagolása után minden egyes sáv külön.tif állományként jelenik meg gépünkön, UTM koordinátarendszerben. Ezek az állományok csak külön-külön nyithatók meg fekete-fehér képként. Ahhoz, hogy multispektrális adatként legyenek kezelhetők az ebben rejlő összes előnnyel együtt speciális szoftverekre van szükség. A már megismert MultiSpec program képes erre, de az ArcGIS is rendelkezik az ehhez szükséges képességekkel. A gyakorlatban felhasznált adatok a Landsat műhold család által készített felvételek, ugyanarról a Kolozsvár környéki területről, 4 különböző időpontban. Az első felvételt 1975 április 30.-án készítette a Landsat 2-es műhold. A 4 felvétel az állományok nevei 751-752-753-754 a MSS (Multi Spectral Scanner) szenzorral készült, sorrendben a zöld, vörös, és két közeli infravörös sávban, a felvételek térbeli felbontása 57 m. A második felvétel 1992 szeptember 25.-én készült, a Landsat 5 műhold által. A TM (Thematic Mapper) szenzor 6 felvétele tartalmaz mindent, kivéve a termális sáv felvételeit. A felvételek térbeli felbontása 28,5 m. A harmadik felvételt 2000 augusztus 22.-én készítette a Landsat 7-es műhold. Ez a műhold már pankromatikus felvételt is készít, amelynek a felbontása 14,25 m, ez a 8-as sáv. A többi hat sáv a TM-nek megfelelő, a termális felvétel nélkül, ezek felbontása 28,5 m. A negyedik felvételt a Landsat 8-as műhold felvételei amelyek 2014 júliusában készültek. A 8-as műhold sávbeosztása eltér a már megismert Thematic Mapper (TM/ETM) szenzor beosztásától, a szenzor neve OLI (Operational Land Imager). Több sávban készít felvételeket, a gyakorlatban csak a már TM-ből ismert 6 sávot fogjuk használni, a térbeli felbontása 30 m. A radiometriai felbontása sem 8, hanem 16 bites. Ennek megfelelően a legnagyobb DN érték akár 65535 is lehet. 1. Nyissuk meg a már megismert módon az ArcMap programot, mentsük le az új és még üres térképállományt saját mappánkba. Keressük meg a megadott helyen a gyakorlathoz szükséges állományokat (összesen 24 állomány kéne legyen, köztük van.bil és.tif kiterjesztésű is). Jelöljük ki az összest és egyszerre töltsük be. Kapcsoljuk be az egyes állományokat és vizsgáljuk meg őket. Betöltés után minden állomány ki lesz jelölve. Szüntessük meg a kijelölést, majd hozzunk létre csoportokat az éveknek megfelelően. 2. Jelöljük ki csak az egy felvételhez tartozókat majd kattintsunk a jobb gombbal majd a menüből válasszuk a Group lehetőséget. A csoportokat nevezzük el a megfelelő év szerint. Megvizsgálva az egyes sávokat gondolkozzunk el az eddigiekben tanultakról (kontraszt, 1
szürke tónusok stb). Nagyon fontos az állományok számozás szerinti sorrendbe helyezése. A multispektrális adat létrehozásakor a program a sorrend szerint teszi egymás mögé az egyes sávokat azok nevétől függetlenül. A továbbiakban a 2014-es felvétellel fogunk dolgozni. 3. Most ismerkedjünk meg azzal a program komponenssel amely lehetővé teszi a távérzékelt adatok használatát. A neve Image Analysis és érdekes módon a Windows menüben található elkülönítve a többitől. Nyissuk meg. Négy részből áll. Az első részben, legfelül jelennek meg mindazok a raszteres állományok amelyek be vannak töltve a tartalomjegyzékbe. Itt is lehetőségünk van ki-be kapcsolni, valamint kijelölni az egyes rétegeket. Most kapcsoljuk be az 5-ös réteget, ami a közeli infravörös tartományban készült felvételt tartalmazza (a számozás az eredeti, ez felel meg a TM/ETM 4-es sávjának). 