Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Dall'applicazione della legge di Stefan-Boltzmann, attraverso la misurazione remota della radiazione
La radianza, in particolare, caratterizza l'emissione o riflessione complessiva, mentre la radianza uscente dal corpo per effetto joule (M) pu quindi essere stimata la sua temperatura
spettrale si limita a considerare una singola frequenza o lunghezza d'onda della luce. superficiale,relativa ad alcuni domini spettrali, senza alcun contatto tra sensore e corpo.
La radianza la grandezza pi importante per il telerilevamento perch quella che viene misurata
dai sensori dall'alto (aeroplani, droni e satelliti) ed particolarmente utile per quantificare la quantit
di luce emessa o riflessa da una sorgente che verr ricevuta da un dato sistema ottico rivolto verso la
sorgente e caratterizzato da un determinato diametro angolare; naturalmente, in questo caso l'angolo
solido considerato equivale all'apertura del sistema ottico. Essendo anche l'occhio un sistema ottico, la
radianza fornisce una buona stima della luminosit apparente di un oggetto.
3. Applicazione della legge degli spostamenti di Wien, perch importante lo studio 4. Commentare leffetto del trascurare il coefficiente di emissivit nel rilevamento da
della massima emittanza ? remoto.
La legge di spostamento di Wien descrive la relazione tra la lunghezza d'onda di picco di emittanza Il paramero di emissivit () definito come il rapporto tra l'emittanza spettrale di un oggetto ad una
spettrale (max) e la temperatura (T) di un radiatore corpo nero. data temperatura (M (T)) e l'emittanza di un corpo nero alla stessa temperatura (M,BB (T )).
Analiticamente, la lunghezza d'onda di massima emittanza (max) pu essere derivata dall'equazione di Lemissivit data quindi dal rapporto tra il flusso emesso da un oggetto e quello emesso da un
Planck cercando la soluzione della sua derivata prima, cio ponendo la derivata prima rispetto a pari radiatore ideale (corpo nero), per uguali e T:
a zero in modo tale da trovare il massimo:
9. Confronto tra immagini a infrarosso e immagini a colori naturali. 10. Cos il feature space e cosa sono le funzioni di decisione
Nel modello di colore RGB ogni colore appare nelle sue componenti spettrali fondamentali del rosso, Nel metodo automatico di classificazione di immagini la mappa tematica ( una mappa costruita per
verde e blu. Le immagini rappresentate nel modello di colore RGB sono costituite da tre componenti, usi speciali, ovvero rappresenta il territorio utilizzando superfici con caratteristiche simili)
una per ciascun colore primario (RGB) e ogni pixel di colore RGB definito come una terna di valori prodotta attraverso un processo astratto che non opera direttamente nello spazio dell'immagine.
(R, G, B). Lo spazio RGB lo spazio colore, cio uno spazio cartesiano ortonormale, composto da tre Invece, le decisioni sulla classificazione vengono prese in base alle misure radiometriche in uno spazio
componenti tematiche (rosso, verde e blu) che miscelate tra loro ci permettono di ottenere altri colori. multidimensionale chiamato spazio multispettrale o spazio delle caratteristiche. I dati non vengono
Le immagini a colori contengono pixel composti ciascun da tre subpixel che registrano il valore di classificati nello spazio geografico dell'immagine (Nord-Est) ma si usa la loro trasformata che ha delle
radianza relativo alla banda del blu, verde e rosso. Ognuna di queste 3 subimmagini acromatiche di propriet in cui la classificazione tematica pi semplice. La trasformata il feature space, ovvero uno
partenza ha 8 bip per pixel (bpp) quindi ogni singola immagine avr 28 livelli di grigio. Utilizzando tre spazio dove sugli assi avr la radiometria (firma spettrale) delle diverse bande spettrali considerate.
immagini a 8 bit e la teoria additiva dei colori (descrive cosa succede quando la luce Quindi nello spazio delle caratteristiche faccio la classificazione per poi tornare allo spazio geografico,
mescolata. Se vengono mescolati in uguali proporzioni le luci blu, verde e rossa otterremmo in modo da poter individuare gli elementi sul territorio.
un pixel bianco brillante) possiamo visualizzare (28)3 = 224 = 16.777.216 combinazioni di colori. Il risultato finale del processo di classificazione automatico delle immagini un'approssimazione della
Quindi le tre immagini acromatiche di partenza sono diverse perch registrano la radianza nelle tre realt (delle immagini in ingresso), in cui oggetti simili o porzioni di paesaggio sono raggruppati
bande del blu, verde e rosso. Saranno pi chiare le immagini con radianza maggiore registrata in insieme sulla base di un criterio selezionato.
