Simulazione mediante una Rete Neurale dei valori mancanti nelle immagini SPOT4-VEGETATION Silvio Griguolo Istituto Universitario di Architettura Dipartimento di Pianificazione VENEZIA INPUT PISA 5-6 Giugno 2003 Massimo Mazzanti Istituto Universitario di Architettura CIRCE-LIT VENEZIA

Le immagini satellitari apportano informazione digitale, continuamente aggiornata,che permette: zonizzare  di zonizzare vaste regioni secondo la lunghezza, l’intensità e mappe eco- la forma del ciclo vegetativo, creado delle mappe eco- climatiche climatiche; sorvegliare  di sorvegliare la stagione agricola, confrontando la dinamica corrente della vegetazione con quella attesa, costruendo mappe aree a rischio delle aree a rischio creare mappe classificate delle coperture del suolo  di creare mappe classificate delle coperture del suolo Le mappe si possono importare in un GIS e confrontare/integrare con informazione raster o vettoriale da altra fonte

classificazione delle coperture del suolo Progetti rivolti alla classificazione delle coperture del suolo alla scala continentale o globale: CORINE  CORINE (EC, alta risoluzione, fotointerpretazione, Europa) IGBP  IGBP, NOAA-AVHRR, 1.1 km, classificazione automatica, globale PELCOM  PELCOM (Pan-Europe Land Cover Monitoring) (EC, NOAA-AVHRR, 1.1 km, class. automatica, Europa GLC2000  GLC2000 (Global Land Cover) - in via di completamento Utilizza le nuove immagini SPOT4-VEGETATION per l’anno 2000 (partecipazione volontaria, SPOT4-/VGT, 1 km, globale).

 Le immagini NOAA-AVHRR (usate da IGBP e PELCOM) non sono geometricamente accurate. Esse non garantiscono buoni risultati quando si debbano insiemi di immagini multitemporali classificare insiemi di immagini multitemporali.  Chiunque può costruire una stazione ricevente per il satellite NOAA e trattare le immagini ricevute. Non è dunque garantita unaqualità standard Non è dunque garantita una qualità standard delle immagini.  La prossima slide mostra alcune immagini ricevute dall’archivio MARS per il progetto PELCOM.

VEGETATION onboard SPOT 4

Actual effect of angular viewing on resolution Niger Delta, Dec 1, 1999: close to nadirDec 3, 1999: close to swath edge

Qualità dell’immagine Distribuzione dei 3648 ground control points

Ricezione centralizzata e sistema di produzione garantiscono un prodotto standardizzato Prodotti giornalieri o sintesi a 10 giorni (S10) Prodotti direttamente interpretabili, già calibrati e corretti Integrazione diretta in un GIS (già georeferenziati) Prodotti con alta precisione geometrica e distorsione molto multispettrali < 200 m, multidata < 500 m bassa  multispettrali < 200 m, multidata < 500 m

Immagine del pianeta (17,000 righe di 40,000 pixel ca.)  Sul sito di distribuzione sono disponibili immagini globali o dei singoli continenti

Consequence on temporal superimposition Observed location of AVHRR pixels in a time series, after D. Meyer, IJRS Registrations –Multispectral : <0.2 km –Multitemporal : <<0.5 km for one year Absolute location <0.8 km 1 km IFOV Multitemporal Field of View Expected accuracy for VEGETATION G. Saint, 1998

The new VEGETATION images are much better! They are captured, processed for calibration and atmospheric correction and distributed by three co-operating European Centres in Sweden, Belgium and France that guarantee a high homogeneous quality They are suitable for multitemporal processing …and they can be freely downloaded!

1998: SPOT4 is launched 1998: SPOT4 is launched. VEGETATION1 It carries onboard the sensor VEGETATION 1.  Images were initially distributed for a cost  Since short, with the support of the EC, all images freely downloaded older than 3-4 months can be freely downloaded fromhttp://free.vito.vgt.be  Four bands, plus NDVI.  Daily synthesis (S1), 10-day synthesis (S10) May 2002: SPOT5 ha been launched, with VEGETATION 2

Bande radiometriche VEGETATION B μBlu B μRosso B μInfraRosso vicino MIR μInfraRosso medio NDVI NDVI (Indice di Vegetazione alle differenze normalizzate) calcolato pixel a pixel secondo la definizione seguente: dove NIR e R sono nell’ordine le riflettanze sui canali dell’Infrarosso vicino e del Rosso.