4. Az ablak következő része a megjelenítés módjának állítását teszi lehetővé, ez a Display. Itt lehetőségünk van fentről lefele a kontraszt, a fényerő, az átlátszóság és a gamma érték (denzitás, fedettség) szabályozására. Megfigyelhetjük, hogy alapértelmezetten minden érték 0, kivéve a gammát, ami viszont minden rétegnél eltérő, de 1-hez közeli érték! Próbáljuk ki az egyes állítási lehetőségeket és figyeljük meg hatásukat. Megjegyezzük, hogy ezek a beállítások csak a megjelenítés minőségét változtatják meg, az adatok nem módosulnak. Kapcsoljuk be a DRA (Dynamic Range Adjustment) gombot, ami arról gondoskodik, hogy ha belenagyítunk a képbe akkor a kinagyított rész is optimálisan fog megjelenni. Az első lenyitási lehetőségű ablakban alapértelmezetten a Percent Clip lehetőség van beállítva. Ez az a kontrasztfokozási módszer amikor az adatok végéről levágunk bizonyos mennyiségű adatot majd a többit húzzuk szét, sztreccseljük. Próbáljuk ki a többi lehetőséget is. Mit figyelhetünk meg? Mi történik ha a None lehetőséget választjuk? 5. Maradjunk az előbbi rétegen és állítsuk vissza a Percent Clip lehetőséget. Kattintsunk az ablak melletti színes hisztogram gombra. Mivel csak egy csatornás réteg van kijelölve, csak egy hisztogram jelenik meg, valahogy így: A hisztogram az értékek eloszlását ábrázolja. Meglepő lehet a kicsi ablakokban megjelenő érték ami igencsak eltér a megszokott 0-255 közötti értékektől. Ennek az az oka, hogy a Landsat 8-as felvétel radiometriai felbontása 16 bites. A látható értékek megfelelnek a 2%-os levágás -nak. Mozgassuk el a függőleges szaggatott vonalakat a grafikon két vége felé és figyeljük meg mi történik. A felvétel egyre szürkébb lesz. Valójában akkor tükrözi a valódi értékeket, a 2%-os clip a kontraszt fokozására szolgál. A piros szín jelöli, hogy hogyan oszlanak meg az adatok. 6. Nézzük végig az összes réteg hisztogramjait. Melyik réteg a legsötétebb? Melyik rétegekben van a hisztogramnak két maximuma és miért? 2
7. Nagyítsunk jól bele a képbe és próbáljuk ki a következő lenyitható ablak lehetőségeit, ahol alapértelmezetten a Nearest Neighbor van. Mit vehetünk észre? 8. Az Image Analysis harmadik része a Processing, ami feldolgozást jelent, de most, mivel csak egysávos adataink vannak ezek közül kevés aktív. Ezekre később visszatérünk. 9. Állítsuk elő a multispektrális adatot. Jelöljük ki az első 6 réteget (ne felejtsük el a rétegek sorrendjét, nagyon fontos!), a 8. nélkül. Ezt azért hagyjuk ki, mert ez a pankromatikus sáv, ennek a felbontása 15 m eltér a többitől (30 m). Kijelölés után aktiválódik a Processing részen egy több rétegű sárga eszköz. Ha most ezt megnyomjuk létrejön egy ideiglenes multispektrális állomány és bekerül a tartalomjegyzékbe a többi fölé. A munkafelületen megjelenik egy alapértelmezett színes kompozit. Ha most az Image Analysis ablakban kijelöljük a létrejött állományt, aktiválódik az előbbi mellett egy floppy eszköz ami lehetővé teszi az állomány lementését állandó állományként. A már korábban kipróbált módon jelöljük meg munkakönyvtárunkat, majd adjunk nevet az új állománynak. Típusként válasszuk az Imagine formátumot ami az ERDAS távérzékelési szoftver sajátos típusa, kiterjesztése. img. Segítségképpen itt van a megfelelő ablak képe. Mentés után kitörölhetjük az ideiglenes állományt. Vizsgáljuk meg a létrejött állományt. Nyissuk meg a réteg tulajdonságait majd a Symbology fület. Válasszunk egy hamis színes kompozitot hozzárendelve a megfelelő réteget a számítógép vörös zöld kék színéhez. A példában a 4-5-3 kompozit van beállítva. 