quella lunghezza d'onda e scure se la radianza bassa (per convenzione). L'immagine acromatica con i Lo spazio delle caratteristiche ha dimensionalit pari al numero (m) di bande spettrali del sensore che
valori di radianza registrati nella lunghezza d'onda del blu viene associata alla matrice del blu, quella ha telerilevato l'immagine del territorio. Nel caso di classificazione supervisionata, se l'utente ha gi
del verde al verde e quella del rosso al rosso. L'immagine risultante dalla combinazione delle tre sar a conoscenza del territorio e dei land cover che vi sono, si considera una sezione dell'intero spazio delle
colori naturali, con maggior contributo del colore che ha immagine acromatica pi chiara. E' possibile caratteristiche che ha n assi, dove n (n<m) il numero di bande spettrali che sono le pi indicate e
modificare questo schema di assegnazione dei colori, producendo in output un'immagine Infrarosso sufficienti per la classificazione dei pixel. Il numero di bande da considerare funzione del fenomeno
falso colore (IRFC). Si associa la radianza registrata nelle lunghezze d'onda del verde al colore blu di Huges secondo cui l'accuratezza della classificazione cresce all'aumentare di m solo fino ad un
nell'immagine, quella delle l del rosso al verde e quella registrata ne NIR al colore rosso. In questo ottimo, oltre il quale, considerando altre bande, l'accuratezza decresce poich la correlazione e la
modo, associo alla radianza del NIR, che i nostri occhi non possono vedere, un colore(rosso), ridondanza delle misure portano informazioni simili tra loro.
evidenziando delle caratteristiche che si palesano a quelle lunghezze d'onda e che non vediamo con i Ogni pixel dello spazio dell'immagine rappresentato come un punto nello spazio delle caratteristiche,
nostri occhi. L'IRFC importante nell'analisi della vegetazione. Infatti la vegetazione nel visibile ha la cui posizione rispetto agli assi determinata dalla che il pixel ha in ciascuna banda definita negli
maggiore nel verde assorbendo blu e rosso, quindi nell'immagine a colori naturali appare verde. assi. I punti corrispondenti ai singoli pixel si collocano automaticamente in raggruppamenti (cluster)
Nell'IRFC, dato che la pi alta nel NIR che nel verde, la vegetazione compare di colore rosso, che il in base alle propriet riflettenti simili, in modo tale da rendere pi facile la classificazione.
colore associato alla radianza registrata nel NIR. Quando la pianta malata, la sua firma spettrale nel In questo spazio astratto le firme spettrali sono vettori di misura (x). Il pixel dato dal vettore x sar
NIR si abbassa perch la riflettanza diminuisce quindi la "rossezza" nell'IRFC sar meno brillante. assegnato alla classe i se la distanza di x dal baricentro della classe i-esima minore di quella dai
Quindi tale rossezza ci indica la quantit di biomassa e la salute della pianta. Un altro esempio quello baricentri di qualsiasi altra classe, secondo questo formula:
di un acqua con fondale basso e vegetato. Nellimmagine a colori naturali (snx) si vede che
lassorbimento nel VIS da parte dell'acqua poco e la vegetazione verde. Invece, nellimmagine falso
colore lacqua diventa blu e non rossa come ci aspetteremmo dato che la vegetazione contenuta La distanza pu essere misurata in diversi modi: distanza cityblock, distanza euclidea o distanza
nell'acqua dovrebbe essere rappresentata dal rosso; questo accade poich lacqua assorbe il NIR e angolare.
perci non si ha riflessione della vegetazione, cio nellinfrarosso vicino la radiazione non permea e la Geometricamente ci equivale ad identificare nel feature space linee (nel caso 2D) o superfici (nel caso
vegetazione sommersa non la vedo rappresentata. Lacqua il corpo riflettente, perci alla del verde, 3D) che partizionano lo spazio in regioni corrispondenti alle classi (wi). Queste linee (o piani) sono
dove lacqua ha riflettanza molto pi alta che nel rosso e nel NIR, si associa il colore blu, che rende la dette"funzioni di decisione" e possono essere varie.
porzione dell'immagine blu. Laccuratezza della classificazione dipende dal grado di sovrapposizione delle classi nel feature space.