NDVI The NDVI is a good indicator of the amount of healthy vegetal biomass on the ground. -1 <= NDVI <= +1 Positive NDVI values: presence of vegetation (the higher the value, the more dense and vital the vegetation) Values close to zero: bare soil negative values: water

Le finestre di distribuzione delle immagini VGT.

Maximum Value Composites (MVC)  Per il prodotto S10 (ten days composites): Per ciascuna banda e ciascun pixel viene scelto il valore associato al più alto valore dell ’NDVI. I valori dell’NDVI sono molto irregolari in un modo imprevedibile. Nuvolosità parziale o foschia abbassano il valore NDVI. Le serie dei singoli pixel vanno ricostruite/smussate opportunamente. Anche i valori mancanti (punti nuvolosi) vanno simulati.

La serie dev’essere completa!

Curva in rossoosservati  Curva in rosso (irregolare): serie dei valori NDVI osservati per un pixel Curva in blu  Curva in blu: la stessa serie dopo che sono stati compensati i picchi negativi dovuti a nuvolosità parziale o foschia, e dopo aver smussato con una media mobile di ordine 3, con pesi uguali

(Qui il progetto con le immagini ricostruite Poi quello con i casi non ricostruibili)

Immagini Immagini: 1793 righe di 1345 pixel ciascuna. Risoluzione: 1 km - Corno d’Africa, Etiopia Stagione delle piogge critica anno 2001 Da ricostruire: anno 2001 Considerate 80 immagini: quattro ultime decadi del 1999 anno 2000 anno 2001 quattro prime decadi del 2002 SI PROVA CON UNA RETE NEURALE...

L’intorno spazio temporale del pixel di riferimento. L’intorno temporale abbraccia nove decadi nell’anno corrente e nove in quello precedente. Nello spazio, si considerano gli intorni del secondo ordine per tutte le decadi. L’analista fissa lo schema che determina i valori che entrano a far parte del pattern di input.

Semplice schema a 17 valori

Sequenza (software scritto allo scopo) Costruzione di un file in formato BIP (Band Interleaved by Pixel) che contiene le serie ordinate di tutti i pixel (80 valori ciascuna)EXTRACT Estrazione dei pattern di input a 65 valori per istruzione/verifica: estratti casi con un massimo di 30 valori mancanti usati per il training usati per la verifica Registrazione del valore target Ricodifica dei valori da [1…255] a [0.1…0.9]

RUNNET Istruzione della Rete: l’errore globale diminuisce da 22 a circa 8-9. Non troppo soddisfacente. Provati diversi valori (tra 15 e 39) per i nodi intermedi. VerificaEXTRACT Estrazione dei pattern di input per i valori da ricostruire (20358). Stesso criterio di prima, solo ora il valore centrale è mancante. Memorizzazione dell’offset dei valori estratti nel file. RUNNET RUNNET Effettua il calcolo del valore simulato INSERT INSERTInserimento dei valori ricostruiti nel file BIP BIP2RAW BIP2RAWRi-estrazione delle immagini singole dal.BIP

Alcuni risultati al variare del numero dei nodi del layer intermedio

Dipendenza della deviazione standard dell’errore dal numero dei valori mancanti nel pattern di input La dipendenza appare critica La posizione degli zeri (valori mancanti) è sempre variabile. Come può imparare la Rete? Si arriverebbe ad un risultato peggiore se si calcolasse semplicemente la media dei valori non nulli nel pattern di input?

I Conclusioni (del tutto provvisorie) In progress... Qualcosa si è ottenuto, ma bisogna continuare a lavorarci, specialmente sui valori mancanti nel pattern di input quanti sono, dove stanno...