10. A továbbiakban vizsgáljuk meg mire lenne jó a pankromatikus felvétel. A Landsat felvételek nem a jó felbontásuk miatt terjedtek el. A fejlesztések során alakult ki a pankromatikus felvétel készítése aminek a felbontása a multispektrálisnak a kétszerese. A digitális technológia lehetővé teszi a multispektrális adatok felbontásának a javítását a pankromatikus sáv segítségével. A művelet elvégzéséhez szintén az Image Analysis eszköztárat használjuk. 11. Az ablak felső részében jelöljük ki a multispektrális adatot majd a Ctrl gombot nyomva tartva jelöljük ki a pankromatikus sávot is (a 8-as sáv, amit az előbb kihagytunk az összevonásból). Miután kijelöltük a dolgokat a Processing részben aktiválódik egy tarka ikon amit egyszerűen meg kell nyomni. Ennek hatására létrejön egy ideiglenes állomány, úgy mint az előbbi összevonáskor. Vizsgáljuk meg alaposabban az eredményt. Mivel a felbontások viszonya 1:2, így egy multispektrális, 30 m-es felbontású cellának négy pankromatikus, 15 m- es felbontású cella felel meg. A multispektrális cella minden sávjában más-más érték van, az ennek megfelelő területen viszont egymás mellett van négy eltérő cellaérték. A művelet eredményeképpen az eredeti nagyobb cella felbomlik négy kisebb cellára. Az új cellák értékei valamilyen algoritmus szerint bizonyos súlyozással kerülnek kiszámításra. A művelet jobb megértéséhez készítsük el újra az élezést de most egy beépített eszközt használva. 3
12. Keressük meg a következő eszközt: Toolbox Data Management Tools Raster Raster Processing Create Pan-sharpened Raster Dataset. A megnyíló panelen sok beállítási lehetőség van. Előbb meg kell adni a multispektrális adatot, ez a mi esetünkben az az állomány amit a 9. pontnál leírtak szerint hoztunk létre. A továbbiakban meg kell adni az első négy sáv számát vörös, zöld, kék és közeli infra, a mi esetünkben 3, 2, 1 és 4. Adjunk nevet az új állománynak, esetleg megjelölve a kiválasztott algoritmust is, a mi esetünkben el_atlag. Ez végleges állomány lesz és nem ideiglenes mint az előző módszernél. Adjuk meg a pankromatikus sáv nevét. Ezután jön a lényeg, a Pan-sharpening Type ablakban tudjuk megadni a számítási algoritmust. Öt lehetőségünk van: IHS, Brovey, ESRI, Simple Mean és Gram-Schmidt. Ezekről részletesebben lehet olvasni a következő ArcGIS Help oldalon (http://resources.arcgis.com/en/help/main/10.1/index.html#//009t000000mw000000). Most válasszuk az egyszerű átlag lehetőséget amelynek a képlete a következő: Red_out= 0.5 * (Red_in + Pan_in); Green_out = 0.5 * (Green_in + Pan_in); Blue_out= 0.5 * (Blue_in + Pan_in) és így tovább a többi sávra. Mivel az eredeti cella alatt négy eltérő pankromatikus érték van így a változás egyértelmű lesz. Miután elkészül az állomány nagyítsunk rá egy multisektrális pixelre és nézzük meg mi van ugyanott a pankromatikus sávban illetve az eredmény állományban. 4