Le funzioni di decisione definiscono i confini che separano lo spazio delle caratteristiche in regioni
distinte corrispondenti alle diverse classi.
11. Differenze tra training samples e testing samples.
I training samples sono campioni di addestramento attraverso cui effettuare la classificazione
tematica dei dati. Questi sono propri solo della classificazione supervised in quanto devono essere
inseriti in input all'algoritmo dall'utente stesso.
Per le metodologie unsupervised non sono necessari, in quanto la partizione dei dati in classi avviene
in modo automatico e iterativo fornendoci in output un mappa tematica muta in cui i pixel sono divisi
per classi ma le classi non hanno un'etichetta quindi l'operatore stiler una legenda a posteriori.
Gli algoritmi usati per la classificazione supervised, invece, restituiscono mappe pi accurate e
realistiche in quanto ricavano in input i training sample dati dall'utente, che corrispondono a tutte le
classi che si avranno in output nella legenda, che quindi sar gi esplicita. I training samples devono
essere rappresentativi quindi del territorio che si sta studiando.
I training samples corrispondono a firme spettrali che sono la media di firme spettrali ottenute in vari
punti di uno stesso land cover.
I training sample non devono essere rilevati in zone di transizione ma in aree omogenee.
L'algoritmo poi va a confrontare la firma spettrale di ogni pixel con le firme prototipo per classificare
l'elemento in base alla somiglianza delle firme. I training samples quindi devono essere
rappresentativi dei dati che voglio classificare perch li utilizzo come confronto. Per questo non posso
prendere la firma spettrale di un solo centro di addestramento come training sample perch mi pu
generare molti outliers. Teoricamente, pi campioni di addestramento uso, migliore sar l'accuratezza
di classificazione anche se questa relazione non vale all'infinito ma ha un asintoto oltre il quale
l'accuratezza non migliora all'aumentare dei training samples utilizzati. Inoltre, bisogna considerare il
trade off tra l'accuratezza della classificazione e i costi relativi.
Il numero minimo di training samples che permette al software di compiere l'analisi N+1 dove N il
numero di bande spettrali del sensore.
Il numero ottimale di training samples teoricamente compreso tra l'1 e il 5% del numero totale dei
pixel immagine. In pratica si usano dalle 10 alle 100 volte il numero di bande spattrali del sensore (10-
100*N).
I testing samples invece, vengono utilizzati nella fase di validazione. Per valutare la precisione della
classificazione tematica vengono selezionati lidentit e la posizione di alcuni tipi di copertura del
suolo noti, che vengono in seguito usati come superfici reali (ovvero testing samples). Quindi si avr
una serie di campioni di validazione sulla base dei quali verrano calcolati degli indicatori che
permettono di dire se la mappa tematica una buona/cattiva rappresentazione della realt.
12. Classificazione di unimmagine. La classificazione non automatica, ma lutente supervisiona la macchina inserendo informazioni e
dati esterni. A differenza della classificazione unsupervised, questa permette di avere una legenda con
- Si basa sullidea di partizionare la nuvola di dati in cluster, corrispondenti a zone dello spazio le classi di land cover: lesperto agisce a priori per selezionare le etichette prima del processo di
multidimensionale di dimensione finita o infinita in cui i dati appartengono ad una sola classe. classificazione, etichettando i campioni di addestramento che formano lalgoritmo di classificazione.
- Si traduce in una procedura o algoritmo dedicato a valutare ogni pixel, per vedere a quale classe Tra gli algoritmi di classificazione supervised si hanno:
appartiene (usando varie statistiche). - Classificatore a PARALLELEPIPEDO(BOX): il metodo di classificazione pi semplice. Analizza e
classifica ogni pixel singolarmente ed di tipo hard, ovvero assegna ad ogni pixel una e una sola
- I metodi si suddividono in due tipologie: etichetta della legenda. Lalgoritmo testa tutti i pixel dellimmagine (uno alla volta) per valutare se i
Classificazione supervisionate (supervised); valori spettrali cadono allinterno dei limiti di ciascuna classe:
Classificazione non-supervisionata (unsupervised). Se il pixel cade allinterno del parallelepipedo, viene assegnato alla classe;
Se il pixel non case in nessuna classe, viene assegnato alla classe nulla;
Si utilizzano entrambi i metodi per categorizzare i pixel di unimmagine in tante classi. Se il pixel cade allinterno di pi di una classe, viene posizionato nella classe di
Si utilizza la classificazione unsupervised senza provvedere ai training data, oppure si utilizza una sovrapposizione.
classificazione supervised quando si provvede ad ottenere i training data e si specifica il metodo di E un algoritmo semplice e veloce ma non capace di gestire situazioni complesse (ad esempio quando
classificazione (minimum distance, method of maximum likelihood, ). uno o pi box si sovrappongono). I parallelepipedi sono rettangolari, ma lo spazio spettrale
diagonale, quindi le classi possono sovrapporsi. Inoltre, poich i parallelepipedi hanno gli angoli,
- CLASSIFICAZIONE UNSUPERVISED possono essere classificati pixel che si trovano lontano (spettralmente) dalla media della firma
Usa gruppi o cluster naturali di pixel entro un data set multispettrale; spettrale.
Richiede pochi dati in ingresso dallutente; - MINIMA DISTANZA DALLE MEDIE (MDM): lalgoritmo testa tutti i pixel dellimmagine (uno alla
Richiede che le classi trovate siano etichettate dopo lestrazione; volta). Esso trova il valore medio delle serie di formazione e tutti i pixel vengono classificati in base
VANTAGGI: alla classe in media pi vicina. Calcola la distanza euclidea di un pixel dalla media di tutte le classi. E
- Non richiesta nessuna conoscenza a priori un algoritmo semplice di tipo hard. Permette confini diagonali (e quindi nessuna sovrapposizione di
- Lerrore umano ridotto classi), computazionalmente efficiente, tutti i pixel dellimmagine vengono classificati e pu usare
- Le classi sono spettralmente omogenee una soglia limite per eliminare i pixel lontani dalle medie. Per, di contro, lalgoritmo assume che la
- Tutte le classi che hanno caratteristiche uniche sono identificate variabilit spettrale sia uguale in tutte le direzioni (non vero), non considera varianza e covarianza e
SVANTAGGI: risulta pi lento di un classificatore a parallelepipedo.
- Le classi ottenute non hanno necessariamente un significato
- Lutente ha un controllo limitato sulla procedura e sui risultati La Spectral Angle Mapper (SAM): una tecnica di classificazione controllata (supervised) che
permette una rapida mappatura delle similarit di spettri di immagine con spettri di riferimento che
Tra gli algoritmi di classificazione unsupervised, i pi utilizzati sono: possono essere determinati in laboratorio o in campo, ovvero estratti dall'immagine. L'algoritmo
- K-MEANS (delle k medie): minimizza una funzione obiettivo che la distanza dei campioni dai determina la similarit spettrale tra gli spettri attraverso il calcolo dell "angolo" che essi formano,
baricentri delle classi (bisogna fissare il numero di classi). La funzione obiettivo da trattando gli stessi come vettori in uno spazio con dimensionalit uguale al numero di bande. I pixel
minimizzare definita come la distanza dei campioni di un cluster dal rispettivo baricentro. sono non classificati se la distanza dellangolo spettrale superiore al valore limite (max 90 = /2 rad).
- ISODATA (evoluzione delle k medie): una tecnica di analisi dei dati auto organizzativa e
iterativa. Rappresenta unevoluzione dellalgoritmo K-means ed composta da procesure
iterative sperimentali. Diversamente da K-means, ISODATA non richiede la conoscenza a priori
del numero di classi utilizzato, ma esegue il clustering dei dati con un numero sconosciuto di
cluster (ha labilit di unire e dividere i cluster, dando cos flessibilit al numero dei cluster
stessi). Riesce a comprendere quando si stanno usando troppe o poche classi in base a misure
matematiche.
- CLASSIFICAZIONE SUPERVISED: lanalista controlla il processo di classificazione fornendo dei
descrittori dei vari tipi di land cover che vuole classificare. Cio sceglie sullimmagine delle zone
campione (training areas).
13. Come si stima l'accuratezza di una mappa tematica?
A classificazione ultima, viene creata una matrice che indica la qualit della classificazione. Questa
matrice chiamata MATRICE DI CONFUSIONE e riporta gli errori presenti nellimmagine classificata
rispetto alla realt a terra. Tale matrice mette a confronto pixel a pixel la classificazione fatta dal
computer e la verit a terra.