Az első a multispektrális cella lilás-rózsaszínes színű; mellette a 4 eltérő intenzitású pankromatikus cella és végül a kiszámított, élezett 4 cella. Váltogatva ki-be kapcsolva a kiinduló és az élezett állományt azonos sávbeállítás mellett látható, hogy nem pont ugyanazok a színek, de az új állomány mindenképpen élesebb, részletesebb. 13. Most nézzünk meg egy újabb lehetőséget az Image Analysis Processing eszközei közül. Láthatunk az eszközök között egy zöld falevelet. Ennek segítségével normalizált vegetációs indexet tudunk számolni. A kérdés az, hogy honnan tudja a program, hogy melyik a vörös illetve a közeli IR sáv, hiszen erre nem kérdez rá. Ezeket előre be lehet állítani az Image Analysis legfelső részén lévő Options gombnál amely fennebb látható. Itt tudjuk megadni a sávok számozását az NDVI számításhoz, az egyes élezési algoritmusok paramétereit, az árnyékolás alapértelmezett értékeit és egyebeket. Miután leellenőriztük, hogy a vörös sáv a 3-as az infra-vörös pedig a 4- es, futtassuk le a műveletet. Egy ideiglenes állomány jön létre amelyben szürke tónusok jelölik a különböző vegetációs index értékeket. A jelmagyarázatból kiderül, hogy az index értéke -0,15 és 0,67 között változik. Érdemes kipróbálni, hogy milyen lesz az NDVI eredmény ha a beállításoknál kikapcsoljuk a Scientific Output lehetőséget. 14. Próbáljuk meg osztályozni a kapott állományt. Erre nincs lehetőség mivel ez egy ideiglenes állomány. Jelöljük ki a listában majd válasszuk a mentés gombot és így alakítsuk végleges állománnyá. Most már újra próbálkozhatunk az osztályozással (Reclassify). Válasszuk a Defined Interval osztályozási lehetőséget és az intervallumot állítsuk 0,1-re. A kapott állományon 9 kategória fog elkülönülni. Próbáljuk meg azonosítani az egyes osztályokat, van-e összefüggés a felszínborítás és az NDVI értékek között? Elég jónak tűnik az összefüggés 15. Talán segítségünkre lehet egy más módon előállított felszínborítási adat, a CLC adatbázis. Töltsük be a térképünkbe, később másban is segítségünkre lehet. Jelenítsük meg a CLC adatokat átlátszó szimbólummal. Megfigyelhető, hogy a poligonok elég jól megegyeznek az NDVI osztályozása által kapott kategóriákkal. Figyelembe véve a két állomány eltérő időpontját és készítési módját nem csoda, hogy van eltérés. Mindenesetre a nagy kiterjedésű növényzettel borított felületek nagyon jól elkülönülnek az osztályozott vegetációs index térképen. Végezzünk egy olyan lekérdezést amivel megvizsgálhatjuk számszerűen is, hogy hogyan viszonyulnak a kiszámított NDVI értékek a különböző felszínborításokhoz. 16. Keressük meg a Toolbox Spatial Analyst Tools Zonal Zonal Statistics as Table műveletet. Az övezet meghatározásához (Input zone data) használjuk a CLC állományt, a mező legyen a CODE_06. A vizsgálandó állomány legyen a létrehozott NDVI. Adjunk nevet a 5
keletkező táblázatnak, a statisztika legyen teljes. Vizsgáljuk meg a táblázatot. A Min-Max értékeket vizsgálva kiderül, hogy átfedés van az értékek között, nem egyértelműen határolódnak el a különböző felületek. Az átlag értékek sem egyértelműek, de azért az látható, hogy az összes növényzettel borított felszín (200-as és 300-as) átlagos NDVI értéke nagyobb mint 0,40 és a legnagyobb átlaga a lombhullató erdőknek van (311 0,518). Mindenképpen elmondható, hogy van összefüggés, de ez még nem helyettesíti az osztályozást! 17. Végezzük el az összes előbbi műveletet a többi műholdas adattal is. Osztályozás Amint az előző gyakorlatokban már láttuk a távérzékelés egyik legfontosabb alkalmazása a tematikus térképek előállítása amit osztályozás által érhetünk el. Az ArcGIS külön eszközt kínál ennek a műveletnek az elvégzésére. 