Si distinguono due tipi di errori possibili:
- Errore di omissione, quando il pixel appartenente alla classe i non vi inserito;
- Errore di commissione, quando sono inclusi nella stessa categoria pixel di classi diverse. - Coefficiente di Kappa di Cohen (K): valuta entrambi gli errori e paragona laccuratezza della
In Remote Sensing, la classificazione dellaccuratezza delle mappe tematiche viene fatta attraverso la classificazione attuata allaccuratezza di una classificazione casuale
matrice di confusione, ovvero una matrice quadrata la cui dimensione dipende dal numero delle
classi di classificazione del Land Cover (es. 5 classi matrice 5x5).
N.B. : In una buona classificazione OA >= 85% e k > 0.5
Ogni cella xij rappresenta il
numero di pixel
14. Metodi per ottenere la riflettanza tramite correzione atmosferica.
appartenenti alla classe i ma
classificati nella classe j. Per ottenere la Riflettanza tramite correzione atmosferica ci sono innumerevoli metodi, da quelli
empirici a quelli matematici e rigorosi. Due modelli empirici che vengono spesso usati sono:
- Dark Object Subtraction (DOS)
- Empirical Line (EL)
Nelle colonne viene rappresentato il numero di pixel che appartengono effettivamente a quella classe - Dark Object Subtraction (DOS): Il metodo consiste nel selezionare una zona a bassa riflettivit
(verit al suolo), mentre nelle righe vengono rappresentati i risultati della classificazione (predetti). Le sullimmagine ed effettuare una normalizzazione per ogni banda su quella zona.
celle nella diagonale principale viene invece rappresentato il numero di pixel classificati Per ogni banda cerca il valore di pixel pi scuro. Sapendo che gli oggetti scuri non riflettono luce,
correttamente. qualsiasi valore di riflettanza maggiore di zero proverr dalla diffusione atmosferica. Lo scattering
A partire dalla matrice derrore si calcolano tre indicatori: viene rimosso sottraendo questo valore da ogni pixel della banda. Questa tecnica viene utilizzata per la
- Overall Accuracy (OA): determina in percentuale laccuratezza della classificazione rispetto alla correzione della foschia in dati multispettrali, ma non pu essere usata per dati iperspettrali.
verit a terra. E il rapporto tra i pixel classificati correttamente e il numero totale dei pixel. OA = (somma - Empirical Line (EL): un metodo di calibrazione che forza i dati spettrali di unimmagine affinch
diagonale x 100/somma dei pixel totali). E una media e quindi non rivela come lerrore distribuito tra fittino con degli spettri di riflettanza selezionati acquisiti sul campo (o in laboratorio); questi dati
le classi. possono provenire da dati di campo o da altri spettri di riferimento (plots, librerie spettrali, ROIs,
statistiche o da files ASCII). Si utilizza una regressione lineare per ogni singola banda per eguagliare i
Digital Numbers (DN) alla Riflettanza, ci equivale a rimuovere lirradianza solare e il path atmosferico
della radianza.
- Precisione del produttore (PA): indica la probabilit in percentuale che un pixel collocato in
unarea campione sia effettivamente classificato nella classe dellarea campione. E il rapporto tra il
numero di pixel entro unarea campione classificati come classe dellarea campione e numero totale di 15. Come riconoscere il tipo di land cover da aereo/satellite?
pixel entro larea campione. Valuta lerrore di omissione sottostima Il riconoscimento dei land cover avviene in diverse fasi:
(1) raccolta dati: si generano foto dove ogni pixel contiene informazioni relative alle bande spettrali
rilevate;
(2) estrazione delle caratteristiche: si scelgono le bande spettrali pi significative per lanalisi in modo
da ridurre il dataset;
(3) spazio delle caratteristiche: le decisioni sulla classificazione vengono prese in base alle misure
radiometriche in uno spazio multidimensionale chiamato spazio delle caratteristiche.
(4) clusterizzazione e classificazione: si utilizzano i metodi di classificazione supervised o
- Precisione dellutente (UA): indica la probabilit in percentuale che un pixel classificato in una unsupervised;
classe sia veramente di quella classe (affidabilit delle classi). E il rapporto tra il numero di pixel (5) validazione: necessaria per valutare laccuratezza della mappa prodotta. Avviene tramite il
classificati correttamente in una certa classe e numero totale di pixel classificati in quella classe. confronto con i testing samples e mediante gli indici ricavati dalla matrice di confusione.
Valuta lerrore di commissione sovrastima