18. A már megismert jobb klikkre megnyíló listában keressük meg az Image Classification eszköztárat és kapcsoljuk be. Egy újabb kis eszköztár válik láthatóvá amelyen van egy menü és néhány eszköz. A rajta lévő ablakban lehet beállítani, hogy melyik raszterállománnyal szeretnénk foglalkozni. Most válasszuk a nemrég létrehozott multispektrális állományt amely a 2000-es felvételekből készült. A menüben 4 aktív parancs van, közöttük van a már ismert nem felügyelt osztályozási lehetőség (Iso Cluster). Ezt indítsuk el, kérjünk 8 kategóriát, a többi beállítást hagyjuk alapértelmezetten. Az eredményen elég jól elkülönül a 8 osztály, de az NDVI osztályozásnál látott egységes növényzet nem látható. Jól elkülönülnek a vizek és a felhők, és talán a település is. De lássunk most más lehetőségeket. Amint látható a felügyelt osztályozás nem aktív (Interactive Supervised Classification). Amint már tanultuk, ehhez mintaterületekre lesz szükségünk. 19. A kis ablaktól jobbra lévő poligon eszközzel tudunk mintaterületeket rajzolni. Szükség esetén nagyítsunk bele a képbe és igyekezzünk minél homogénebb és nagyobb területeket kijelölni. A mellékelt ábrán Kolozsváron belül látható két jól elkülönülő felület. Az alalmazott kompozit a TM 453. Nyissuk meg a Training Sample Manager ablakot a kis ablak melletti színes eszközre kattintva. Itt lehetőségünk van nevet adni a mintánknak, illetve színét is beállítani. Folytassuk a rajzolást és hozzunk létre legalább 8-10 eltérő mintát. Az ablakban látható floppyra kattintva mentsük le a mintaterületeket. Egy shapefile jön létre amit a már megszokott módon le lehet menteni. A mentés előtti gombbal meg is lehet nyitni a lementett mintaterületeket. A továbbiakban vizsgáljuk meg a mintákat. 20. A minták vizsgálatához több lehetőség kínálkozik. A listából jelöljünk ki egy vagy több mintát majd válasszuk a hisztogram gombot. A kiválasztott minták hisztogramjai fognak megjelenni a listában megjelenő színnel. Minél inkább elkülönülnek a hisztogramok annál jobban választottuk meg a mintákat. Ha egymásra illeszkednek a hisztogramok akkor azt jelenti, hogy a minták azonosak. Lehetőségünk van összevonni vagy kitörölni őket. 6
21. Megnézhetjük a mintákat egy szórásdiagram (Scatterplot) segítségével is. Ebben az esetben két sáv értékei vannak párba állítva, ezek egymáshoz való viszonya jelenik meg. Több mintát kiválasztva annál jobb minél jobban elkülönülnek a különböző színű pontok. Végezetül meg lehet nézni egy statisztikai elemzést is a mintákról. 22. Ha eldöntöttük, hogy mely mintaterületeket tartjuk meg végezzünk egy próbát. Egyszerűen válasszuk az Interactive Supervised Classification menüpontot. Hamarosan létrejön egy ideiglenes állomány amelyen a mintákkal azonos színnel és elnevezéssel megjelennek a különböző típusú felszínek. Lennebb láthatjuk a mintákat és az osztályozás eredményét. Elég jónak tűnik az eredmény, most lépjünk tovább. A Maximum Likelihood osztályozóhoz szükség van a minták lementésére aláírás állományként. Ezt úgy hozzuk létre, hogy az imént létrehozott mintákat lementjük de nem a floppyval, hanem az ablak jobb oldalán lévő, Count oszlop fölötti színes felületen megjelenő floppyval. Egy gsg kiterjesztésű állomány kerül lementésre. 23. Most végezzük el a Maximum Likelihood osztályozást az osztályozó ablak menüjében található menüvel. Ez már végleges állomány lesz, a megjelenő színek már nem illeszkednek az előzőekhez. Amúgy a kapott eredmény nagyon hasonlít az előbb próbából létrehozott ideiglenes állományhoz, de valójában kissé eltér ettől, jobb kéne legyen annál. Mindentől függetlenül az osztályozott kép sok helyen mozaikszerű, sok helyen csak egy-egy cella tartozik egy adott típushoz, amint a mellékelt képen is látható. A továbbiakban lássuk, hogyan lehet javítani az eredményt. 24. A javítás több lépésben történhet, az ehhez való eszközök mind a Spatial Analyst eszköztárban vannak. Első lépésben végezzünk egy szűrést aminek hatására a helyenként megjelenő egyedi cellák/pixelek nagy része 7
beleolvad a környezetébe. Keressük meg a Toolbox Spatial Analyst Tools Generalization csoportban a Majority Filter eszközt. Bemenő adatként adjuk meg az előbb létrehozott osztályozott állományt, majd adjunk nevet az eredménynek. Minden más beállítást hagyjuk alapértelmezetten. Az eredményt megvizsgálva valóban csökkent a zaj mértéke. 25. A következő lépésben tovább fokozzuk a területek közötti határok egyszerűsítését. Ehhez a Boundary Clean parancsot használjuk, amely ugyanott van ahol az előbbi szűrő. De most bemenő adatként az előbbi szűrés eredményét adjuk meg, majd adjunk nevet az új állománynak. A Sorting technique ablakban válasszuk az Ascend lehetőséget, majd kapcsoljuk ki a Run expansion előtti pipát. További javítások is lehetségesek, amelyek eltüntetik a bizonyos méretnél pixel számnál kisebb területeket. A műveletek megértéséhez nézzük meg a legutoljára létrehozott állomány táblázatát. 7 felszíntípus van rajta, a táblázata 7 sort tartalmaz de valójában nagyon sok azonos típus található külön csoportban. Most előbb ezeket a csoportokat hozzuk létre, vagyis darabjaira bontjuk a felvételt. 26. Ehhez keressük meg a Region Group parancsot ugyanott ahol az eddigieket megtaláltuk. A bemenő adat legyen a legutóbbi módosított állomány az eredménynek pedig adjunk nevet jelezve a műveletet. A többi beállítást hagyjuk alapértelmezetten. A művelet eredménye meglepő: az előbbi 7 típus helyett több mint 40000 önálló foltot (övezetet) kapunk, ezek továbbra is besorolhatók az előbbi 7 típusba, de területileg külön váltak. Tegyük a Count oszlop szerint sorrendbe az övezeteket és döntsük el mekkora (hány cellából álló) legyen a legkisebb folt. A példának használt állományban a 15 pixelnél kisebb foltok száma közel 35000. Jegyezzük meg a 15 számot. 27. Következő lépésként keressük meg a Set Null eszközt a Spatial Analyst Conditional csoportjában. A bemenő adat legyen az előbbi sok csoportot tartalmazó állomány. Az Expression ablakba állítsuk be a mellette lévő gomb segítségével a Count <15 képletet. A következő ablakba írjuk be az 1-et mint Constant Value, majd adjunk nevet a keletkező állománynak. 28. Végső lépésként keressük meg a Nibble parancsot, amely szintén a Generalization csoportban van. Bemenő adatként a 25. pontban létrehozott csoportra bontás előtti állományt adjuk meg. Maszk állománynak állítsuk be az előbb létrehozott állományt. A művelet eredményeképpen a maszk által kijelölt cellák értékei a hozzájuk legközelebbi cellákhoz fognak hasonulni. Ezzel tulajdonképpen befejeztük a javítást, nézzük meg a végeredményt. A látvány valóban jobb jobban érvényesülnek a nagyobb önálló foltok. 8
9